ARTICLE · 人工智能
我对 AI Coding 的一点思考：从 Spec 驱动转向环境与验证驱动
一语总结随着 AI 模型在代码生成基准测试中取得高分，Coding 环节已趋近被解决，但研发整体效率并未同步提升，瓶颈已转移至编码之外的环境与验证环节。作者通过类比电气化革命中从 '电力轴传动' 到 '单元驱动' 的转变，批判了当前将 AI 简单嵌入原有固定工作流（Spec 驱动）的做法，认为这限制了 AI 的自主性且收益线性递减。文章主张转向 '环境与验证驱动'，即停止在提示词编排等易被模型迭代抵消的领域过度投入，转而致力于将企业内部构建、部署、测试、监控等研发系统改造为 AI 可调用的工具和环境，使 AI 能自主获取反馈并独立运转。这种围绕自有环境资产的投入能与模型能力形成乘法效应，从而持续放大 AI 带来的生产力红利。
本文指出，尽管 AI 模型在代码生成基准测试中表现出色，但实际研发效率并未显著提升，因为瓶颈已转移到编码之外的环节。作者批判了将 AI 简单嵌入现有固定工作流（Spec 驱动）的做法，认为这限制了 AI 的自主性并导致收益递减。相反，文章主张转向 '环境与验证驱动'，即改造企业内部的构建、部署、测试、监控等系统，使其成为 AI 可调用的工具和环境。这种方法允许 AI 自主获取反馈并独立运转，从而与模型能力形成乘法效应，持续放大生产力红利。
- Coding 环节已趋近被解决，但整体研发效率未同步提升
尽管 AI 模型在代码生成基准测试中取得高分，实际研发效率并未显著提升，因为瓶颈已转移到编码之外的环节，如环境配置、验证和发布流程。
- 批判 'Spec 驱动' 的 AI 嵌入方式
当前将 AI 简单嵌入原有固定工作流（Spec 驱动）的做法限制了 AI 的自主性，导致收益线性递减。这种方式要求 AI 严格遵循预定义步骤，而无法利用其自主探索和优化的能力。
- 主张转向 '环境与验证驱动'
作者建议停止在提示词编排等易被模型迭代抵消的领域过度投入，转而致力于将企业内部系统改造为 AI 可调用的工具和环境。这使 AI 能自主获取反馈并独立运转，从而与模型能力形成乘法效应，持续放大生产力红利。
我对 AI Coding 的一点思考：从 Spec 驱动转向环境与验证驱动
本文指出，尽管 AI 模型在代码生成基准测试中表现出色，但实际研发效率并未显著提升，因为瓶颈已转移到编码之外的环节。作者批判了将 AI 简单嵌入现有固定工作流（Spec 驱动）的做法，认为这限制了 AI 的自主性并导致收益递减。相反，文章主张转向 '环境与验证驱动'，即改造企业内部的构建、部署、测试、监控等系统，使其成为 AI 可调用的工具和环境。这种方法允许 AI 自主获取反馈并独立运转，从而与模型能力形成乘法效应，持续放大生产力红利。
大淘宝技术团队的永霸提出一个直接判断：Coding 在研发链路中只占约 20% 至 30%，即使把生码压到接近零，构建、部署、测试、监控与发布仍会限制整体效率。一个改码加本地验证只需 1 小时的需求，最终上线却花了 3 周。与其继续优化会被下一代模型吸收的提示词和固定流程，不如把企业内部环境改造成 Agent 可调用、可反馈、可验证的资产。模型是租来的能力，环境才是会持续增值的自有因子。
文章金句
"别卷提示词，把内部系统改造成 AI 可调用的环境。
"<|channel>thought <channel|>这条路线有一个结构性天花板：它优化的是 '人使用 AI 的方式'，而不是 'AI 使用环境的方式'。
"<|channel>thought <channel|>我们要做的是主动把内部的研发工作流改造成 '有反馈、可验证' 的环境。