南京的秋天总是在不经意间就溜走了，寒流在一夜间就快速来临，大街上有人穿着过冬的羽绒服，也有人还穿着夏日的T恤，冬天总是在猝不及防间就降临了，让人们好像毫无准备。
2025年也在猝不及防中就来到了尾声，这一年过得如何？到现在为止，基本已成定局，剩余的十多天也不会影响这一年整体的基调。这些年，每临近年终时，自己都会来复盘下每年的变化。
- 2021年：破茧。从外企离职，进入现在的互联网公司，业务形态更加复杂，技术要求更高。外部环境的变化，对我的业务和技术能力都构成了挑战，自我的能力受到了外部的质疑。面对主管的不信任，同事们的不友好，自己选择扛下来，从内打破自我直面那些质疑，从哪里跌倒就从哪里爬起，最终突破自我的局限，成长为团队的核心骨干。
- 2022年：入局。直接主管离职，我接替他的位置，并带领团队，重新设计整体的系统架构。自己从单兵作战，开始入局带着团队一起作战。对业务的全面理解，对团队成员的部署安排，这些都对我构成挑战。躬身入局，去解决一个个实际的业务问题，去打破一个个成员心中的疑虑，最终带着团队把新的系统成功上线并替换旧的系统。
- 2023年：成长。22年自己带着团队进行了系统的重构，并且让业务无感的情况下，完成了新老系统的平滑切换。自己对这件事情过于上头，以至于高估自我的能力，甚至有点自视甚高，从而忘记了这件事情成功的背后部门主管给予了多大的支持。自身实际的能力其实还没有达到，比如对团队未来的规划，对业务未来发展的预判，这些自己都还欠缺思考，这些短板很快也就暴露出来。这一年，自己开始意识到自身能力的短板，开始疯狂的学习和成长，最终在23年的年终述职时，部门领导对我很满意。
- 2024年：发展。如果说前期的铺垫，都是为了后期更好的发展。24年，对于我来说就是大力发展的一年。首先团队的人数扩充了一倍，其次团队的人员进行了更新，把优秀或者有潜力的人接入进来，把平庸或者想混日子的人踢出去。同时，团队的业务板块也扩大了一倍，团队承担公司的业务担子更重了，团队成员的能力也更强了。
- 2025年：迷失。24年完成年终述职后，自己的第一个感觉就是迷失。最大的迷失点，在于高层领导对工程团队关注点的缺失。随着AI大模型的蓬勃发展，大家的注意力都完全集中在两个点上：实际业务产出 + AI能力。而软件工程的产出：架构优化、研发效率提升、业务支撑、以及稳定性。这些更偏后台保障的能力，仿佛一下子就名落孙山，大家都觉得是理所当然应该做的。
如何走出迷失？ 2025年从一开始，这句话就刻在我的脑海。从本质上来看，这是要提升自己的视野，以前自己可能更关注软件架构的设计、系统的稳定性、需求支撑的效率。现在要把自己更拔高一层，向核心价值看齐，也就是要走到更前面，去关注具体的业务收益。
通向前方有两个职业方向，产品经理和算法。
- 产品以业务价值为导向，拉通业务和研发之间沟通问题，最终帮助业务完成需求上线。产品的视角比研发要宏观，需求的背景和价值要理解清晰，产品的落地进度要关注，最后还要复盘拿到需求上线后的结果。
- 算法天生就是业务指标导向，以业务收益作为算法好坏能力的衡量标准。
走向业务
技术的目标是要服务于业务。技术本身只是一个工具，并不产生实际的价值，解决实际的业务问题，才能凸显技术的魅力。这也是我多年来一直秉持的观点。
但是在业务落地时，很多工程师做着做着就忘了，只知道把业务功能实现，对于业务背景和价值都置之不理。最终就变成了一个纯“码农”，一个工具人。
25年，我从更关注技术的视角，变成更加关注业务本身。
- 从面向产品研发到面向业务研发。以前技术总藏在产品的背后，业务需求被产品解读后再下发给研发。25年技术更向前迈进了一步，部分需求不再需要产品介入，研发直接面向业务，从具体的业务价值出发，防止产品对需求理解不透彻，从而产生误导。
- 关注业务未来的发展。前期产品的落地设计过于局限，只关注当前具体的业务实现，对业务未来的发展缺少预判。研发直接介入后，可以提前布局，为后续业务需求的迭代提高效率。
AI的发展
25年AI在各行各业都开枝散叶，现在哪个行业或者哪家公司，还没有拥抱AI，仿佛就处于淘汰的边缘。
24年结尾时，团队内部就开始布局AI编码工具。大家在写测试用例、重构代码、构建新的工程时，都先使用AI进行代码生成。那时的AI编码工具并不好用，团队尝试了cursor、comate、trae、copilot等多种编码工具，确实可以提效，但是在上下文识别和准确率方面总是不如人意。
到了25年下半年时，各种编码工具都有了长足的进步。以OpenAI的Codex CLI、Google的Gemini CLI、以及Anthropic的Claude Code为首的AI编码工具，开启了“三国争霸”的图景。其中Claude Code一骑绝尘，建立了一套强大的基于命令行的AI编码指南。阿里的Qoder, 百度的Comate, 字节的Trae 都集成了Claude的大模型能力。
Claude Code 的定位是一个高度自主且可扩展的“工作流引擎”。它拥有最丰富的自定义能力（如 Hooks）和最强的自主行为（如自我修正），这使得它在执行端到端的复杂任务，如“自主调试测试失败”或“根据 CLAUDE.md 进行项目级重构”时，理论上具备最高的天花板。
当前团队在AI编码工具的使用上，还处于新手阶段，并没有完全把AI能力，无缝集成到自己的工作流中，开发效率还可以得到10倍级别的提升。
未来走向何方
AI能力的大力发展，对于我们这些坐在办公室里，看着貌似高级的白领打工仔，会造成多大的冲击呢？
这个目前还是一个未知数。
OpenAI联合创始人，GPT系统核心推动者，业务公认的“AI大神” - 伊利亚.萨茨凯弗，最近一次访谈他对AI的很多根本性问题的看法发生了巨大转变。
- 人不是AGI，因为人类缺乏大量知识。但人类有一项AI目前还做不到的能力，那就是终身学习。我们依赖的是持续的、连续的学习和适应。他说，一个十几岁的孩子学开车，通常10小时练习就能掌握得不错，可AI呢？需要成千上万次模拟训练才能达成类似水平。为什么会有这么大的差距？
- 他给出的解释让我印象深刻。他说，人类不是靠外部给予的奖励信号来学习的。一个新手司机开车时，即便没撞车、没收到“这样不对”的明确反馈，但他的身体和直觉也会告诉他“刚才那一下很危险，下次不能这样了”。这种过程中的自我反馈，让人类在没有明确奖励的情况下也能快速学习。
- 伊利亚把这种能力称为“价值函数”。他认为，人类的情感系统本质上是进化和大自然赋予我们的价值函数。当你做一件事时，你会有直观感觉，知道自己做得好不好、有没有信心、需不需要调整。
- 不要做“背题型”的学习者，要做“理解型”的人。他举了一个具体的例子：你用AI写代码时遇到bug，让AI帮忙修复，AI会说“哦天哪，你说得对，我这里有个bug，让我修一下”。结果改完它引入了第二个bug。你告诉它有新bug了，它又说“哦天哪，我怎么能这样？你说得对”，然后修复新bug时又把第一个bug带了回来。看起来它很努力，但是Bug可一个都没有少。
- 这个例子让我想起工作中一种人：那种看似什么都懂，但一碰到新问题就抓瞎的人。他们不是真的理解，只是见得多、背得多。而真正厉害的人，可能经验没那么丰富，但他们能举一反三，从本质上看透问题。
- 规模化这条路让其它研究方向几乎没有生存空间。 从2020年到2025年，整个AI行业进入了“Scaling时代”。这个词太有力量了，因为它告诉所有人该做什么——只要把算力和数据扔进神经网络，效果就会提升；这个词太诱人了，因为它低风险，你知道只要投钱，就能有回报。但这带来了一个副作用：所有人都忙着堆算力、堆数据，以至于真正的基础研究反而没人做了。伊利亚说，现在我们必须回到“研究时代”。
- 我们必须回归本质思考：我们到底要解决什么问题？有没有更高效的方法？这就像一个公司不能永远靠加班和扩张实现增长，总有一天要回归产品创新和战略思考上来。
- 当前AI展现的是“伪泛化”能力，意思就是看起来很厉害，实际上并没有真正“懂”。他用了一个词来描述当前AI的问题：Jaggedness，参差不齐。有些任务AI做得特别好，有些任务却完全不行，而且“不行”的方式很奇怪。就像前面提到的修bug例子，AI改好一个Bug又引入新的Bug，但是修复新Bug后又把旧Bug带回来了。这说明什么？说明它没有真正理解代码的逻辑，只是在做模式匹配，就像一个偏科严重的学生，数学能考满分，但一写作文就不知道在说啥。
- 谁能搞定深度学习中的价值函数问题，让模型在思考过程中就能自我评估、自我修正，不用等到最终结果出来才验证对错，谁就能造出下一代超级智能。
这个转变对我们意味着什么？
-
首先，AI不会一夜之间变成“超人”。伊利亚预测，要达到能像人类一样高效学习、最终超越人类的超级智能，大约需要5到20年。这个时间跨度，意味着我们有足够的时间去适应、去学习、去找到自己的位置。
-
其次，人类的优势正在被重新定义。不再是知识量，也不是计算速度，而是快速适应能力、真正的理解能力和情感判断能力。这些看似“软性”的特质，恰恰是AI最难攻克的领域。
-
最后，我想用伊利亚在访谈结尾说的一句话收尾。在谈到什么是“研究品味”时，他说“Ugliness, there is no room for ugliness”——这里容不下丑陋。他想表达的意思是，正确的发展路径往往是优雅、简洁且符合直觉的。 如果一种方法需要靠极其复杂的修补才能跑通，那它大概率是错的。
这种对“优雅”的追求，对我们来说也是一种提醒：在这个快速变化的时代，保持对本质的追求，坚持对简洁的偏好，可能比追逐所有热点都更重要。
