AI时代,程序员如何构建自己的研发工作流?

写代码、查资料、补测试、做评审——AI 工具已经进入越来越多研发环节。

但当 Chat、Copilot 与 Agent 接连出现，摆在程序员面前的问题也在变化：我们需要的，还只是“学会一个新工具”吗？

10 月 21 日，善理通益开展 AI+Talk 技术培训专场，围绕“AI 时代的程序员如何构建个性化的研发工作流？”这一主题展开内部学习。大家暂时从日常任务中抽离出来，把注意力放到一个更长期的问题上：当工具能力快速进化，我们应该怎样重新组织自己的研发工作？

AI+Talk 技术培训专场现场，分享围绕研发工作流展开

从 Chat 的即时问答，到 Copilot 进入编码过程，再到 Agent 尝试承接更完整的任务，AI 与研发工作的关系正在变得更深入。

工具越来越多，并不等于工作自然变得更高效。真正需要回答的是：哪些任务适合交给 AI？需要提供怎样的上下文？怎样拆分目标和约束？结果又该如何检查、测试与回收？

因此，本次培训的关注点不只是“有哪些工具”，也包括工作流本身：如何结合自己的岗位、任务和协作方式，逐步形成可理解、可验证、可复用的 AI Coding 方法。

AI Coding 与个性化研发工作流主题讲解

当 Agent 被用于尝试处理更长的任务链，人机协同中的“人类在环”也变得更加重要。

人需要定义目标、补充业务背景、识别边界、判断结果是否可信，并对最终交付负责。AI 可以加快信息整理和方案探索，但需求是否理解准确、代码是否符合约束、风险是否被识别，仍需要工程师作出判断。

这也是本次分享关注的第二个问题：面对能力越来越强的 AI Coding Agent，程序员如何提升自己在人机协同中的参与质量，而不是把工作简单交给工具。

AI 可以生成代码，却不能替代对业务目标、系统边界和工程质量的持续理解。

需求分析、架构判断、代码阅读、调试测试、安全意识和团队协作，这些看似“传统”的能力，恰恰决定了工程师能否提出好问题、识别错误，并把 AI 生成的结果真正带入生产流程。

本次培训也把这一点纳入讨论：在新的工具环境下，哪些基础能力依然不可替代？哪些工作方式需要主动升级？

新的工具与真实工作问题放在一起讨论

一次培训无法给出适用于所有人的唯一答案。不同岗位、项目和技术栈，需要面对不同的任务边界与质量要求。

比“找到标准答案”更重要的，是保持学习、实践和复盘：从一个具体任务开始，记录 AI 在哪里带来帮助、哪里仍需人工判断，再把有效的方法沉淀为适合自己和团队的工作流。

对于善理通益而言，内部学习不是追逐新概念，而是把技术变化放回真实工作，讨论它如何被理解、验证和使用。工具会继续变化，但持续学习的能力、判断力和协作责任意识，才是我们更需要长期建设的核心价值。