这两天我看了 YC 总裁 Garry Tan 在 Lightcone 播客里的原始访谈，标题很猛：一个人借助 AI，可以完成过去 400 个工程师的工作。单看这个说法，很容易让人兴奋，也很容易让人反感。兴奋的人会觉得个人创业时代来了，反感的人会说这又是硅谷式夸张。
我看完后的感受比较复杂。400 倍这个数字可以先放一边，真正值得讨论的，是 Garry Tan 已经把 AI 用成了一套工作方法。
他讲了一个很具体的经历。十几年前，他做过 Posterous，一个通过邮件发博客的产品，当年团队花了不少钱和时间。后来他又做了 Posthaven。到了 2026 年，他用 Claude Code 花大约 200 美元和几天时间，又把这类产品重建了一遍，并且加上了 RAG、网页抓取、资料检索、深度研究和自动生成带引用文章的能力。
这件事打动我的地方，不是“AI 写代码很快”这么简单。真正的变化在于，一个懂产品、懂工程、懂判断的人，现在可以同时指挥很多个 AI 代理干活。Garry Tan 说自己并没有亲手写那些代码，他更像是在同时调度十几个代理，48 小时内推进了十几个 PR。这个画面很有冲击力：未来厉害的人，可能不再是埋头敲最多代码的人，而是能把问题拆清楚、把标准讲明白、把结果验收好的人。
原访谈里我最认同的一点，是他让 AI 在写代码前先画 ASCII 图。数据怎么流，输入输出是什么，用户路径怎么走，错误状态有哪些，先画出来，再进入实现。很多人用 AI 写代码，习惯一上来就说“帮我做个功能”。这样做出来的东西，经常看着能跑，细节一碰就碎。让 AI 先梳理结构，相当于逼它先理解问题。这个习惯我觉得比任何神奇提示词都重要。
还有一个词叫 Tokenmaxxing。简单说，就是别在关键上下文上省 token。让 AI 多读资料，多比较来源，多看分歧，再开始动手。Garry Tan 举的例子是，过去一个人可能要读几十篇文章、几本书、做大量标注，现在花几美元或十几美元的模型调用，就能把背景材料铺开。这个思路对写作、研究、产品分析都适用。省 token 省出来的，往往是低质量判断；多花一点成本，买回来的可能是更完整的视野。
但我也不想把这件事说得太神。400 倍代码产出，不等于 400 倍商业价值。代码多了，问题也会变多。需求错了，AI 执行得越快，偏得越远。测试不够，发布越快，事故来得越快。很多所谓 vibe coding 项目，看起来热闹，真正可维护、可赚钱、可长期使用的并不多。
所以我对 AI 的看法反而更谨慎了：AI 会放大人的能力，也会放大人的草率。一个会思考的人，用 AI 可以搭出一套小团队；一个没想清楚的人，用 AI 只会更快制造一堆半成品。
Garry Tan 提到的 GStack，我理解成一套把 AI 工作“流程化”的方法：先想清楚问题，再做计划，再写代码，再 review，再浏览器测试，再发布，最后复盘。听起来一点都不酷，甚至有点笨。但正是这些笨办法，才有可能把 AI 从玩具变成生产工具。
我觉得普通人最该学的，不是马上追逐某个新模型，而是把自己的工作流程写下来。你怎么判断一个选题值不值得写？怎么检查一篇文章有没有事实漏洞？怎么判断一个功能有没有用户价值？怎么验收一段代码是否可靠？这些经验一旦变成清单、提示词和流程，AI 才真正能接手一部分工作。
原访谈最后还有一个问题让我印象很深：未来到底是我们控制 AI，还是 AI 背后的平台控制我们？如果我们只会点按钮，只接受平台喂给我们的结果，那我们只是站在别人的系统下面。如果我们能写自己的提示词，沉淀自己的资料库，建立自己的工作流，AI 才会越来越像个人能力的延伸。
我的观点：前 AI 时代最值钱的能力，是能不能把自己的判断变成流程，把流程交给 AI 执行，再用人的标准把结果收回来。而不是会不会喊一句“帮我生成”这种简单粗暴又模糊的指令。
400 倍生产力未必属于每个人。但从今天开始，谁能更认真地训练自己的 AI 工作流，谁就会比过去的自己快很多。
