AI 参与了我 70% 的日常工作——工程师的定义正在被改写
先说结论
2025 年之前，我的开发流程是：读 PRD → 写 TD → 写代码 → 自测 → Code Review → 上线。AI 参与度大概 20%，主要是代码补全。
2026 年，AI 参与度超过 70%。不是 AI 变强了所以我偷懒了，而是每个环节的工作定义都变了——从「我来执行，AI 帮忙」变成「AI 来执行，我来判断」。
这篇文章做两件事：拆解 AI 在 SDLC 每个环节的实际落地效果，然后回答一个更根本的问题——当 AI 能做这些之后，「专家」到底意味着什么。
SDLC 全环节拆解
1. 需求理解：从「读文档」到「对话式拆解」
以前：拿到 PRD，从头读到尾，标记不清楚的地方，开会问产品经理。
现在：把 PRD 扔给 Claude，让它总结核心需求、列出模糊点、生成给 PM 的问题清单、做竞品对比。需求理解阶段从半天压缩到 1-2 小时。
更重要的是，AI 能发现人类容易忽略的逻辑漏洞——因为它会逐字逐句地检查一致性。
2. Design to Code：Figma MCP 是提速最明显的环节
Figma 推出了 MCP Server，AI 编程工具可以直接读取 Figma 设计文件的结构化数据——不是截图识别，而是组件、变量、布局、间距的完整信息。
实际效果：一个页面从「开发手动还原」的半天到一天，变成了「AI 生成 + 人工调整」的 2-3 小时。Figma 的 /implement-design 和 /create-design-system-rules 命令可以把设计意图直接转化为对齐设计系统的精确实现。
3. 编码：三个工具，各有战场
| 工具 | 适用场景 | 优势 |
|---|---|---|
| Cursor | 日常开发、中等复杂度任务 | IDE 集成深、多 Agent 并行、上下文感知强 |
| Claude Code | 大型重构、多文件任务、架构级改动 | 终端操作、git 原生支持、自主 Agent 能力 |
| GitHub Copilot | 快速补全、重复性代码、简单函数 | 速度最快、无缝集成、低成本 |
典型的一天：Cursor 开 2-3 个并行 Agent 推进功能开发，Claude Code 处理跨模块重构，Copilot 在写 utils 和样板代码时自动补全。
关键心态：不要对一个工具忠诚。用对场景比用对工具更重要。
4. Code Review：AI 先过，人再判断
我们团队设计了三层 AI Code Review 流程：
- 第一层：Cursor Bugbot 在每个 PR 上自动检查潜在 bug、安全漏洞、性能问题
- 第二层：团队专属 prompt 模板，包含架构约束、命名规范、错误处理模式。AI 输出可用率从 50% 提升到 85%
- 第三层：人类审查 AI 标出的问题，重点看架构合理性、业务逻辑正确性、长期可维护性
Review 周转时间缩短约 40%。最重要的收获不是速度——是 AI 过滤了「低级问题」，让人类专注于「高级问题」。
5. 测试：AI 生成 + 知识库校准
这个环节的 AI 化效果最量化：
- 直接用大模型生成测试用例，准确率只有 60-70%（幻觉太严重）
- 搭建团队专属知识库后，准确率提升到 90%
- 用例 Review 时间缩短约 50%
- 自动化回归覆盖率从 65% 提升到 95%
关键洞察：AI 的用例生成能力取决于上下文质量。不是「模型越强越好」，而是「知识库越精准越好」。
6. 部署与监控
- 发布门禁：Pipeline 集成风险扫描、合规校验、自动化回归卡点
- 验证清单：AI 根据变更内容自动生成线上验证清单
- 根因分析：AI 辅助分析日志、定位根因，MTTR 缩短约 30%
这个环节 AI 的价值不是效率，是可靠性——它不会因为赶工忘记检查某个配置，不会因为半夜 on-call 遗漏一条关键日志。
本质变化：从工程性工作到研发性工作
上面这些数字指向同一个结论：重复性的工程工作正在被 AI 接管。
手写 CRUD、手动回归、格式化文档、逐行 Code Review——这些在 2024 年还需要工程师亲手做的事，2026 年 AI 做得又快又稳。
留给工程师的是研发性工作：
- 这个系统应该怎么设计？
- 这个 trade-off 怎么取舍？
- 这个风险值不值得承担？
- 这个架构能不能支撑未来 3 年的规模？
「专家」的定义正在改变
AI 之前，我们怎么定义专家？至少 5-10 年行业经验，积累了足够多的 case。经验壁垒是护城河。
AI 之后，case 的经验价值在降低。因为只要你有相关的分析框架和方法论，借助 AI，都可以把一个陌生的 case 分析出来。一个入行 2 年的工程师，如果掌握了正确的思维框架，配合 AI 工具，可以输出接近资深工程师质量的分析和方案。
经验的价值没有消失——它帮你更快识别问题的本质。但它不再是唯一路径。AI 提供了一条替代路径。
真正重要的是第一性原理思考
如果经验壁垒在降低，什么在变得更重要？
第一性原理思考——把能力抽象成框架，这样不管面对什么问题，你都可以完成。
- 面对从没见过的线上事故：收集信号 → 缩小范围 → 形成假设 → 验证 → 修复 → 复盘。不需要「恰好处理过同类问题」。
- 面对全新的业务系统：理解业务目标 → 识别风险点 → 设计验证策略 → 建立度量体系。不需要「恰好做过类似项目」。
这些框架是可迁移的。不管面对什么系统、什么规模，框架不变，只是参数在变。
你今天就可以开始的 3 步
- 装一个 AI 编程工具，完成一个真实任务。 Cursor 或 Claude Code，不是玩玩，是用它做你明天要交付的工作。
- 给团队写一份 AI Code Review 的 prompt 模板。 把架构约束、命名规范、常见错误模式写进去。一次投入，每个 PR 都受益。
- 从「执行者」转型为「决策者」。 当 AI 能写代码、生成用例、审查 PR，你的价值在于判断——这个方案对不对？这个风险值不值得冒？
作者：Steven Chou · GitHub · X @StevenChouAI