当 AI 承担越来越多的实现工作，以固定职能分工定义的“程序员”角色正在变化。面对难以保证一年后仍然适用的职业建议，技术人应如何选择下一步？本次分享提出 Exploration > Exploitation，把探索新角色与工作方式放在局部优化之前，以 DHH 两次访谈中的实践变化承接这一判断，并结合团队实践展开三种尝试：从匠人到厂长，拓展系统视野、建设 Managed Agents 平台；从工程师到顾问，以算法工程师贯穿金融场景销售到服务的案例，讨论领域理解、减少交接与避免外包化；放开想象，重新尝试过去搁置的个人目标。

演讲提纲

1. 从“程序员”到“AI 时代的技术人”

• AI 承担越来越多的实现工作，传统职能边界正在被重新定义
• 当“写代码”不再是技术人的核心稀缺能力，我们该如何重新定位自己？
• Exploration > Exploitation：优先探索新的角色与工作方式，而非追求最大化短时产出

2. 从匠人到厂长：从写代码到构建系统

• 技术人的视野如何从单点实现走向系统经营
• 建设 Managed Agents 平台，让 AI Agent 成为可管理、可复用的生产力
• 从“亲自做得更好”转向“让整个系统做得更好”

3. 从工程师到顾问：从交付技术到理解业务

• 算法工程师贯穿金融场景从销售到服务的实践
• 为什么领域理解会成为 AI 时代技术人的重要能力
• 减少角色交接，让技术人员直接连接业务价值，避免工程能力进一步“外包化”

4. 放开想象：重新定义自己的下一步

• 不再执着于一份固定的职业路径和能力清单
• AI 降低了过去很多“想做但做不到”的门槛
• 重新尝试那些曾经搁置的个人目标，探索技术人新的可能性

实践痛点

• 产出速度与维护能力不匹配。 AI 能快速生成大量代码，重复实现、复杂组件和错误模式也可能随之扩散。测试、审查和平台建设需要持续投入，并占用短期功能开发时间
• 岗位边界扩大，但知识不会自动补齐。 从局部实现走向完整交付，需要拓展系统知识；从工程师走向顾问，需要接触业务现场、建立信任并判断问题的价值
• 一人贯穿流程，也容易成为新的瓶颈。 减少交接能够保留上下文，但如果关键判断和日常服务都依赖一个人，工作量和维护压力仍会持续增长，需要平台支持和清晰的责任范围
• FDE 容易做成一次性定制。 如果每个场景都从头实现、不断追加需求，却没有形成可复用能力，AI 提效可能只换来更多接单与维护工作
• 探索有成本，方法也会过时。 新尝试未必马上产生回报，工具变化还会让已有方法需要重做。需要结合个人处境平衡当前交付与探索投入，并根据反馈调整方向

前沿亮点

• 将 AI 提效放到职业探索中重新审视。 以 DHH 的实践变化为引子，讨论经验和建议的适用条件，将关注点从原岗位上的效率优化，延伸到职责范围、工作方式与个人目标的探索
• 呈现平台建设与领域实践之间的联系。 将“厂长”和“顾问”两段串联：前者建设 Managed Agents 平台，后者利用平台与领域经验贯穿销售到服务。通过金融场景案例，说明减少跨职能交接如何扩大个人能承担的工作范围
• 正面讨论 FDE 的外包化风险。 把问题定义、结果责任、可复用能力和后续维护纳入讨论，帮助听众判断自己的角色变化是否真正增加了解决问题的能力

听众收益

• 获得一个审视职业投入的视角：识别自己是在优化熟悉的工作，还是在探索新的问题与职责，为下一步选择提供依据
• 理解三种可以尝试的转变，以及各自需要补充的能力：系统与软件工程知识、领域理解与业务判断、对个人目标的探索和验证
• 通过 Managed Agents 与金融案例，理解平台能力、领域经验和减少交接之间的关系，思考如何在自己的团队中扩大负责范围
• 获得判断 FDE 与定制交付边界的几个问题，识别缺乏复用、无限追加需求和持续依赖个人服务的风险
• 带着一个自己的探索问题离场，找到一个可以开始、能够获得反馈的具体行动