外观
01 一个定义
AI Native Builder:一个人 + AI,用 AI 原生的方式,构建从需求到交付的完整闭环。
这本小册里的所有内容,都从这一句定义出发。它有三个部分,每个部分都有分量。
一个人 + AI
先看主语:一个人。
不是一个团队,也不是「一个人带一群人」,而是一个人,加上 AI。
这里的 AI 不是一个聊天框,而是一批能干活的 Agent:Claude Code、Codex、OpenCode……它们能读代码、写代码、跑测试、开浏览器验证页面、部署上线。一个人可以同时调度好几个,让它们并行处理不同的任务。
那人负责什么?人负责 AI 替代不了的部分:
- 判断什么是对的:需求要做到什么样,哪些场景必须覆盖,什么可以不做;
- 在关键节点拍板:验收标准对不对,设计选哪一版,能不能上线;
- 为结果负责:出了问题,由人决定是修复还是回滚。
所以「一个人 + AI」不是「AI 把活干完,人在旁边看着」。准确地说:AI 负责执行,人负责判断和兜底。
用 AI 原生的方式
这是最容易被忽略、也最关键的部分。
很多人用 AI 的方式是:原来的流程不变,在某一步里用 AI 加速。原来手写代码,现在让 AI 补全;原来手写测试,现在让 AI 生成。这当然有用,但它是「用 AI 的方式」,不是「AI 原生的方式」。
AI 原生的意思是:有了 AI 之后,事情本来就应该这样做。不是在旧流程上贴 AI,而是假设 AI 从一开始就在,重新设计整个流程。
这一点展开讲,是下一章的内容。
构建从需求到交付的完整闭环
最后看宾语:从需求到交付的完整闭环。
两个关键词:
- 从需求到交付:起点是一个需求,可能清晰也可能模糊;终点是一个真正交付出去、有人在用的结果。中间经过需求梳理、产品设计、UI/UX、前后端开发、测试、部署上线,这些原本分散在不同岗位上的环节,现在都在一个人手里。
- 闭环:交付不是终点。上线之后有反馈,有 Bug,有新需求,这些信息要回流到下一轮。
现在很多人都能用 AI 快速生成一个 MVP,设计、前后端、部署一应俱全。但一条走完就结束的 MVP Demo 流水线,不是闭环;能从失败里学习、让下一次做得更准的,才是闭环。
以我做的 CanvasAgents 为例。它是我日常工作的主力工具,也是我一个人 + AI 做出来的,需要长期迭代:加新功能、修 Bug。它不是一个 MVP,而是一次又一次「从需求到交付」的闭环:每次上线都会收到「失败」的反馈,下一次的需求到交付就会做得更好。
在这个闭环里要考虑的东西很多。比如不同类型的需求:大功能、小功能、Bug 修复,都要有对应的 AI 调度流程;而好的 AI 调度流程,一定要有 AI 友好的底层架构作为支撑。第 9 章会回到这件事。
所以,如果你问「这是不是说,原本需要产品、设计、前端、后端、测试一起完成的需求,现在一个人加 AI 就能全部做出来?」答案是:是的,这就是这个概念。
三个常见误解
误解一:AI Native Builder = 会用 AI 写代码的程序员。
不是。只会用 AI 写代码,解决的是「开发」这一个环节。AI Native Builder 要对整个闭环负责,包括你以前觉得「不是我的活」的那些:需求说不清楚、设计没定、验收标准没人写、上线后没人看监控。
误解二:AI 足够强,人就不需要判断了。
恰恰相反。AI 越强,执行越便宜,判断就越值钱。AI 一口气能生成上万行代码,如果方向错了,浪费的也是上万行。
误解三:一个人做完整个闭环,质量一定比团队差。
质量不取决于参与的人数,取决于有没有一套保证质量的机制。团队协作里,质量靠岗位之间互相把关;一个人 + AI,质量靠的是本书第三部分的 AI Native 交付质量三角模型。
小结
| 定义中的部分 | 它的意思 | 对人的要求 |
|---|---|---|
| 一个人 + AI | AI 负责执行,人负责判断和兜底 | 会调度 Agent,更要会判断 |
| 用 AI 原生的方式 | 假设 AI 从一开始就在,重新设计流程 | 不在旧流程上贴 AI |
| 构建从需求到交付的完整闭环 | 一个人覆盖所有环节,失败能回流 | 对最终结果负责 |