> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh-hant/2025/w44-formulating-next-years-technical-decisions-for-ai-coding.md).

# W44-構思明年 AI Coding 技術決策

最近在思考明年在AI Coding上如何設定目標、要投入多少，構思一下這類技術決策的框架。今年AI Coding還處於個人提效階段，如果從構建組織能力的視角去看，我們的資源投入度約等於 0。

**先看內外部環境能給我們多大的成本空間。**

業務的成本空間是決定性變量。明年AI大概率不會有今年如此的熱度了，內外部環境決定的成本寬容度都會衰減，今年錯過的明年就不會再有了。

對於全棧工程師應該分級討論。一名能在各專棧都達到平均期望水平的全棧工程師，培養成本和週期都非常高。更現實的做法是圈定一個場景範圍，設定可達成的目標。比如在半年內能培養具備某個泛化業務場景的全棧工程師，比專棧協同模式能縮短交付週期多少倍，或節約多少人力。

**再摸清工程極限。**

不斷深入認識一簇技術和工程的邊界與極限，要知道自己手裡的刀能切多大塊的肉。當前 LLM 和 Agent 的工程極限正在收斂。

模型能力撞牆，這是從眾多信息中倒推出的觀點。原因主要有三：

一是Sutton近期講的“大世界與小世界”，大模型不是真正的智能，是小世界，而且無法通過觀察持續學習；

二是scaling law這個重要的法則在Grok上印證了撞牆。Grok4已經是 20 萬卡的算力規模了，馬斯克又是一個絕對信仰工程的人， 最後市場反響一般，模型能力並沒有拉開絕對差距。很顯然，模型能力差不多的情況下， xAI在如何 deliver 給用戶的能力沒有OpenAI 和 Claude 強；

三是業界對跳出Transformer路徑依賴的期待遲遲未兌現，很多人期待的 Thinking Machine 大半年過去仍無突破；

由此我覺得模型能力的跨越式發展機會在收窄，蹲一蹲就好。這就好比從 Intel 到 M1 的跨越已經結束了，剩下的就是等 M2、M3...，再過幾年沒人記得現在是 M 幾了。

今年很多研究工作幫助我們更清楚地認識了大模型的邊界，比如為什麼數不清 strawberry 中有多少個 r，為什麼存在幻覺以及不確定性，Context Rot等問題。

Agent作為一個工程的極限也在被逐步摸清，Agent與現實世界任務還有很大鴻溝。比如當代碼出問題時，簡單問題（語法錯誤）讓 AI 自己修，但複雜問題（邏輯錯誤、unexpected 錯誤）需要人先搞清楚問題，明確告訴 AI 該怎麼修，而不是把錯誤信息一股腦扔給 AI。如果你都不知道怎麼辦，把所有錯誤信息粘進去說”AI 你修吧”，結果 AI 瞎改一通，只會越搞越糟。

明年產業關注度會更加向效益和應用傾斜。一個可能是成本，現在大模型的調用還是貴，最終有可能走向邊際成本遞減，比如像DeepSeek-OCR這類工作不斷湧現。另一個是Agent生態的構建可能會有更大體量的爆發。

**最後找到合適的場景和路徑。**

AI Coding 雖然代理了一部分工作、加速了學習週期，但最終能勝任的人還是要補全知識體系並構建新的認知，這個過程依然少不了。務實的工程師都能理解這需要一個週期，每一次探索都是新舊之間的博弈，博弈的結果就是找到自己最具性價比的場景和定位。前端曾經歷過 Node 全棧的浪潮，雖未成為主流，但“Node 應該做什麼”如今已無需爭論，這個過程用了 3–5 年。此外，是不是真的懂服務端也決定了能走多深，有一些問題域前端是沒有經驗的，比如進程模型與併發控制、數據庫與事務、身份驗證與安全模型、服務擴展與容災等。這些都決定了全棧不是一個跳變，而是一個連續博弈的光譜。