夜雨聆风
AI 正在进入前端研发的许多具体环节：写代码、改代码、解释代码、生成页面、补测试、写文档。很多原来需要工程师亲手完成的局部工作，现在都开始有模型参与。
因此，“AI 时代前端工程师的核心竞争力是什么”这个问题，已经不是一个抽象讨论，而是每个工程师都会在日常工作中感受到的变化。
讨论这个问题时，我们很容易想到交互设计、工程架构、AI 应用整合等方向。这些能力当然重要。但我更想先往深一层看：为什么这些能力会在今天被重新讨论？它们背后反映的，是否不只是前端岗位能力要求的变化，而是软件研发这种生产方式本身正在变化？
所以，我想先把问题放到生产方式的变化里看：
软件研发正在发生什么变化？在这种变化中，前端工程师，以及更广义的软件工程师，价值会迁移到哪里？
之所以会从这个角度思考，是因为在读《资本论》第一卷中关于协作、分工和工场手工业、机器和大工业的几章时，很自然地把其中关于工业革命和生产方式变化的分析，联想到今天软件工程正在经历的变化。
马克思在分析工业革命时，讨论的并不只是机器如何提高生产效率，或者如何替代一部分手工劳动。更重要的是，机器进入生产之后，改变了人、工具和劳动过程之间的关系：许多原本属于劳动者的工具动作、局部技巧和经验，被转移到机器体系之中，生产过程也越来越由机器体系、流程组织和协作关系决定。
这让我重新理解 AI 对软件工程的影响。AI 带来的变化，可能也不只是让工程师写代码更快，而是在把一部分原来依赖工程师完成的认知劳动、表达劳动和局部实现能力，转移到模型和工具链中。如果这个判断成立，那么要讨论的就不只是某几项能力本身，而是：当软件研发的生产方式发生变化时，工程师的价值会怎样被重新定义。
从协作到机器：生产方式的演进
前面提到，AI 对软件开发的影响，不能只理解成工具效率的提升。要看清这一点，需要先回到一个更基础的问题：复杂生产是如何被组织起来的？
协作、分工和工场手工业、机器和大工业，描述的是生产方式逐步变化的几个阶段。这里不展开细节，只需要抓住一条主线：
生产力的提升，往往不只是单个劳动者能力提高，也不只是工具变先进，而是人、工具和流程之间的关系被重新组织。
沿着这条主线看，从协作，到分工和工场手工业，再到机器大工业，人的位置也会随之变化。
协作：把分散劳动组织成共同劳动
协作是一切复杂生产的基础。
协作首先要解决的问题，是如何把许多分散的个人劳动组织成共同劳动。
它并不是说完全没有分工。现实中的共同劳动，总会有任务差异、经验差异和临时安排。这里真正要强调的是：这些差异还没有变成稳定的岗位边界和固定的局部职能。关键变化首先是许多人被组织到同一个劳动过程里，围绕同一个结果共同工作。这样一来，个人劳动就不再是彼此孤立的，而是成为总体劳动的一部分。许多人共同使用工具、场地和材料，相互配合，并行完成不同环节，形成单个劳动者难以达到的力量。
分散的个人劳动 → 共同劳动 → 总体力量放到软件生产里看，它提醒我们：复杂软件从一开始就不是单个工程师能力的简单延长，而是一种共同生产。即使在小团队或早期项目里，几个人共同维护同一个系统，边界未必固定，但大家已经围绕同一个代码库、同一组需求和同一次发布共同劳动。
分工和工场手工业：把完整劳动拆成局部职能
分工是在协作基础上发展出来的更稳定、更细化的组织形式。
如果说协作解决的是“如何把分散的个人劳动组织成共同劳动”，那么分工进一步解决的是：如何把共同劳动变成更稳定、更细化、也更容易复制的流程。
在这个阶段，完整劳动被拆成一系列局部职能。一个人不再负责完成整个产品，而是长期承担其中某个环节。局部劳动会变得更熟练，工具也会围绕局部环节变得更专门，整个生产过程则需要按照不同环节之间的顺序、比例和节奏来组织。
放到软件生产里看，AI 到来之前的软件研发，很大程度上已经处在这种高度分工的状态里。
早期的软件开发更接近个人手艺：一个人可以写页面、写逻辑、对接接口、处理部署，甚至顺手解决一些运维问题。随着业务规模和系统复杂度上升，研发逐渐形成稳定分工：产品、设计、前端、后端、测试、平台、运维等角色分别承担不同环节。前端内部也继续分化，从页面脚本，到构建、打包、转换，再到组件体系、状态管理、类型约束和应用架构。
以前端发展为例，这个变化可以粗略看成几步：
这背后不只是简单的工具更替，而是完整劳动不断被拆分、专门化、流程化和工具化的过程。前端不再只是“把页面写出来”，而是逐渐分化出组件体系、状态管理、构建发布、性能体验、跨端适配、稳定性和可维护性等更细的方向。
这种分工让软件生产效率提高，也让工程师越来越专业化。也正是在这个意义上，AI 到来之前的软件研发，已经很像一种工场手工业式的生产方式。完整的软件生产被拆成稳定的局部职能，大量任务被流程化、工具化；而这恰恰为机器（AI）的进入准备了条件。
机器和大工业：从工具到机器体系
进入机器大工业之后，关键变化不只是有了更强的动力。蒸汽机很重要，但它本身并不是生产过程变化的全部。真正改变劳动方式的，是工具机或工作机：原来由工人手拿工具完成的动作，被转移到机器机构上完成。
发达的机器可以拆成三个部分：发动机提供动力，传动机构传递和调节运动，工具机直接作用于劳动对象。也正是在这个意义上，工业革命的起点不是单纯的动力机，而是工具机。
用这个视角看 AI，就不能只把它理解成“让工程师写代码更快”的辅助工具。更深的变化在于，一部分原来由工程师完成的局部动作，正在被转移到模型和工具链中，比如生成代码、转换表达、补充测试、解释日志、整理文档、调整样式。
这些工作过去依赖工程师的经验、表达能力和局部实现能力，现在开始由 AI 参与完成。于是，软件研发的变化就不只是某些任务变快了，而是研发过程本身正在被重新组织：它可能正在从高度分工的人工协作，走向人、模型和工具链共同构成的新生产体系。
在这个新的生产体系中，模型不只是单个工程师手里的辅助工具，而会逐渐进入需求理解、方案设计、编码、测试、Review、排障和文档沉淀等环节；工具链也不只是执行命令，而会承担更多组织上下文、连接流程和反馈质量的作用。这样一来，接下来真正需要讨论的就是：工程师的价值会从哪些地方迁移到哪些地方。
AI 时代，工程师的价值会迁移到哪里
如果软件研发正在从高度分工的人工协作，走向人、模型和工具链共同构成的新生产体系，那么变化首先会体现在分工方式上：很多边界清楚、模式稳定、可描述、可验证的实现任务，会从“主要靠工程师亲手写”，变成“AI 生成初稿，工程师判断和修正”。岗位边界也会变得更模糊，研发过程会更加依赖上下文、反馈和质量验证。
从局部执行，转向问题定义
AI 能更快完成局部任务，但前提是问题被定义清楚。
很多时候，真正难的不是写代码，而是判断问题是什么。需求的真实目标是什么？用户真正卡在哪里？这个方案解决的是表层问题，还是根因问题？边界应该放在哪里？这个问题是否值得投入复杂设计？
这些判断可以跟 AI 讨论，但不能完全交给模型。AI 降低了实现层面的试错成本：生成一个 demo、改一版交互、补一组测试、验证一个技术思路，都会比过去更快。但它没有自动降低方向性试错的成本。如果问题本身定义错了，AI 只是让我们更快地产生更多偏离目标的内容。
所以，问题定义越清楚，AI 越容易成为生产力；问题定义越模糊，越需要先停下来判断方向，而不是急着进入实现。
从写代码，转向组织生产过程
随着 AI 进入研发流程，工程师的工作不再只是自己把代码一行行写完，也包括把模型、工具链、代码库、测试和发布流程组织起来，共同完成研发任务。
这要求工程师知道哪些任务适合交给 AI，哪些任务必须自己判断；应该给 AI 什么上下文，应该怎样拆任务、控制节奏；哪些输出可以接受，哪些输出必须推翻；哪些地方可以自动化，哪些地方必须保留人的判断。
在这个意义上，工程师会越来越像复杂软件生产过程的组织者。价值不再只来自亲手完成每个局部实现，也来自能否判断哪些工作需要自己完成，哪些工作可以交给 AI，并把人、模型、工具和流程组织起来，保证最终结果可靠。
从局部熟练，转向系统与质量判断
局部技巧会被模型吸收一部分，但系统理解和质量判断更难被替代。
AI 不只会参与生成，也会参与检查。它可以帮助发现明显的逻辑问题，补充边界条件，生成测试用例，解释错误日志，按照规范做初步 Review。很多基础质量检查，AI 可能会做得更快、更稳定。
但一个局部实现是否合适，不能只看代码本身，还要看它放进系统之后是否成立：是否符合业务目标，是否适合当前架构，是否破坏模块边界，是否影响状态流、数据流、性能、稳定性和后续维护。
所以，工程师越理解系统，越能判断 AI 生成的内容应该放在哪里、怎么改、能不能合入，以及质量标准是什么、风险如何取舍、结果是否可以交付。
从交付产物，转向目标达成
AI 让代码、测试、文档、方案这些中间产物更容易生成，也更容易让人误以为“东西产出了，任务就完成了”。
但软件研发最终要解决的不是“有没有产出代码”，而是问题是否真的被解决：用户体验是否改善，业务目标是否达成，系统是否稳定，后续维护成本是否可控。
所以，AI 时代工程师的核心竞争力，不是从“写代码”简单变成“指挥 AI”，而是从局部执行，转向问题定义、生产组织、系统与质量判断，以及目标达成。
写在最后
讨论 AI 时代前端工程师的核心竞争力，当然会涉及具体能力，比如交互设计、工程架构、AI 应用整合等。
但这些能力之所以在今天变得更重要，背后有一个共同原因：AI 正在改变软件研发的过程。一部分局部实现开始由模型和工具链参与完成，工程师不再只是完成某个具体环节，而是需要在问题、系统、工具和结果之间建立更清楚的判断。
所以，AI 时代前端工程师的核心竞争力，很难被归结为某一种单点能力。它更像是一种综合能力：理解真实问题，理解工程系统，理解 AI 和工具链能做什么、不能做什么，并在这些条件下持续交付可靠、有价值的结果。
AI 带来的并不是工程师价值的消失，而是价值位置的变化。过去更容易被看见的是局部实现的熟练度；接下来更重要的，是能否在一个由人、模型和工具链共同构成的研发过程中，对最终结果负责。
