Skip to content

02 AI 原生:从按角色分工到按需求闭环 ​

AI 原生推翻的不是某个工具,而是「按角色分工」这个协作方式本身。

我们熟悉的那条流水线 ​

传统的产品研发,是按角色分工的:

text
产品经理 ──► 设计师 ──► 前端 / 后端 ──► 测试 ──► 运维
 写 PRD      出设计稿      写代码         测功能     上线

每个角色负责一段,做完交给下一个。这套分工在没有 AI 的年代很合理:每个环节都需要大量专业技能和人力,一个人不可能全部掌握,所以要拆开,让专业的人做专业的事。

但它有一个代价:交接。

  • 产品经理脑子里的画面,写成 PRD 时丢了一部分;
  • 设计师读 PRD,按自己的理解画稿,又丢了一部分;
  • 开发看着设计稿和 PRD 写代码,遇到没写清楚的地方,要么去问,要么自己猜;
  • 测试拿着 PRD 测,发现和开发理解的不一样,再回头对齐。

每次交接都在丢上下文、增加等待。一个需求真正花在「做」上的时间,可能还没有花在「对齐」和「等」上的多。

在旧流水线上贴 AI ​

AI 来了之后,最自然的做法是:流水线不变,每个角色各自用 AI 提效。

text
产品经理      设计师        前端 / 后端      测试         运维
 + AI 写 PRD   + AI 出图     + AI 写代码     + AI 写用例   + AI 写脚本

每个人都变快了,但交接还在。PRD 写得再快,设计师还是要读、要理解;代码生成得再快,测试还是要等开发交付。瓶颈从「做」转移到了「交接」和「对齐」,而这两件事,AI 在旧结构里帮不上忙。

这就是很多团队「人人都用 AI,整体效率却没怎么变」的原因。第二部分会用数据说明这件事。

一个身边的例子:打车 ​

这件事,我们每个人都亲身经历过。

十几年前在北京打车,除了站在路边招手,还可以打电话叫车。北京出租汽车调度中心 1995 年就成立了,专门撮合电话叫车京报网:你打电话过去,话务员记下你在哪、要去哪,再去找附近的空车。

电话是新技术,流程却是老流程:乘客 → 话务员 → 调度 → 司机,每一次转手都在丢信息、在等。2013 年北京把电话叫车统一成一个号码 96106,试运行三天,7594 个订单只成功了 3707 个,成功率不到一半。报道里有一个很典型的画面:电话约了车,路边几辆空车开过去,调度中心却一直等不到有车应召中新网 2013。

就在同一时期,打车软件出现了。快的 2012 年在杭州上线,嘀嘀 2012 年 9 月在北京上线中新网 2014。不到一年,北京就有大约三万名司机在用这两款软件,接近出租车总数的一半中新网 2013。

打车软件不是把电话换成了手机,而是站在「乘客要从这里去那里」这个需求上,把整条流程重做了一遍:你的位置自动发出,附近的司机直接看到,路线、价格、付款、评价都在同一个地方完成。中间那个话务员,不存在了。

电话叫车打车软件
新技术电话智能手机 + 定位
流程乘客 → 话务员 → 调度 → 司机乘客 ↔ 司机
本质在旧流程上贴新技术用新技术重建流程

在旧流水线上贴 AI,就是给调度中心装了一部更快的电话。 话务员接得再快,那几次转手还在。

再看一个 AI 产品自己的例子:扣子 ​

打车是上一个技术周期的故事。在 AI 产品自己身上,同样的事情也在发生。

以字节的「扣子」为例。它 2024 年 2 月上线,主打工作流搭建:把一件事拆成一个个节点,在其中某些节点里接入大模型,再把节点连成一条固定的流程。本质上,它是在流程的某个环节里加入 AI:流程是人提前画好的,AI 只负责其中的某几步。

这不是说它做错了。那会儿模型能力没那么强,让模型自己规划整条路径并不现实,人先把流程定死,是当时最稳妥的做法。

但随着模型能力的提升,产品形态也在变:你给它一个目标,它自己决策、规划整条路径,通过循环调用外部工具(tools)把事情做完,而不是走一条定死的流程。

扣子自己也在往这个方向转:

  • 2026 年 1 月,扣子宣布 2.0 品牌升级,推出 Agent Skills、Agent Plan 等能力。按官方的说法,用户只需要确定目标,扣子就能「持续执行,并向用户主动汇报、最终交付任务」科技日报;
  • 2026 年 10 月 29 日,扣子发布《扣子企业版下线公告》:企业标准版和企业旗舰版 11 月 30 日起停止接受新客户购买,2027 年 12 月 31 日全面下线扣子官方文档。

官方给的理由是「企业服务的产品整合与升级」,并没有说是因为工作流过时了。但把这两件事放在一起看,方向还是挺清楚的:在旧流程里加 AI,和让 AI 自己把流程走完,是两种完全不同的产品。

AI 原生:站在需求的角度重建流程 ​

AI 原生的做法是换一个起点:不从角色出发,从需求出发。

问自己:有了 AI 之后,要把这个需求从一句话变成一个上线的功能,最少需要哪些步骤?每一步谁来做最合适?

答案往往是这样一条流程(以我自己的研发工作流为例):

text
① 需求分析与 Spec ─► ② 人审验收标准 ─► ③ 设计 ─► ④ 编码 + 自动验证
        AI 追问 + 人回答       人工闸门          AI 出方案,人挑    AI 写代码,AI 自测自修
                                                                       │
⑦ Production:监控、修复或回滚 ◄─ ⑥ Stage 人工验收 ◄─ ⑤ Stage 自动验证 ◄┘
        AI 定位,人决定               人工闸门                AI 回归测试

简单解释两个词:Spec 是需求规格说明,写清楚目标、边界和验收标准;Stage 是预发布环境,和线上环境一致,但不面向用户。

和传统流水线比,有三个根本区别:

  1. 没有角色之间的交接。 需求、设计、验收标准、代码都在一个人和他的 Agent 手里,上下文从头到尾不丢。
  2. 人只出现在需要判断的地方。 整条流程里人主要守两道闸门:第 2 步审验收标准,第 6 步按验收标准验收。其余环节由 AI 执行,并给出证据。
  3. 质量控制点前移、后延。 动手之前先定义什么是对的,发布之前用证据证明做对了,上线之后能接住失败。这三个控制点,就是第三部分要讲的三角模型。

AI 原生不等于全自动 ​

要强调一点:AI 原生不是「全交给 AI」。

AI 原生的流程里,人的工作量变少了,但人的每一个动作都更关键。人审验收标准时漏掉一个场景,AI 就会完美地交付一个有缺口的功能;人在 Stage 验收时走过场,Bug 就会直接到用户手里。

所以 AI 原生对人的要求更高,而不是更低。 你要懂需求、懂设计、懂代码、懂测试、懂上线,不是要亲手做每一件事,而是要能判断 AI 在每一件事上做得对不对。

这一点,招聘市场已经先一步给出了答案,第 4 章再细说。

小结 ​

这一章只需要带走一句话:AI 原生不是在旧流水线上贴 AI,而是站在需求的角度、假设 AI 从一开始就在,把流程重做一遍。 人在这条流程里做得更少,但每个判断都更关键。

《成为 AI Native Builder》1.0 · 程序员版