AI 时代,一个人可以做多少事情?

上一篇文章《41 岁的我，正在践行一种新的工作模式》，分享了我最近一年多在工作方式上的一些变化。

从过去在公司担任技术负责人，管理几十人甚至近百人的研发团队，到如今以独立技术创业者的身份开展远程技术合作、研发自己的产品，这种转变让我有机会重新审视过去十几年来习以为常的工作方式。

其中，一个让我感受越来越深的变化，就是 AI 对软件研发的影响。

过去，我们要开发一款稍微复杂一点的软件产品，往往需要组建一个团队。产品经理负责需求，设计师负责界面，前后端工程师负责开发，测试工程师负责质量保障，运维工程师负责系统部署。每个人各司其职，再通过大量沟通和协作，将一个想法逐步变成能够交付的软件产品。

我曾经长期处在这样的工作环境里，也参与过不同规模的技术团队建设和管理。

但最近一两年，随着 AI 编程工具的快速发展，我开始发现，这套我们已经非常熟悉的软件研发方式，正在发生一些变化。

借助 AI，一个有经验的技术人员，已经可以独立承担过去需要多个专业角色协作完成的部分工作。

这让我开始思考一个问题：AI 时代，一个人究竟可以做多少事情？

而随着自己的实践不断深入，我发现这个问题背后，其实还有一个更值得思考的问题。

如果我们真的能够一个人完成过去需要一个团队才能完成的工作，那么我们是否还需要像过去一样工作？

从一个 DEX 项目说起

最近，我正在参与一个 DEX（去中心化交易所）项目的远程技术合作。在这个项目中，我一个人承担了相当大一部分研发工作。

就拿最近完成的充值提现功能来说。

表面上看，这只是交易平台中两个再普通不过的功能。但真正实现起来，涉及的却是一条完整的业务链路。从前端 UI/UX、后端服务，到链上的智能合约、管理后台，以及第三方数字资产基础设施 Fireblocks 的集成，每个环节都需要相应的技术实现，彼此之间还存在大量的业务逻辑和数据交互。

如果按照过去常见的软件研发组织方式，这样一个模块通常需要不同专业的工程师共同参与，再通过任务分工、接口约定和系统联调完成交付。

但这一次，这些工作基本都是由我一个人完成的。当然，我并不是从头到尾亲手编写了所有代码。事实上，AI 在整个研发过程中发挥了非常重要的作用。

我的工作方式大致是这样的。

首先，我会借助 Claude Code，对整个业务需求进行梳理，形成相对完整的业务流程文档和技术设计方案。

然后，由我来 Review 这些方案，结合过去的工程经验和对业务的理解，修正其中不合理的设计，完善关键细节。在确认整体方案可行之后，再让 AI 根据设计方案启动多个 Agent，并行推进不同模块的开发工作。

在这个过程中，我不再需要亲自编写每一部分代码，而是把更多精力放在方案设计、技术决策、任务协调以及整体实现上。

如果没有 AI，这件事情会困难得多。一方面，我需要投入更多时间完成大量具体的开发工作；另一方面，其中一些技术领域并不是我原本擅长的。

比如前端开发。虽然我有多年的软件工程经验，也能够理解前端的技术架构和业务逻辑，但前端并不是我最擅长的技术栈。在过去，遇到这样的需求，我通常会安排专业的前端工程师来负责。而现在，借助 AI，我可以在不亲自完成全部前端编码工作的情况下，组织并推动这一部分的实现，再将它与后端服务、智能合约以及其他模块衔接起来。

这让我感受到了一种不同于以往的变化。

AI 不只是让我把原本擅长的事情做得更快，也让我有机会承担过去需要依赖其他专业人员才能完成的工作。

这并不意味着我已经精通所有技术领域，更不代表专业的前端、后端或者智能合约工程师不再重要。

只是对于某些项目而言，一个具备足够工程经验的人，已经可以借助 AI，跨越过去的专业分工，独立推动更完整的研发流程。

过去，作为技术负责人，我需要将需求拆解成任务，安排不同工程师负责，再通过团队协作完成交付。而现在，需求分析、技术设计、任务拆解、进度协调和质量把关等工作依然存在，只是其中相当一部分具体执行工作，开始可以由 AI 协助完成。

从管理一个研发团队，到组织一套由自己主导、多个 AI Agent 参与的研发流程，我的工作方式正在发生变化。对我来说，这种变化的意义，已经不只是节省了多少开发时间。

它让我开始重新思考：一个技术人的能力边界，究竟应该如何定义？

当 AI 能够写代码，工程师的经验还重要吗？

在使用 AI 进行软件研发的过程中，我越来越明显地感受到，许多具体编码工作的门槛正在降低。

过去，开发一个功能，我们需要熟悉相关编程语言、技术框架和各种工具，再投入大量时间编写、调试和完善代码。

现在，很多具体工作已经可以交给 AI 协助完成。

那么，当 AI 能够完成越来越多的编程任务，工程师过去十几年积累的技术经验，是否还像以前一样重要？

至少从我自己的实践来看，答案是肯定的。甚至在某些方面，经验的价值可能比过去更加突出。

还是以前面提到的 DEX 充值提现功能为例。

我可以让 AI 根据需求梳理业务流程，提出技术方案，甚至完成具体的代码实现。但这并不意味着 AI 给出的方案就是正确的，更不意味着我可以不理解这些方案。尤其是在涉及数字资产的金融系统中，很多看似细小的设计问题，都可能带来严重后果。

比如，如何设计安全可靠的充值提现流程，确保每一笔资金流转都能够准确追踪和核对？如何协调链上智能合约、后端服务与第三方数字资产基础设施之间的业务逻辑，避免重复记账或者状态不一致？又该如何设计合理的权限控制与风险防范机制，降低潜在的资金安全风险？

这些问题，并不是简单生成一段代码就能解决的。它们需要对业务流程、系统架构以及潜在风险有充分的理解，也需要严谨的测试与验证。

AI 可以帮助我更快地探索不同的实现方式，但最终选择哪一种方案、哪些地方可能存在风险、哪些设计需要调整，仍然需要依赖自己的专业判断。

这也让我开始重新理解一个工程师的价值。

过去，我们经常通过掌握多少技术、精通哪些编程语言、能够解决多么复杂的技术问题，来衡量一个工程师的能力。这些依然重要。但在 AI 时代，一个工程师的价值，可能越来越不仅仅体现在他能够亲自完成多少代码，而是体现在他能否正确理解问题、设计合理的解决方案，并最终对结果负责。

AI 正在降低部分技术工作的执行成本，却没有消除专业判断的重要性。

从这个角度看，AI 并不是让我过去积累的经验失去了意义。恰恰相反，它让我有机会将这些经验应用到更广泛的工作中。

AI 正在重新定义一个人的能力边界

过去，我们通常会用一个人掌握的知识和技能，来定义他的能力边界。擅长后端的工程师主要负责后端，擅长前端的工程师主要负责前端。遇到超出自己专业范围的工作，就需要依靠其他人的协作。这是一种很自然的专业分工方式。

但现在，AI 让这种边界开始变得没有以前那么固定。

一个人即使不精通所有技术领域，也可以借助 AI 完成过去很难独立承担的部分工作。当然，这并不是说，只要学会使用 AI，就能胜任任何技术工作。如果缺乏必要的基础知识和判断能力，不知道应该如何评估和验证结果，那么 AI 生成的内容越多，反而可能积累越多潜在问题。

因此，我并不认为 AI 时代的技术人才需要变成无所不知的全能工程师。我更看重的是另一种能力：不必亲自精通每一个环节，但能够理解整体、组织资源、判断结果，并推动一件事情从想法走向落地。

以前，遇到不熟悉的技术领域，我首先想到的往往是寻找相应的专业工程师来承担。现在，我会多思考一步：这部分工作能不能借助 AI，由自己来组织和推进？如果可以，我需要提供怎样的设计方案？如何拆解任务？如何验证最终结果？哪些环节仍然需要专业人员参与？

我认为，这才是 AI 带给技术人才的一种更深层次的变化。

它不是简单地让我们掌握更多工具，而是让我们有机会改变组织工作的方式。

对我来说，过去十几年积累的工程经验和技术管理能力，正在以一种新的方式发挥作用。

一个人的能力边界，开始不再完全取决于他能够亲手完成什么，还取决于他能够借助哪些工具、整合哪些资源，以及对最终结果具备怎样的判断和控制能力。

AI 放大的，不只是一个人的执行能力，也可能是他过去多年积累的专业经验。

不过，这种能力边界的扩大，也带来了一个新的问题。当 AI 让一个人有能力做越来越多事情时，我们是否真的应该去做更多事情？

从更高的效率，到更大的商业价值

最开始使用 AI 辅助研发的时候，我关注得更多的，确实是效率。

原本需要几天完成的工作，能不能更快完成？原本需要其他工程师参与的任务，能不能自己借助 AI 解决？原本没有时间尝试的产品想法，能不能以更低的成本完成验证？

这些变化当然令人兴奋。但随着实践不断深入，我逐渐意识到，效率的提升只是第一步。

对于一个独立技术创业者来说，真正重要的，并不是自己能够同时推进多少项目，而是这些工作最终能够创造怎样的价值。因为一个人即使能够同时完成更多项目，也不意味着就建立了一份可持续的事业。

如果收入始终依赖不断承接新的项目，如果每天都被客户需求和交付任务占满，那么即使有了 AI，也可能只是让自己成为一个效率更高、同时也更加忙碌的自由职业者。

这当然是一种选择。但我想探索的，并不只是这种工作方式。

过去这些年，我曾经担任过工程师、架构师、技术负责人，也管理过规模近百人的研发团队。按照传统的职业发展路径，接下来或许应该继续向更高的管理岗位发展，带领更大的团队，承担更多的组织责任，并获得相应的职位和收入。

这当然是一条有价值的道路。但我也开始越来越频繁地思考另一个问题：一个技术人的价值，是否一定需要通过在某个组织中的职位和薪酬来体现？

在传统的雇佣关系中，无论是工程师还是技术管理者，个人收入通常都与职位、薪酬体系以及所服务的组织密切相关。即使能力不断提升，收入增长也往往受到一定的限制。自由职业和技术咨询能够改变一部分情况，但如果收入主要来自自己的时间投入，那么这种模式依然存在明显的天花板。

一天只有二十四小时，一个人能够同时承担的工作终究有限。如果 AI 只是让我能够承接更多项目、完成更多客户需求，那么我的收入依然很大程度上受限于个人时间和精力。但如果能够借助 AI，以更低的成本构建自己的产品、积累技术资产，那么我就有机会探索一种不同的价值创造方式。

从提高个人劳动效率，到建立不再完全依赖个人劳动时间的事业。

这才是我现在更希望探索的方向。

对我来说，成为独立技术创业者，不仅仅是换一种工作方式，也不只是为了获得更加自由的时间安排。我更希望通过自己的技术、产品和商业实践，创造远超过传统工作所能带来的收入与价值。这也是我开始探索 Soluno Lab 这种一人实验室模式的重要原因。

从出售时间，到积累自己的技术资产

在我看来，独立技术创业与以项目交付为主的自由职业之间，一个值得关注的区别，在于是否有意识地将个人能力转化为可以长期积累的资产。

如果每完成一个项目，留下的只有一笔项目收入，那么下一个月可能依然需要从头寻找新的工作。

但如果在项目过程中，能够逐渐沉淀出可复用的技术模块、经过验证的系统架构、标准化的解决方案，甚至进一步发展为自己的软件产品，那么这些积累就有机会在未来持续创造价值。

这也是我希望通过 Soluno Lab 长期探索的方向。

一方面，通过远程技术合作和项目交付获得收入，同时积累实际工程经验。另一方面，在尊重合作协议和知识产权边界的前提下，将可以复用的工程方法、技术能力和解决方案，逐步转化为自己的产品与技术资产。

我希望未来的收入，不再完全取决于自己投入了多少工作时间，而是能够更多地来自持续创造价值的产品、技术服务和长期积累的商业资产。

当然，这并不意味着技术资产的积累就一定能够带来商业成功。

一个技术上优秀的产品，不一定能够获得市场认可；一套能够复用的技术方案，也不一定能够形成可持续的商业模式。

技术能力只是创业的起点。市场需求、客户获取、产品定位、定价方式以及商业判断，同样重要。

但 AI 的出现，至少让我看到了一种新的可能性。

过去，想要同时开展技术服务、研发自己的产品、探索新的商业方向，往往需要组建团队，承担较高的人员和组织成本。而现在，一个有经验的技术人员，可以借助 AI，以相对更低的成本验证想法、构建产品，并逐步探索适合自己的商业模式。

这不意味着一个人能够无限扩大自己的事业，也不意味着未来不需要团队。

只是我开始觉得，在创业的早期阶段，也许不必急于通过增加人员来扩大规模，而是可以先通过 AI 和可复用的技术资产，提高个人的价值创造能力。如果有一天，业务的发展确实需要更多人参与，再根据实际需要建立团队，也完全没有问题。

一个人不是目标，而是一种起点；独立也不是拒绝合作，而是希望拥有更多自主选择的能力。

写在最后

回到文章最开始的问题：AI 时代，一个人究竟可以做多少事情？

经过最近一段时间的实践，我已经切身感受到，AI 正在不断扩展一个技术人能够独立完成的工作范围。

过去通常需要不同专业工程师协作的部分研发工作，现在已经可以通过自己与 AI 的协作来完成。但与此同时，我也越来越清楚地意识到，一个人的时间、精力和判断能力依然有限。

AI 可以帮助我们做更多事情，却不会自动告诉我们哪些事情值得做。更高的生产力，也不会自动转化为更高的收入和更大的商业价值。

所以，相比一个人究竟能够完成多少工作，我现在更关心的是，如何把 AI 带来的生产力提升，转化为可以长期积累的技术资产、产品和事业。

我并不知道这条路最终能够走多远。但至少，我愿意继续尝试。因为对于一个拥有多年技术积累的人来说，AI 时代值得期待的，不仅仅是更高的开发效率，也不仅仅是更加自由的工作方式。更重要的是，我们有机会重新思考自己的专业能力应该如何发挥价值，以及是否能够走出一条不同于传统职业晋升的发展道路。

AI 时代，我想探索的，不只是一个人可以完成多少工作，而是一个人究竟有机会创造多大的价值。