一句prompt就是一個(gè)產(chǎn)品？“Agentic AI第一股”掌門(mén)人：軟件正在變成快消品

作者 ｜ 木子

“你但凡真做 AI，就一定會(huì)覺(jué)得數(shù)據(jù)重要；不覺(jué)得數(shù)據(jù)重要的人，大概率就沒(méi)真正做過(guò) AI。”

北大數(shù)院校友、“全球 Agentic AI 第一股”背后的創(chuàng)始人吳明輝語(yǔ)氣平和卻篤定。北京早春的陽(yáng)光瀉過(guò)會(huì)議室的大落地窗，寒意被擋在窗外。

去年 11 月，吳明輝創(chuàng)辦的企業(yè)級(jí)數(shù)據(jù)智能公司明略科技在港交所敲鐘上市，目前市值已突破 340 億。

這家公司之所以被外界稱(chēng)為“全球 Agentic AI 第一股”，是因?yàn)樗麄冏龅牟恢皇悄Ｐ停且徽?strong>能替企業(yè)完成工作的 AI agent 系統(tǒng)：AI 不只是回答問(wèn)題，還能自己分析數(shù)據(jù)、完成任務(wù)。

事實(shí)上，吳明輝很早就在為這件事做鋪墊。

幾年前，明略科技收購(gòu)了一家叫夜鶯科技的公司——那也是Manus創(chuàng)始人肖弘的第一家創(chuàng)業(yè)公司。當(dāng)時(shí)夜鶯科技在企業(yè)微信生態(tài)里已經(jīng)是安裝量很高的一款應(yīng)用。

吳明輝的想法其實(shí)很簡(jiǎn)單：如果一個(gè)產(chǎn)品已經(jīng)擁有不錯(cuò)的用戶(hù)入口，再疊加 AI agent，很多事情就會(huì)順得多。

后來(lái) AI agent 概念爆火，Manus 迅速出圈，這筆當(dāng)年的收購(gòu)才被更多人重新注意到。

和近年一些迅速崛起的 AI 公司不同，吳明輝帶領(lǐng)著明略，已經(jīng)在“數(shù)據(jù)”這條路上走了近 20 年，在數(shù)據(jù)與 AI 的交界處長(zhǎng)跑。

但實(shí)際上，吳明輝起初并不是做數(shù)據(jù)的。

他在 2000 年被保送進(jìn)北大數(shù)學(xué)系，2004 年起在北大攻讀 AI 方向的碩士，那一年，國(guó)內(nèi)連“大數(shù)據(jù)”這個(gè)詞都沒(méi)怎么聽(tīng)過(guò)，AI 更是沒(méi)什么影。

吳明輝在研一研二做的是 CV，也就是商湯等幾個(gè)“AI 四小龍”后來(lái)做火了的機(jī)器視覺(jué)。在研三時(shí)，他轉(zhuǎn)頭做起了推薦系統(tǒng)，碩士畢業(yè)論文標(biāo)題為《基于語(yǔ)言模型的推薦系統(tǒng)》，又意外踩中了大語(yǔ)言模型的早期脈搏。

當(dāng)時(shí)他興沖沖地拿著這套想法出去創(chuàng)業(yè)融資，卻發(fā)現(xiàn)該方向雖然從學(xué)術(shù)角度講挺好，但它在商業(yè)化中間缺了關(guān)鍵一環(huán)——沒(méi)有數(shù)據(jù)。沒(méi)有數(shù)據(jù)的話(huà)就做不了推薦。

總而言之，誤打誤撞地，吳明輝就開(kāi)始做數(shù)據(jù)了。

因?yàn)樗溃徽撌窍胱龊?CV，還是做好推薦系統(tǒng)，都得先有足夠的、高質(zhì)量的數(shù)據(jù)：

“我們其實(shí)在 2006、2007 年做 AI 的時(shí)候，就已經(jīng)意識(shí)到了數(shù)據(jù)的重要性。”

本期《C 位面對(duì)面》，極客邦科技創(chuàng)始人兼 CEO 霍太穩(wěn)（Kevin），和明略科技創(chuàng)始人、CEO 兼 CTO 吳明輝坐下來(lái)聊了聊。

他們談的不是融資故事，也不是行業(yè)口號(hào)，而是一些更有意思的問(wèn)題：AI 會(huì)怎樣改變公司組織、軟件行業(yè)會(huì)有什么變化、工程師未來(lái)到底在做什么等等。對(duì)于最近大火的 Agent，吳明輝也分享了自己獨(dú)到且有深度的見(jiàn)解。

這里先來(lái)劃下重點(diǎn)：

• AI 的本質(zhì)是一種“翻譯器”：把問(wèn)題翻譯成答案，也把不同知識(shí)體系之間的語(yǔ)言翻譯給彼此。

• Vibe coding 真正進(jìn)入生產(chǎn)環(huán)境的前提，是完善的測(cè)試體系和 benchmark，而不是代碼，因?yàn)闆](méi)人能逐行審查 AI 寫(xiě)的代碼。

• “下一步是什么”非常關(guān)鍵，很多東西能在論文里看出來(lái)。

• 未來(lái)軟件行業(yè)可能會(huì)越來(lái)越像 Shein：開(kāi)發(fā)成本下降，產(chǎn)品迭代更快，一個(gè) prompt 都可能變成產(chǎn)品。

• Agent 發(fā)生巨變，從 workflow 到 agent loop，再到 skill。從“人設(shè)計(jì)流程”，到“AI 自己規(guī)劃任務(wù)”，再到把成功經(jīng)驗(yàn)沉淀為可復(fù)用的技能庫(kù)。

• 工程師未來(lái)真正的價(jià)值，在于探索新的“環(huán)境”，并把未知系統(tǒng)接入 AI。

• AI native 組織里，每個(gè)人都是管理者：只是以前管理人，現(xiàn)在更多是在管理 AI。

• AI 時(shí)代最重要的個(gè)人能力之一是“Taste”。你要定義目標(biāo)，而不是告訴 AI 每一步怎么做。

• 在 AI 時(shí)代，公司要想做出真正的戰(zhàn)略，一個(gè)關(guān)鍵前提是把需求側(cè)（比如場(chǎng)景）和供給側(cè)（比如技術(shù)）連接起來(lái)。

1 AI 是最好的“翻譯者”，數(shù)學(xué)是“最精確的語(yǔ)言”

首先，一個(gè)有意思的事情是：即便公司現(xiàn)在已經(jīng)上市，在繁忙的日程里，吳明輝依然把不少精力放在產(chǎn)品和技術(shù)一線。

作為明略科技的創(chuàng)始人和 CEO，他至今還長(zhǎng)期親自兼任 CTO。

為什么都這么忙了，還要親自做 CTO？

吳明輝的回答直截了當(dāng)：

“我在公司創(chuàng)辦之初就是 CTO，到現(xiàn)在也還是。中間有一兩年曾經(jīng)交給別人做 CTO。 公司到現(xiàn)在快 20 年了，其實(shí)大概有 90% 的時(shí)間都是我在做 CTO。”

第一個(gè)原因就是這么“簡(jiǎn)單粗暴”：他喜歡這個(gè)位置。

不過(guò)對(duì)他而言，這種角色疊加也不只是個(gè)人偏好，更是和 AI 帶來(lái)的變化有關(guān)：“人工智能把很多行業(yè)的鏈路進(jìn)一步縮短了。”

互聯(lián)網(wǎng)時(shí)代已經(jīng)發(fā)生過(guò)一次類(lèi)似的變化。以零售為例，電商讓供給和需求之間的距離被迅速拉近。

而如果再往前一步看，人工智能正在把不同角色、不同專(zhuān)業(yè)之間的距離也一起拉近。

為什么 AI 會(huì)帶來(lái)這樣的變化？吳明輝給出了一個(gè)很有意思的理解：AI 本質(zhì)上是世界上最好的“翻譯者”。

“直觀來(lái)看，Transformer 的第一篇論文其實(shí)講的就是翻譯任務(wù)。當(dāng)時(shí)作者也沒(méi)想到，未來(lái)會(huì)衍生出那么多下游能力。 但如果你看今天 AI 在做什么，本質(zhì)上無(wú)非是把一個(gè) prompt、一個(gè) question 翻譯成一個(gè) answer。這個(gè)過(guò)程，本身就是一種翻譯。

但還有另一種更有意思、更現(xiàn)實(shí)的 “翻譯”：幫助不同工種之間進(jìn)行溝通。

打個(gè)比方，客戶(hù)以前覺(jué)得跟工程師交流太費(fèi)勁，工程師也覺(jué)得聽(tīng)不懂客戶(hù)；還有醫(yī)生講一堆醫(yī)學(xué)邏輯，病人可能一頭霧水。而現(xiàn)在，很多人弄不清對(duì)方意思時(shí)，可以直接把對(duì)話(huà)丟給大模型，先讓 AI 解讀一遍。

這主要得益于，今天的大模型已經(jīng)擁有非常廣泛的通識(shí)知識(shí)。在某種程度上，它像一種“通用翻譯器”，可以補(bǔ)足每個(gè)人知識(shí)結(jié)構(gòu)里的短板。

過(guò)去承擔(dān)這種角色的，往往是專(zhuān)業(yè)人士。

比如律師。明略科技上市時(shí)，需要公司的中國(guó)律師、券商的中國(guó)律師、公司的海外律師、券商的海外律師。

這些律師做的事情，其實(shí)也是“翻譯”：把監(jiān)管規(guī)則翻譯給公司，再把公司的信息翻譯成資本市場(chǎng)能理解的語(yǔ)言。

而 AI 的出現(xiàn)，讓這種“翻譯”的成本大幅下降。產(chǎn)業(yè)鏈路因此被進(jìn)一步壓縮，需求側(cè)和最底層的技術(shù)供給，被拉得越來(lái)越近。

在吳明輝看來(lái)，“翻譯”這事不只發(fā)生在 AI 身上，也貫穿著他對(duì)數(shù)學(xué)和技術(shù)的理解。

被保送進(jìn)北大數(shù)學(xué)系的他，謙虛地笑稱(chēng)自己現(xiàn)在只算個(gè)“數(shù)學(xué)愛(ài)好者”，不過(guò)數(shù)學(xué)確實(shí)深刻影響了他的思維方式。

他提到自己有個(gè)使命，是“把數(shù)學(xué)之美傳遞給身邊的人”。

在他看來(lái)，這個(gè)使命對(duì)他做科技的幫助也很大，因?yàn)樵S多科技產(chǎn)品的底層邏輯，其實(shí)都可以用數(shù)學(xué)來(lái)解釋?zhuān)?/p>

“當(dāng)我把產(chǎn)品底層的數(shù)學(xué)原理自己想清楚，再相對(duì)清晰地講給合作伙伴、客戶(hù)、團(tuán)隊(duì)里非技術(shù)同學(xué)、甚至投資者聽(tīng)，我其實(shí)也在做翻譯。 當(dāng)這件事講清楚了，公司會(huì)受益：原本不懂的人懂了，懂了之后資源就會(huì)來(lái)，大家就能團(tuán)結(jié)起來(lái)把事情做成。 在我看來(lái)，數(shù)學(xué)是人類(lèi)最精確的語(yǔ)言。”

從某種角度上，這些經(jīng)歷和見(jiàn)解，也解釋了吳明輝為何要長(zhǎng)期擔(dān)任明略科技的 CEO 兼 CTO：

“做 CEO，我需要和投資者、重要客戶(hù)、合作伙伴交流。 做 CTO，我要深入到一線，甚至未來(lái)可能我既不是 CEO 也不是 CTO，而是公司首席研究員，專(zhuān)注研究最底層、最 fundamental 的算法——也就是供給側(cè)最核心的東西。 如果我能同時(shí)熟悉這兩邊，就能把公司的整體效率提升得非常高。”

他指出，在 AI 時(shí)代要做好公司的戰(zhàn)略，本質(zhì)上必須把供給側(cè)（比如技術(shù)）和需求側(cè)（比如場(chǎng)景）連起來(lái)。

在 AI 公司里，CEO 手里最關(guān)鍵的一項(xiàng)權(quán)力，是“算力分配權(quán)”。

當(dāng)公司花大量資金購(gòu)買(mǎi) GPU 時(shí)，是 all in 一個(gè)模型研發(fā)方向，還是分給多個(gè)研究團(tuán)隊(duì)探索？這既是技術(shù)決策，也是戰(zhàn)略決策。

“所以最理想的情況”，吳明輝說(shuō)，“是 CEO 和 CTO 本來(lái)就是同一個(gè)人。”

他還分享了一段很有趣的“八卦”：

“谷歌的研究員跟我說(shuō)：Gemini 之所以又突然“煥發(fā)青春”，最核心的原因是，（谷歌的）founder 回來(lái)了。他們覺(jué)得關(guān)鍵是谷歌的 founder 回來(lái)以后，開(kāi)始非常 top-down 地決定哪些事應(yīng)該做、哪些事不該做。 ...... 他親自坐鎮(zhèn)，親自抓團(tuán)隊(duì)該做什么、不該做什么，中間少了大量扯皮。如果他不回來(lái)，不可能把 Google Brain 和 DeepMind 合并起來(lái)。”

2 軟件行業(yè)可能會(huì)越來(lái)越像“快時(shí)尚”

在吳明輝看來(lái)，這種 AI 帶來(lái)變化的影響，當(dāng)然還不止于公司戰(zhàn)略——AI 還正在重塑軟件開(kāi)發(fā)行業(yè)本身。

他拋出了一個(gè)很有意思的預(yù)判：未來(lái)的軟件行業(yè)，可能會(huì)越來(lái)越像 Shein 那種“快時(shí)尚”：生產(chǎn)更快、生命周期更短、產(chǎn)品更多，但單個(gè)產(chǎn)品的價(jià)值更分散。

本示意圖由 AI 生成

背后的主要邏輯是，有了 AI 輔助后，軟件開(kāi)發(fā)門(mén)檻和的生產(chǎn)成本驟降；當(dāng)然，一個(gè)產(chǎn)品的收益可能也會(huì)隨之迅速下降：

“以前一個(gè)軟件可能賣(mài)五年，生命周期給公司賺幾億；以后你做得快，收錢(qián)也別指望太多。 你做一個(gè)產(chǎn)品，最后能收回一百萬(wàn)可能就不錯(cuò)了，因?yàn)槟憧赡苤换ㄒ蝗f(wàn)塊就做出來(lái)了，甚至寫(xiě)幾行 prompt 就能跑起來(lái)。這個(gè)變革和挑戰(zhàn)都很大。”

“你能想象嗎？”他說(shuō)，“一個(gè) prompt 可能就是一個(gè)產(chǎn)品。”

因?yàn)樵诤芏鄨?chǎng)景里，產(chǎn)品真正的價(jià)值并不在于代碼，而在于它解決的那個(gè)問(wèn)題。

比如你問(wèn)：“這家公司增長(zhǎng)的瓶頸在哪里？”如果一個(gè)系統(tǒng)能夠調(diào)用數(shù)據(jù)、跑分析、生成報(bào)告，把這個(gè)問(wèn)題回答得足夠清楚，那本身就已經(jīng)是一種產(chǎn)品。

不過(guò)這樣的產(chǎn)品，大概率不會(huì)像傳統(tǒng)軟件那樣存在很多年。

數(shù)據(jù)在變化，市場(chǎng)在變化，競(jìng)爭(zhēng)環(huán)境也在變化。也許兩個(gè)月后，一個(gè)問(wèn)題就不再成立了。

當(dāng)軟件越來(lái)越輕、越來(lái)像“快時(shí)尚”時(shí)，它們可能就不再是一個(gè)個(gè)龐大的系統(tǒng)，而是一堆可以被 AI 調(diào)用、拼接組合的小工具。

在明略?xún)?nèi)部，這種工作方式其實(shí)已經(jīng)出現(xiàn)了。吳明輝說(shuō)，明略以前有幾百人專(zhuān)門(mén)做 data mining、數(shù)據(jù)分析；但現(xiàn)在，公司很多分析工作都開(kāi)始在一個(gè)叫DeepMiner的系統(tǒng)里跑。

在吳明輝看來(lái)，這個(gè)系統(tǒng)現(xiàn)在幾乎成了團(tuán)隊(duì)的核心工作入口：“你想象一下，一個(gè)軟件比 Office 還重要。”

他團(tuán)隊(duì)現(xiàn)在的工作方式，稱(chēng)為“駕馭模式（Harness mode）”：把一個(gè)崗位需要用到的各種工具，比如數(shù)據(jù)系統(tǒng)、分析工具、模型能力，全部接入到一個(gè)統(tǒng)一的入口里。員工不再是在不同軟件之間來(lái)回切換，而是在一個(gè)界面里“駕馭”這些工具完成任務(wù)。

當(dāng)軟件可以變成一堆能被 AI 調(diào)用、拼接的工具時(shí)，那么很多傳統(tǒng)軟件的邏輯，可能也要跟著變一變了。

過(guò)去的企業(yè)級(jí)應(yīng)用軟件，大多是一個(gè)個(gè)獨(dú)立的系。用戶(hù)要學(xué) Salesforce、學(xué) CRM、學(xué) ERP，每個(gè)系統(tǒng)都有自己的一套界面和操作邏輯。很多人在公司里干的第一件事，其實(shí)就是先花幾個(gè)月學(xué)軟件。

但如果這些系統(tǒng)本身有 API，事情就會(huì)變得完全不一樣。

AI 可以把這些系統(tǒng)接在一起。你不再需要記住哪個(gè)按鈕在哪個(gè)菜單里，只需要把目標(biāo)說(shuō)清楚——剩下的事情，可以讓 agent 去拆任務(wù)、調(diào)系統(tǒng)、把事情一步步跑完。

某種程度上，人不再是在“操作軟件”，而是在指揮軟件干活。

“你甚至不需要把某個(gè)軟件學(xué)得特別熟。”吳明輝說(shuō)，“只要目標(biāo)清楚，AI 可以幫你把事情跑出來(lái)。”

他表示，如果這種模式成立，那么很多傳統(tǒng)企業(yè)軟件的護(hù)城河也可能會(huì)動(dòng)搖：

“企業(yè)軟件的護(hù)城河，很多時(shí)候不是軟件本身，而是‘會(huì)用、會(huì)實(shí)施的人群’。 我們當(dāng)年最早用 C 語(yǔ)言寫(xiě)大數(shù)據(jù)分析系統(tǒng)，后來(lái)不得不換成 Hadoop（當(dāng)然今天又升級(jí)了）。 為什么？因?yàn)闀?huì)用 C 的人越來(lái)越少，招聘太難；會(huì)用 Hadoop 的人多，生態(tài)就更成熟。 長(zhǎng)期來(lái)看，會(huì)用 AI 寫(xiě)代碼的人只會(huì)更多。所以這些軟件當(dāng)年的護(hù)城河，可能就不再是護(hù)城河了。它的護(hù)城河本質(zhì)是‘那群人’。”

而在更底層的技術(shù)范式層面，agent本身也在發(fā)生變化：

“軟件在持續(xù)迭代，可能會(huì)顛覆上一代的東西。 大家都說(shuō) 2025 是 agent 元年，但其實(shí) 2024 也很多人在講 agent。只是 2024 講的 agent 和 2025 講的 agent，不是一回事。”

2023、2024 年大家討論的 agent，大多還是一種workflow：人先把流程設(shè)計(jì)好，第一步干什么、第二步干什么、第三步干什么，在幾個(gè)關(guān)鍵節(jié)點(diǎn)調(diào)用一下大模型。

說(shuō)白了，AI 只是流程里的一個(gè)“工具人”。

但到了 2025 年，很多人再提 agent，腦子里想到的已經(jīng)是另一種東西：像 Manus 這樣的agent loop。

這種模式里，人不再提前寫(xiě)好完整流程，而是把目標(biāo)丟給 AI，讓它自己去規(guī)劃步驟、執(zhí)行任務(wù)，做完之后還會(huì)自己反思、修改，再繼續(xù)往下推進(jìn)。

但 agent loop 有幾個(gè)明顯的問(wèn)題：不太可控。同一個(gè)任務(wù)，讓 AI 跑兩次，可能會(huì)給出完全不同的結(jié)果。有時(shí)候甚至?xí)霈F(xiàn)“幻覺(jué)”。不過(guò)換個(gè)角度看，這也讓它可能給出人類(lèi)事先想不到的答案。

相比之下，workflow 就穩(wěn)得多。流程早就寫(xiě)好了，第一步、第二步、第三步，按部就班地跑。但問(wèn)題是，如果你一開(kāi)始就不知道該怎么做，那也就根本沒(méi)法設(shè)計(jì) workflow。

另外，agent loop 的 token 消耗往往很高。比如 Manus，一個(gè)任務(wù)跑下來(lái)動(dòng)輒就要花掉幾美元。

于是很多團(tuán)隊(duì)開(kāi)始找一種折中的辦法。

在吳明輝看來(lái)，skill 就是這樣一種中間形態(tài)：

“ 一方面是平衡成本；另一方面也平衡了最后的可擴(kuò)展性、靈活性。 skill 是一種很理想的“把技能 / 工作方法沉淀下來(lái)”的方式：它有點(diǎn)像 chat 的模式，做完以后可以 save as 一個(gè) skill。 skill 相當(dāng)于把 chat 過(guò)程中 AI 的一些 planning 固化下來(lái)了，同時(shí)又保留了一部分 AI 繼續(xù)做 planning 的能力。 至于到底保留哪些、不保留哪些，是由 AI 去判斷；而這個(gè)判斷本身也可以持續(xù)迭代、持續(xù)優(yōu)化。”

3 AI 替代不了工程師的部分：探索“外部環(huán)境”

AI 帶來(lái)的變化，遠(yuǎn)不止軟件和產(chǎn)品本身。隨著 AI 顯著提升效率，公司的分工方式和組織結(jié)構(gòu)也在發(fā)生變化。

吳明輝提到，在明略科技，以前可能通常是一個(gè)產(chǎn)品經(jīng)理配四個(gè)工程師；產(chǎn)品經(jīng)理寫(xiě)需求、畫(huà)原型，工程師一行一行把系統(tǒng)實(shí)現(xiàn)出來(lái)。

但未來(lái)，這個(gè)比例可能倒過(guò)來(lái)：很多團(tuán)隊(duì)變成四個(gè)產(chǎn)品經(jīng)理配一個(gè)工程師。

他今年提出的要求是，產(chǎn)品經(jīng)理自己先用 AI 把原型、早期 MVP、甚至一部分功能都做出來(lái)，工程師更多是在關(guān)鍵環(huán)節(jié)補(bǔ)位，比如大數(shù)據(jù)和 Infra 這類(lèi)事情。

明略科技內(nèi)部，現(xiàn)在非常強(qiáng)調(diào)Vibe Coding。

過(guò)去大家對(duì)這種方式多少有些顧慮，很多團(tuán)隊(duì)只敢在原型階段用 AI 寫(xiě)代碼，很少真正帶到生產(chǎn)環(huán)境。

但現(xiàn)在 AI 生成代碼、生成圖的質(zhì)量在變高，很多問(wèn)題在逐步被解決：“你如果只在預(yù)研、測(cè)試環(huán)境用，不在生產(chǎn)環(huán)境用，其實(shí)很虧。”

他分享了一個(gè)公司里的小故事：

去年 1024 程序員節(jié)，明略辦了一場(chǎng)黑客馬拉松。他給團(tuán)隊(duì)出的題目聽(tīng)著挺唬人的：“五天復(fù)刻 Claude Code”。為了確保最后能按時(shí)完成，工程負(fù)責(zé)人先自己打了個(gè)樣。結(jié)果把他自己和吳明輝都嚇了一跳——一個(gè)人，五個(gè)小時(shí)，就復(fù)刻出來(lái)了。

“所以現(xiàn)在網(wǎng)上有人說(shuō)幾個(gè)小時(shí)復(fù)刻一個(gè)產(chǎn)品，我一點(diǎn)也不奇怪。”他說(shuō)，“完全 make sense。”

那面對(duì)這樣的情況，剩下的工程師會(huì)不會(huì)被“擠掉”？

吳明輝的回答很直接：不會(huì)，但角色會(huì)變。

如果想繼續(xù)做工程師，就要想清楚未來(lái)最值錢(qián)的能力是什么：

“AI 替代不了工程師的部分是什么？ 今天 AI 寫(xiě)代碼很強(qiáng)，但人類(lèi)工作的更大價(jià)值，是 探索外部環(huán)境 ，也就是 AI 還不知道的環(huán)境。 我說(shuō)的環(huán)境，類(lèi)似強(qiáng)化學(xué)習(xí)里的“環(huán)境”，就是我們所處的真實(shí)世界。 對(duì)工程師來(lái)說(shuō)，舉個(gè)例子：某家公司出了一個(gè)新數(shù)據(jù)庫(kù)、新 feature，這些 AI 可能還不知道；或者你要操控一個(gè)新版 Chrome，有新的能力和交互，這些 AI 也不一定掌握。 未來(lái)軟件工程師一個(gè)很重要的工作，是把這些新的外部環(huán)境探索清楚，再把它們和 AI 聯(lián)動(dòng)起來(lái)。 ...... 如果工程師還停留在舒適區(qū)，每天寫(xiě)常規(guī)代碼，那抱歉，未來(lái)肯定不需要你干那么多。”

他說(shuō)，比如 Netflix 的工程師，其實(shí)一直在做一件事：就是讓 Netflix 能在所有屏幕上跑。

電視、機(jī)頂盒、游戲機(jī)、XBOX，各種新設(shè)備層出不窮。每出現(xiàn)一種新終端，就意味著一套新的接口、新的限制。

這些東西 AI 不可能天然知道。所以工程師要先把這些“新環(huán)境”摸清楚，再把它們接進(jìn)系統(tǒng)，讓 Netflix 在每一塊屏幕上都能正常播放。

從這個(gè)角度看，工程師的工作，更像是在不斷把現(xiàn)實(shí)世界接入軟件系統(tǒng)。

不過(guò)，Vibe Coding 在生產(chǎn)環(huán)境中真的靠得住嗎？AI 一次生成十萬(wàn)行代碼，如果里面有 bug，誰(shuí)來(lái)負(fù)責(zé)、又該怎么改？

在吳明輝看來(lái)，這本質(zhì)上還是那個(gè)老問(wèn)題：“一個(gè) CTO 怎么管理一支大研發(fā)團(tuán)隊(duì)”：

“我記得 Anthropic 的一個(gè)產(chǎn)品負(fù)責(zé)人講過(guò)一個(gè)很經(jīng)典的點(diǎn)：CTO 怎么管大研發(fā)團(tuán)隊(duì)？你不可能看每個(gè)人的每一行代碼，即使你有權(quán)限也不可能。更何況有些方向你本身也未必全懂。

那怎么交付？怎么保證質(zhì)量？

上一代管理方法已經(jīng)有解法：靠測(cè)試。

你不用看代碼，你用單元測(cè)試、集成測(cè)試、用例覆蓋去證明它對(duì)不對(duì)——這不就是一種 benchmark 嗎？

所以做任何 AI 產(chǎn)品，或者基于 AI 做產(chǎn)品，你必須有清晰的判斷能力：能判斷好不好，不好就讓它改。

...... 第二個(gè)就是：最新論文我一定會(huì)親自看。看論文的目的，是要始終站在第一線，搞清楚下一步是什么。

很多東西在論文里能看出來(lái)，“下一步是什么”非常關(guān)鍵。

我們還好，因?yàn)榧扔心Ｐ脱邪l(fā)能力，也有應(yīng)用能力。

如果是純做 application 的團(tuán)隊(duì)，更需要看模型的進(jìn)展、理解下一步會(huì)發(fā)生什么。做 agent 的團(tuán)隊(duì)如果想在業(yè)界領(lǐng)先，一定要和做模型的人深度交流，始終知道“下一步”到底是什么。

你看當(dāng)時(shí) PIK 加入 Manus，其實(shí)就幫肖宏做到了一件很重要的事：跟研究員保持深度交流。后來(lái)肖宏也經(jīng)常和研究圈的人溝通。

所以這些事，我覺(jué)得作為 CTO，甚至作為 CEO，都應(yīng)該親自站在一線去做。”

簡(jiǎn)單來(lái)說(shuō)，只要底層組件是可靠的，上面的組合就不太會(huì)出大問(wèn)題。

同樣的邏輯，放到 AI 上也一樣。

復(fù)雜任務(wù)需要被拆成一棵任務(wù)樹(shù)，一直拆到最底層的葉子節(jié)點(diǎn)。

過(guò)去，在人管人的時(shí)候，葉子節(jié)點(diǎn)是工程師；而在 AI 系統(tǒng)里，葉子節(jié)點(diǎn)可能是函數(shù)庫(kù)、模型能力、數(shù)據(jù)接口。

在吳明輝看來(lái)，Vibe coding 真正進(jìn)入生產(chǎn)環(huán)境，并不意味著軟件工程突然換了一套全新的規(guī)則。

只不過(guò)被管理的對(duì)象變了——過(guò)去是管理者管一群工程師；而在 AI native 的組織里，所有人都是管理者，他們管一群 AI。

AI 會(huì)繼續(xù)改變軟件、組織和崗位等等。但在吳明輝看來(lái)，有些事至少短時(shí)間內(nèi)還不會(huì)變：

決定什么是對(duì)的、什么算好的，依然是人。

“我還是那句話(huà)：得目標(biāo)者得天下。

Andrej Karpathy 也講過(guò)，AI 是一種圍繞人制定目標(biāo)的新的計(jì)算范式。

所以要知道自己的目標(biāo)是什么。我的終極目標(biāo)永遠(yuǎn)是讓自己開(kāi)心。”

會(huì)議推薦

OpenClaw 出圈，“養(yǎng)蝦”潮狂熱，開(kāi)年 Agentic AI 這把火燒得不可謂不旺。在這一熱潮下，自托管 Agent 形態(tài)迅速普及：多入口對(duì)話(huà)、持久記憶、Skills 工具鏈帶來(lái)強(qiáng)大生產(chǎn)力。但這背后也暴露了工程化落地的真實(shí)難題——權(quán)限邊界與隔離運(yùn)行、Skills 供應(yīng)鏈安全、可觀測(cè)與可追溯、記憶分層與跨場(chǎng)景污染、以及如何把 Agent 納入團(tuán)隊(duì)研發(fā) / 運(yùn)維流程并形成穩(wěn)定收益。

針對(duì)這一系列挑戰(zhàn)，在 4 月 16-18 日即將舉辦的 QCon 北京站上，我們特別策劃了「OpenClaw 生態(tài)實(shí)踐」專(zhuān)題，將聚焦一線實(shí)踐與踩坑復(fù)盤(pán)，分享企業(yè)如何構(gòu)建私有 Skills、制定安全護(hù)欄、搭建審計(jì)與回放機(jī)制、建立質(zhì)量 / 效率指標(biāo)體系，最終把自托管 Agent 從可用的 Demo 升級(jí)為可靠的生產(chǎn)系統(tǒng)。