AI 时代，重新理解成长｜一份持续 260 期技术小报背后的技术观察

有些成长，在发生的时候并不明显。

很多事情当时看起来只是一些普通的小事：
整理一次资料，读完一篇文章，
或者只是把一件事情持续做了很久。

直到很多年以后，当你回头看的时候，才会意识到——
那些看起来彼此无关的点，
已经在时间里慢慢连在了一起。

很多年前，我对“成长”的理解其实很简单。

无非是掌握更多技术、做更复杂的事情，或者承担更大的责任。

后来过了一段时间，我才慢慢意识到，好像也不完全是这样。

有些变化，并不会立刻体现在能力上，而是慢慢发生在看问题的方式上。

比如，从做事情本身，慢慢开始理解事情背后的系统；
从单纯地学习知识，慢慢变成去看技术是怎么演进的。

这些变化在当时并不明显。

很多事情只是自然地发生。

直到很多年以后，当我回头看 2020 年整理的第一期前端小报时，才突然意识到：
很多事情在发生的时候，并没有明确的意义。

但当环境发生变化时，那些长期积累的点，往往会突然开始互相解释。

那份前端小报，其实一开始只是团队里的一个分享环节。

2020 年的时候，我们团队每周会有同学整理一些前端相关的技术资讯，在周一的例会上简单分享。

轮到我那次，我花了一些时间去找资料：开发者博客、技术社区讨论、各公司的工程文章。

当时只是觉得，如果要分享，就尽量整理得完整一点。

后来不知道从什么时候开始，这件事情就慢慢变成了我在持续维护。

因为小报固定在周一发布，我通常会把周末的一段时间留出来，把这一周出现的一些文章集中读一遍，再整理成一份简短的记录。

时间久了，这变成一种很自然的节奏：
每周看一次技术世界正在发生什么。

那时候并没有想过这件事情会持续多久，也没有觉得它有什么特别的意义。

只是觉得挺有意思，也顺便能帮助团队了解一些新的东西。

于是这件事情就这样持续了下来。

从最开始的小组内部，
到后来的大团队，
再到后来科研合作和交流的同学把小报推送到更大的技术群里以及在全公司技术头条推送。

很多事情其实没有特别的规划。

只是慢慢发生。

直到很多年之后，我回头看第一期小报的时候，突然有一个很具体的感觉。

那时候每一篇文章的摘要，都是我自己读完之后总结的。

而现在，同样的事情已经可以通过 AI 在很短时间内完成。

技术在变化。

但那一刻让我更强烈感受到的，其实是时间。

原来技术世界，也在被时间一点一点记录下来。

而那份小报，只是刚好留下了一些痕迹。

直到后来，一个更明显的变化出现了。

2022 年底 ChatGPT 发布之后，这种变化开始变得非常明显。

新的工具不断出现，开发者社区的讨论方向也开始发生变化。

小报里的内容，也慢慢从前端扩展到了 AI。

也是在那段时间，我才慢慢意识到一件事：
过去很多年，我其实一直在做一件事情——
观察技术是怎么变化的。

只是当时并没有意识到这一点。

整理到两百多期的时候，我开始有一种很明显的感觉。

技术社区每天都会产生大量信息，而 AI 已经可以在很短时间内完成整理和摘要。

慢慢地，我开始意识到，小报对我来说的意义，好像也在发生变化。

它不再只是整理当周的信息。

真正稀缺的，
反而变成另一件事情：
持续地看到变化。

于是我慢慢把小报的方式做了一点调整。

它不再只是整理资讯，而更像一份简单的 change log——记录技术世界正在发生的一些变化。

很多变化在当下看起来并不起眼。

但如果把时间拉长，一些零散的变化会开始连在一起。

当这些变化被持续记录下来时，一些更长期的趋势也开始浮现，让人隐约感觉到软件开发的执行方式正在发生变化。

后来回头看，我才意识到：
那些长期的记录，其实也是一种训练。

训练自己去分辨什么只是短暂的信息，什么可能是更长期的信号。

为了让这种观察能够持续，我也慢慢调整了信息获取的方式。

从最早通过 Feedly、博客和社区手动阅读，到后来借助 AI 工具进行自动化整理。

像 OpenClaw、n8n、Coze 这样的自动化工具，可以帮助完成信息抓取、初步筛选与摘要整理。

这样我不需要再从海量信息里逐条搜索。

可以把更多时间，
放在真正值得深入阅读的内容上。

技术本身在变化，
而观察变化的方式，也在变化。

在 AI 不断渗透和改变软件开发的过程中，我们看到了技术结构性变化。

过去，软件开发的效率和工作方式主要依赖于人工操作。

而如今，AI 和自动化技术的出现，让这一切变得不再一样。

通过长期观察 AI 与软件开发的互动，我慢慢看到几个越来越明显的趋势：

随着 AI 与自动化的不断应用，软件开发的流程和工作方式正在经历深刻变化。

这些趋势不仅意味着效率的提升，
也在改变软件开发的实践方式。

这种变化推动了我们对开发过程的重新理解，进而将其框架化为“9 Shifts”，帮助我们更好地解读从手动开发到智能协作的转变。

通过这一框架，我们可以更清楚地理解，AI 与自动化正在如何改变软件开发。

更多内容会在后续《企业研发 AI 自动化系列》文章中展开，敬请期待。

近段时间，我在主导并推进团队的 AI 研发自动化相关探索。

当前，大多团队仍然围绕终端 AI IDE 展开研发工作，
这也是今天最常见、最直接的一种实践形态，
体现了我们在推动端到端研发自动化方面的实践。

与传统的手动开发方式相比，AI IDE 提供了更高效的开发支持，使得我们能够通过 AI 智能化协作，高效生成代码并进行验证。

但自动化不仅仅是工具的应用。

它更是从任务执行到需求理解和结构化表示的一场转变。

在这个过程中，出现了一个新的变化：中间表示（IR，Intermediate Representation）的引入。

它让需求不再只是自然语言描述，
而是可以被系统理解和执行的结构化表达。

在自动化研发流程中，Task IR（任务结构化表示）成为连接需求建模与任务执行之间的一座桥梁。

通过这种结构化表示，AI 才能更准确地理解需求，并完成代码生成与验证。

当前团队的 AI 出码率已经达到约 50%+，
而自动化目标是在今年进一步提升到 N0%+。

但这个目标并不只是关注代码量的生成。

更重要的是通过自动化执行与验证，确保生成代码的质量和开发效率，并逐步实现规模化的自动化研发。

在我们的实践中，
变化的并不只是代码生成。

更重要的是，逐渐建立起
“需求建模 - 任务执行 - 任务验证”的闭环。

这一切背后，是我们对端到端自动化的不断探索：
通过智能化协作，
从需求理解到代码生成，再到验证，
逐步推进自动化流程，持续推动研发效率的提升。

如果要给刚进入公司的同学，或者正处在职业迷茫期的朋友一点建议，我大概会说三件事情：

回头看这些年，我仍然不太确定那些点最终会连成什么样。

很多时候，成长并不是一条可以提前规划好的路径。

我们只是不断做一些当下看起来普通的小事。

直到某一天回头看的时候，
才意识到那些看似零散的点，已经在时间里慢慢连在了一起。

很多时候，我们只是
在尚未确定时，仍然选择成为自己正在看见的那种人。

技术在变化。
而成长，有时候只是时间留下的一条轨迹。

关于这些变化背后的思考，
我也还在持续整理和写作。

或许有一天，
这些零散的观察，
也能慢慢连成一套更完整的解释框架。

如果你对这些问题感兴趣，
欢迎交流。