AI时代转码还有意义吗2026年11月6日提问追问1次4次类似提问

我现在转行进了这个 AI 开发,但是我发现如果要进行代码 review 的话,我要补很多基础,但是我又发现,其实我们的开发过程中,很多时候都不需要学会用代码,只需要把需求说清楚就能开发出来,然后anthropic 这些业界领先的公司都没有在看代码了,我也不知道我该不该学代码,因为感觉缺的很多,然后也不知道有没有必要,感觉好像学的没有意义。其次我感觉我这种转行有点痛苦,有点想逃避转去产品经理,但又感觉太卷了,然后好像除了这个也没别的能干的了,感觉生活好像没路走了🙁创业又风险太高了,创小业又没钱,不知道该怎么办了

不必把“学不学代码”当成二选一:AI 降低了写代码的门槛,但没取消判断力。你缺的可以按目标岗位补,而不是从头补全计算机本科。

AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。

先别用“过去学的有没有用”来限定选择

立正批评过一种思维方式:明明面对很多选择,却先加上“怎么把过去的知识用上”这个约束,把选项砍掉一大半。他说这像学校里的游戏——三年级知识给四年级用——但进入社会后,学的东西大概率不会直接有用,往往是在做事过程中才知道该补什么,补完解决问题,用不上就放下⁠1。放到你身上:不必因为“转行缺很多基础”就认定只能走一条路,也不必因为过去投入过就硬撑。这是 AI 根据他的说法做的推演。

代码门槛降了,但“结果确定”仍要人负责

魏慧在对话中转述“鸭哥”的做法:不要用固定工作流让人不断给 AI 擦屁股,而是把文件状态、要做什么检查描述清楚,让 AI 自己完成;立正把这概括为从“过程确定”转向“结果确定”⁠2。立正还说,他招人先看 mindset 再看 skill set:如果一个人的自我价值绑在“我代码写得好”上,就很难接受 AI 写得更好;更重要的是愿意学、能从事物本质看问题、有 agency⁠2。硅谷徐老师则说,写程序变容易后,做出可规模化、安全的产品仍不容易,distribution 反而更可能是护城河⁠3。这些说法支持一个判断:需求说清楚只是起点,能不能定义结果、验证结果、把东西交付出去,才是新的能力所在。

按目标岗位补,而不是按“完整基础”补

AI推演

立正给过一条很具体的路径:先找自己“有可能去”的岗位,比如现在五十分就找六十分的,而不是直接冲七八十分;看对方在招什么人、要解决什么问题,把履历往那个角色上适配,差一点就花一两周补上,拿到六十分再想七十分⁠1。对你来说,这意味着先确定你要做的是“用 AI 交付产品的人”还是“能 review 代码的人”,两者要补的东西不同。前者更看重把需求拆成可验证的结果、判断 AI 产出对不对;后者才需要系统补代码基础。这是 AI 的应用建议,不是立正对你个人情况的判断。

材料里没有 Anthropic 等公司“不看代码”的具体做法,也没有你所在团队对 review 的要求,所以无法判断你实际需要补到什么程度。关于转产品经理和创业的部分,现有片段没有直接讨论。

出处

  1. 1118. 从「象牙塔」到「真本事」,AI时代如何打造个人价值|课代表立正

    xiaoyuzhoufm.com说话人待核2026-05-21

    立正谈不要被过去路径套死,以及从五十分岗位一步步往上走的求职方法。

  2. 2躺平十年,却成为华人天花板,她靠三个底层特质|魏慧

    视频说话人待核2026-04-29

    立正与魏慧讨论 AI 开发中从过程确定转向结果确定,以及招人看 mindset 而非只看代码。

  3. 3人人都有50个博士为自己打工,为什么多数人的工作没什么变化?|硅谷徐老师年度对话

    视频说话人待核2026-08-04

    硅谷徐老师谈写代码变容易后,产品、分发和护城河的变化。

追问2026年11月6日

AI 辅助开发中,代码 review 到底该看什么、能省掉什么?

AI 辅助开发里,review 的重点从逐行读代码,转向确认目标与成功标准、检查结果、定位出错环节;能省掉的是逐行通读,省不掉的是判断力。

review 的对象变了:从读代码到定标准、查结果

材料里的观点

石扬指出,coding agent 一次可能产出上十万行,传统逐行 review 已不现实,需要把大段产出做总结、标出这段干了什么、可能哪里出错⁠1。立正转述的课程问答里,有同学写清目标和成功标准,用两百个案例加一个 LLM 当评委检查结果,鸭哥认为这正是推荐做法:管理者不会把每人的活重做一遍,花 5% 时间检查结果拿到 100% 成果,才叫杠杆⁠2。所以 review 首先要看的是:目标是否写清、成功标准是否可检验、结果有没有被独立验证。

能省掉逐行通读,省不掉出错时的判断力

石扬说,没有代码经验的人让 AI 做贪吃蛇可以,做更复杂的系统就有明显上限;过程出错时,有专业技能的人能一眼看出问题、换个写法就过去,没经验的人则“两眼一抹黑”⁠1。他还说 review 远比 typing 更重要⁠1。立正在知识库里把只会把需求丢给 AI、还不掌握评估与约束的阶段称为 L4,容易产生虚假自信,一旦遇到边界情况、权限、部署、维护就崩⁠3。合起来看:可以省掉的是逐行敲读,不能省的是判断“它做得对不对”的能力。

对转行者的实际取舍

AI推演

按这些材料,你不必先补全计算机本科再 review,但需要补到能判断结果对不对的程度:能写清目标和验收标准,能看出报错大概出在哪一层,能判断 AI 的修改是否真的解决了问题⁠1,2。一个可试的做法是:下次让 AI 改代码前,先写下这次要达成什么、怎么算成功,改完后只按这份标准检查结果,并记录哪次没检查出来问题——这能告诉你自己缺的是哪类判断,而不是笼统地“缺基础”。这是 AI 基于材料对你处境的推演,不是材料里的处方。

材料只覆盖了 AI 编程工具与 review 方法的一般讨论,没有针对你所在团队的具体流程;《AI编程下一站,会自动化哪些白领工作?》⁠1中部分发言归属未确认,相关判断只取已标注为石扬或立正的段落。

出处

  1. 1AI编程下一站,会自动化哪些白领工作?|Trae产品负责人石扬访谈_上

    视频说话人待核2025-11-12

    石扬谈 AI 产出规模、review 难点与专业判断力的差距,是回答的核心依据。

  2. 2AI替你做出来以后,你还会什么?|哥大客座课程回放

    超线性学院2026-10-03

    给出用成功标准和评估检查结果、以少量检查换杠杆的具体做法。

  3. 3AI产品的六个层次

    超线性学院2026-04-25

    解释只会把需求丢给 AI 的阶段为何容易产生虚假自信、在边界情况下失效。

你也有想问的?

卡住的时候,问问立正:回答附有出处,可以点回原文核对。

也可以接着问:

所有问题 →