ARTICLE · 1087263
会写代码的AI会先拿走大部分钱,未来十年属于Agent Lab
先认识 Shawn Wang
Shawn Wang，通常以网名swyx为人所知。他先后写下Learn in Public和The Rise of the AI Engineer 等火遍社区的文章，前者讨论如技术同学何通过公开学习积累能力、声誉与同行网络，基于此他出版了知名电子书《The Coding Career Handbook》，后者是2023年6月发表的行业散文，文章指出，在基础大模型（LLM）成熟后，行业正在从需要博士学位的AI研究员向擅长调用API、构建全栈AI应用的AI工程师（AI Engineer）转型。这一观点直接定义了目前火热的AI工程化赛道以及AIE。他参与组织和发展AI Engineer（AIE），并创办、运营Latent Space，持续讨论 AI 技术、开发者和产品之间正在形成的新关系。到了 2025 年左右，他选择加入 Cognition，他的文章《Cognition：The Devin is in the Details》详细描述了他选择加入Cognition的心路历程以及对行业的判断。
什么方向最先产生价值？应该在哪种公司里做？人和 Agent 应该怎样协作？谁愿意为它付钱？什么样的团队能把这一切做出来？
这五个问题连起来，构成了他对行业以及个人职业的判断，在Codex和Claude Code全场领先的背景下，他依然梭哈进入Coding Agent，这里的魄力与前瞻判断非常值得我们学习。
对程序员来说，这套判断的意义在于：它提醒我们，AI 时代的竞争，已经不只是“谁写代码更快”，而是“谁能把代码、工具、流程、业务和组织连接起来”。
一、不要等 AGI，代码可能会先完成自己的“工业化”
Shawn 非常激进、但值得认真对待的判断：代码领域的 AGI，可能只需要完整 AGI 所需时间的 20%，却能拿走完整 AGI 价值的 80%。
代码之所以可能比其他脑力劳动更早被 Agent 深度介入，有两个原因。
第一，代码是一个相对可验证的领域。程序能不能编译，测试能不能通过，接口是否正常，线上服务有没有报错，至少都有一部分客观反馈。模型不必先理解人类全部的情感、常识和社会关系，就可以在一个有反馈的环境里持续改进。
第二，代码具有“产品递归”能力。做代码 Agent 的团队，可以直接让 Agent 帮自己写代码、跑测试、修 bug、搭工具，再用新工具继续改进产品。销售 Agent、客服 Agent 也可能形成业务循环，但软件 Agent 有一个特殊之处：它能直接参与制造下一代软件。
这意味着，代码不是 AI 应用里一个普通的垂直场景，而可能是 AI 自我加速的基础设施之一。
对程序员的启发是：不要把自己的工作理解成“写出几万行代码”。真正有价值的部分，正在从打字转移到三个环节：
把模糊需求变成可验证的问题； 设计能让 Agent 获得反馈的测试、工具和环境； 判断一个结果是否真的能进入生产系统。
未来最危险的，不一定是“不会用 AI 的程序员”，而是只会完成局部编码、却无法定义问题和验收结果的程序员。
二、Agent Lab 的核心，不是套一个模型，而是把能力送进真实世界
Shawn 把公司分成两类：模型实验室和 Agent Lab。
模型实验室的任务，是训练更强的基础模型；Agent Lab 的任务，则是把这些能力适配到模型尚未真正解决的领域，并让它在真实组织里交付结果。
两者并不是互相排斥的关系。前者制造能力，后者把能力变成产品、流程和收入。但在模型越来越多、能力越来越接近的情况下，应用层的竞争重点会发生变化：决定产品差异的，越来越不是“调用了哪个模型”，而是模型之外那一整层系统。
一个 coding agent 当然可以从“把模型放进容器，让它改文件”开始。但真正进入企业之后，问题马上变成：会话是否有状态？多个 Agent 是否互相隔离？权限如何分层？密钥如何管理？代码能否在客户的私有网络里运行？能不能接入 GitLab、Jenkins、Slack、Linear、Sentry 和内部系统？出了问题能不能审计、回滚和定位？
这些事情不性感，却决定了产品能不能被真正使用。
Shawn 所说的“剩下那 10%”，往往不是 10%的工作量，而是 90%的落地难度。演示视频里，Agent 改完一个函数就结束了；企业系统里，一个看似简单的改动，可能牵涉权限、数据、部署、合规和几十年的遗留代码。
所以，程序员需要重新理解“工程能力”的含义。
以前我们常说，一个好工程师要写出优雅、可靠、可维护的代码。现在还要加上：能否把一个不稳定的模型，约束成一个可观察、可恢复、可验证、可协作的系统。
这就是 Agent Engineering 真正难的地方。它不是给模型写一段更长的提示词，而是给模型设计一个能承担责任的工作环境。
三、未来的编程界面，可能不是 IDE 或命令行，而是两端的组合
Shawn 对 coding agent 的另一个重要判断，是要同时占据同步和异步两端。
同步的一端，是人还在现场：Agent 在 IDE 或终端里改文件、跑命令，人随时观察、打断、修正。它追求的是速度、反馈和心流。
异步的一端，是人把任务交出去：在 Slack 或其他协作工具里说清楚目标，Agent 自己准备环境、分析代码、执行任务、提交变更，人过一段时间再回来验收。它更像一个远程同事，追求的是并行和时间杠杆。
这两端看起来像是不同产品，其实对应的是同一件事的两种节奏：什么时候应该让人和 Agent 一起工作，什么时候应该让 Agent 独立推进。
Shawn 特别警惕中间那段“半异步死亡之谷”：Agent 既没有快到让人保持心流，又没有自主到可以放心交出去。人只能盯着一个还不够可靠、却又慢吞吞的过程等待。
这对程序员很有现实意义。我们使用 AI 工具时，不能只问“它能不能完成任务”，还要问：
这个任务适合实时共创，还是适合后台运行？ 我需要控制过程，还是只需要验收结果？ Agent 的失败成本是多少？失败后能否自动重试或回滚？ 哪些步骤必须由人批准，哪些步骤可以完全自动化？
成熟的程序员不会追求把所有工作都交给 Agent，也不会把 Agent 永远锁在“只能补全一行代码”的位置。他会根据任务风险，主动设计人和 Agent 的分工。这比熟练掌握某个工具的快捷键重要得多。
四、企业不是最保守的客户，而是最难的训练场
Shawn 认为，企业优先不仅是商业策略，也是产品能力的来源。
个人用户可以试用一个工具几天，觉得不顺手就换掉；企业则会把它放进真实的代码库、权限体系和交付流程里。它会提出更苛刻的问题，也会暴露更多系统性缺陷。
这意味着企业客户不只是买单的人，也是最复杂的反馈环境。Shawn 甚至把企业称为“世界上最难的强化学习环境”：需求真实，约束繁多，失败有代价，验收标准不会因为演示效果好就放松。
这给程序员一个容易被忽视的提醒：不要只在干净的新项目里学习 AI 编程。
真正能训练能力的，可能是那些没有文档的老系统、没人敢动的 COBOL、积压多年的迁移任务、混乱的权限和大量历史包袱。因为那里迫使你面对软件工程的本质：理解上下文、控制风险、保留证据、逐步迁移，而不是生成一段看起来正确的代码。
如果一个程序员只会在空白项目里让 Agent 生成页面，他学到的是“生成”；如果他能让 Agent 参与一个复杂旧系统的迁移、测试和上线，他学到的才是“交付”。
未来真正值钱的经验，未必来自写过多少新框架，而可能来自处理过多少难以自动化、却有明确业务价值的复杂系统。
五、别被榜单骗了：程序员要从“看分数”转向“看结果”
Shawn 在演讲中对 SWE-bench 的态度很尖锐：它可以是参考，但不能成为产品能力的全部证明。
一个公开榜单能告诉我们 Agent 在某类标准任务上的表现，却很难告诉我们它是否适合你的代码库、你的部署方式、你的权限系统和你的业务风险。
程序员也应该把这个标准用在自己身上。不要只比较“谁用的模型分数高”“谁的补全速度快”，而要看一套更接近生产的指标：
需求从提出到上线缩短了多少时间； 修改后的回归问题减少了多少； 维护旧代码的成本下降了多少； 一个工程师能否稳定地并行推进更多任务； 事故是否更容易被发现、解释和恢复。
这也改变了我们评价代码的方式。过去，代码评审主要看实现是否漂亮；以后还要看 Agent 是否留下了足够的过程记录，测试是否覆盖了关键风险，权限是否符合最小化原则，结果能不能被另一个人复核。
换句话说，可验证性会成为程序员的新生产力。
不会验证的“高产”，很可能只是更快地产生债务。
六、对程序员最重要的改变：从执行者变成“工作系统设计者”
程序员的工作，不会简单地从写代码变成写提示词，而会从单点执行，转向设计一套能持续产出软件的工作系统。
这套系统至少包括：需求拆解、上下文管理、工具选择、权限控制、任务编排、测试评估、结果验收和上线回滚。
在这个过程中，最有价值的程序员会呈现出几种特征。
第一，他能把问题说清楚。他知道什么是目标，什么是约束，什么是不能碰的边界，也知道怎样把一个大任务拆成一组可验证的小任务。
第二，他能为 Agent 建立反馈回路。测试、日志、静态检查、沙箱、评测集，不再只是项目收尾时的保障，而是 Agent 工作过程中的“感官”。没有反馈，Agent 只能猜；反馈越及时，自动化越可靠。
第三，他懂得管理不确定性。他不会因为 Agent 写出了第一版代码就认为任务完成，也不会因为某次失败就断言它完全没用。他会区分可自动化的步骤、需要复核的步骤和必须由人决策的步骤。
第四，他愿意处理脏活。真正的壁垒通常不在最容易演示的地方，而在旧系统、长尾集成、权限、迁移、部署和客户现场。谁愿意把这些事情做深，谁就更接近真实价值。
第五，他能把个人效率变成团队能力。单个程序员用 Agent 提速，当然有价值；但如果能把有效的工作流沉淀成 playbook、脚手架、评测集和组织规范，价值才不会随着个人离开而消失。
结语：程序员叠加Coding Agent能发挥出最大威力
Shawn Wang 在个人网站上把自己描述为开发者、写作者、社区建设者，也是一个仍在 AI 前沿“公开建造”的人。他的视角之所以有意思，或许正因为他没有只站在模型研究者、产品经理或投资人的单一位置上，而是把技术、市场、社区和职业选择放在一起看。
AI 编程的竞争，已经从“模型能不能生成代码”，推进到了“谁能把不稳定的智能，组织成可靠的软件生产力”。
所以，与其反复追问“AI 会不会取代程序员”，不如从今天开始问三个更具体的问题：
我负责的工作，哪些适合同步协作，哪些适合异步委托？ 我能不能为 Agent 提供足够好的上下文、工具和验证机制？ 我今天积累的经验，能不能沉淀成团队可复用的系统？
Agent时代程序员定是大有可为。
参考材料
swyx，《Cognition: The Devin is in the Details》，2025-09-08： https://swyx.io/cognition，《AIE Singapore: The Agentic Nation》，2026-05-17： Shawn Wang 个人介绍：https://swyx.io/