AI 改变了我的哪些习惯
内容提要
AI改变了作者在编码、知识传递、研发范式和人才理解上的习惯。编码上，AI简化了固定步骤，但需经验约束和测试把关；知识传递上，AI生成内容需谨慎判断，强调系统性整理；研发范式上，AI提效受限于组织流程，需打通测试环境；人才上，需守住底线，判断AI对错，定义结果标准。
延伸解读
AI 提效的边界：经验与测试
作者指出，AI 在编码中简化了固定步骤，但经验变得更重要，因为经验决定了如何约束 AI 的过程；测试也更重要，因为测试决定了如何把关结果。例如，AI 生成的前端代码表面正常，但控制台报错，需要测试兜底。这提醒我们，AI 提效并非万能，尤其在陌生领域，需要人工经验和测试来确保质量。
知识传递的陷阱：AI 的迎合性
作者认为，聊天 AI 善于发现知识漏洞，但也非常会迎合用户，导致几轮问答后自我感觉良好，但学习路径因人而异，启发自己不代表能启发别人。因此，直接转发 AI 聊天记录与转发公众号文章无异，需要更系统的知识整理方式，如从现状、目标、解法选择等维度进行结构化梳理，才能有效传递知识。
研发范式未变，AI 提效有限
作者观察到，尽管代码 AI 生成率高，但交付周期改善不明显，根源在于研发范式未变：角色间互相等待、资源瓶颈、人成为信息搬运工。要突破，需打通测试环境，使环境对 AI 友好，并允许不同业务线采用不同 AI 接管程度。否则，AI 提效只是局部，无法转化为组织效率。
人才需求：从执行到判断
作者认为，AI 时代的人才需守住底线、承担代价，能判断 AI 对错，定义结果标准，并理解验证和评测工程。技术负责人要求更高，需深入一线，平衡效率与质量，管理人与 AI 的混合团队。这强调了人的判断力和责任感，而非单纯加班与 AI 对话。
Q&A
AI 在编码方面给作者带来了哪些变化？
AI 简化了固定步骤的工作，比如添加书籍到书架、生成临时脚本等，但作者强调经验变得更重要，因为需要判断 AI 生成代码的可靠性，同时测试也更重要，因为 AI 生成的代码可能存在隐藏错误，需要测试来把关。
作者认为 AI 生成的内容在知识传递方面有什么风险？
作者认为 AI 生成的内容（如图片、表格）可能带有“AI 风格”，需要谨慎判断其真实性。同时，AI 对话容易迎合用户，可能导致用户高估自己的理解，且这种“因材施教”的路径不适合直接转发给他人。因此，需要更系统性的知识整理和传递方式。
为什么 AI 提效在组织层面不明显？
因为研发范式没有改变，存在角色互相等待、资源等待、人成为信息搬运工等问题。虽然个人 coding 变快，但整体交付周期改善有限，需要打通测试环境、权限、CICD 等，并允许不同业务线采用不同的 AI 接管程度。
作者认为好的测试系统应该实现什么效果？
好的测试系统应该实现：RD 修改代码后，AI 能自动启动服务、执行接口测试、构造不同配置与边界场景，并输出验证结论。这样能减少人工干预，提高效率。
作者对人才需求的变化有什么看法？
作者认为人才需要守住底线、承担代价，能够判断 AI 的对错，定义结果标准，并细化为指标。技术负责人需要深入一线，平衡效率和质量，管理人与 AI 的混合团队。
作者为什么认为 QA 合并到 RD 部门是不合理的？
作者认为测试很重要，AI 生成的代码需要测试来把关，而 QA 合并到 RD 部门可能削弱测试的独立性，与作者强调的“测试更重要”的观点相反。
