如果 AI Agent 已经能够生成 99% 的代码，那么我们该如何招聘工程师？这一话题目前在行业内引起了广泛讨论。普遍共识是：AI 时代并非不再需要人才，而是人才的角色正在经历根本性转变。虽然 AI 开始接管“写代码”这一环节，但代码本身只是软件工程中的一部分。从当前 AI 的发展趋势来看，人的参与仍然不可或缺，只不过工作重心将会发生转移。
这也正是 Augment Code 这家公司的核心观点：当 Agent 能够承担大量执行工作后，工程师的核心竞争力就需要从“写出代码”转向“决定该做什么、怎么做、如何确保结果可靠”。这类工程师被称为 AI-native 工程师。他们不再纠结于前端还是后端，不再区分 Android 与 iOS，也不再执着于 React 还是 Vue、Go 还是 Elixir。他们更关注的是——
- 传统工程：编写代码、实现方案、解决问题、强调个人产出
- AI-native 工程：定义意图、编排 agents、选择正确方向、强调系统级结果
本次最有意思的是，Augment Code 还给出了他们招聘 AI-native 工程师的几项核心评价标准。下面我们逐条来看。
产品与结果品味
第一点，是你能否判断“是不是在做正确的事情”？当代码生产变得越来越廉价之后，最昂贵的错误反而变成了“方向错误”。因此，工程师需要更擅长理解用户问题、消除模糊需求，能够在动手实现之前先清晰定义预期结果。
系统与架构判断力
第二，你的方案能否在生产环境中长期存活？
Augment Code 认为，Agent 很擅长写出“能运行的代码”，但不擅长判断项目长期是否健康、架构能否承受规模、运维风险是否会在后面爆发。这正是未来 AI-native 工程师的核心能力。因为许多线上系统的问题，从来不是“写不出来”，而是有大量边缘情况需要被标注出来，例如：
- 隐性耦合
- 性能退化
- 迁移风险
- 可观测性不足
- 局部正确但全局失配
也就是说，Agent 经常会产出“locally correct code that's globally incoherent”——局部看起来没问题，但放到整体中却不协调。
Agent 杠杆效应
这一项考察的是，你是否能把 AI 真正转化为工程产出效率？不只是“会不会用 AI”，而是：
- 能否把问题拆解成 Agent 可处理的形式
- Agent 跑偏时能否及时纠正
- 产出后能否高效验证
在这个角色里，你就像带领一个“干活非常快、但有时会自信地犯错”的下属。在 AI 场景下，工程师之间的差距已经不再是“谁会用 Claude / Codex / Cursor”，而是谁能用同样的模型、同样的工具，稳定地产出更高质量的结果。
沟通与协作
这一点同样关键。当 AI 接管了执行层面，人在物理世界中最大的作用就变成了沟通。你能不能把意图说清楚，同时让不同角色快速形成共识？
因为实现速度变快了，项目瓶颈会前移到问题定义、tradeoff 澄清、跨职能对齐等场景。Augment Code 认为：最快的团队不是代码写得最快，而是最快达成清晰共识的团队。
Ownership 与 Leadership
然后是责任。AI 不会背锅，人是背锅的主体。所以这里的问题是：你是不是对结果负责，而不是只对任务负责？过去优秀的工程师也不是只完成自己的代码，而是会主动处理未来可能存在的阻碍，比如构建速度慢、流程模糊、系统间断裂等。
学习速度与实验心态
最后，是你的进化速度能否跟上工具变化的速度？
Augment Code 认为，今天的工具三个月后可能就过时了。因此最重要的是高频实验、快速调整工作流、愿意放弃旧的工作方式。
你会发现，所有维度中 Augment Code 都很少提及代码能力。至少写代码能力不是一个独立维度，因为它已经不是首要区分项。代码能力正在从“筛人主轴”退化为“基础设施能力”。
所以具体到面试场景，Augment Code 会问类似的问题：
- 候选人能否快速澄清一个模糊问题
- 能否提前识别架构风险
- 能否有效引导并验证 AI 产出的工作
然后，他们把人分成四类画像：
- AI-Native Systems Engineer：偏重基础设施、架构、系统稳定性
- AI-Native Product Engineer：偏重产品品味、用户理解、结果导向
- AI-Native Applied AI Engineer：偏重模型理解、agent 能力和工作流增强
- AI-Native Early Professional：偏重学习速度和 agent-first 的成长方式
总结下来，核心观点就是：写代码的执行成本已经越来越轻了。什么框架、什么语言都不是重点。重点是人的架构思想、产品理念和管理协调能力。遇到深度问题或难点时，有没有办法指定 Agent 走出困境——这才是新时代的能力。
当然，现实情况是，目前 GitHub 上已经被很多 Vibe Coding 的 AI 项目充斥。这些项目的 README 通常写得很好，但实际效果参差不齐，甚至可以说“难评”。这对 AI 生态本身也是一种污染。
所以，人的价值恰恰就在这里——你的决策能力，就是你的价值体现。
