编者摘要：Augment 的四位从业者分享了 AI 原生工程师的招聘标准，指出智能体大幅替代代码编写工作后，工程工作的核心从代码实现转向抽象层次的判断与统筹。传统工程能力与 AI 原生工程能力形成鲜明维度差异，企业提炼出产品与结果的品味、系统与架构判断等六项核心能力作为招聘核心维度，摒弃了将原始编码能力作为主要区分因素的做法，并据此设定了四类 AI 原生工程师岗位及配套面试流程。同时，这些能力也成为企业工程价值观、绩效与职业发展的核心参考，且该招聘框架会随 AI工具 发展持续迭代。
当智能体能够处理绝大部分代码编写任务时，我们该如何招聘工程师？这个问题正变得越来越紧迫。
许多团队发现，他们沿用多年的招聘流程，似乎是为一个已经变化了的世界而设计的。在传统模式下，编写高质量代码的能力无疑是录用的核心门槛。然而，当智能体在具体实现上日益强大，能创造最大价值的工程师，往往是那些具备卓越产品嗅觉、深刻架构判断力，并能有效引导人机协同系统达成正确目标的人。
在 Augment，我们持续探讨向 AI 原生的转型及其实际内涵。基于我们的定义——AI 原生工程是借助人工智能最大限度地提高工程产出的质量和数量的实践——我们开始重新思考人才标准。
当下至关重要的核心能力
随着工程师与日益高效的人工智能助手协同工作，工作性质正在悄然改变。编写代码的时间在减少，而用于决策构建什么、设计可持续的生产系统、协调智能体工作以及推动团队围绕明确成果达成一致的时间则显著增加。
编码仍然重要，但这正逐渐成为机器可以高效辅助的部分。如今，更关键的是判断力：选择正确问题的能力、做出合理架构决策的能力，以及将人和智能体引向有价值结果的能力。
从宏观视角看，这种转变可以概括为：
| 传统工程 |
AI 原生工程 |
| 编写代码 |
明确意图并评估权衡 |
| 实现解决方案 |
协调智能体 |
| 解决问题 |
选择正确的问题 |
| 个人输出 |
系统级结果 |
认识到工程技艺正向更高抽象层次迁移，这引出了一个核心问题：在人工智能原生环境中，究竟是什么能力将杰出的工程师与仅仅优秀的工程师区分开来？
为了回答这个问题，我们组织了一个由工程经理、一线工程师（IC）和招聘专家组成的跨职能团队，从基本原则出发进行了深入探讨。最终，六项反复出现的能力脱颖而出，它们构成了我们认为在工程日益 AI 化进程中至关重要的评估维度。
| 维度 |
核心问题 |
| 产品与结果的品味 |
我们在构建正确的东西吗？ |
| 系统与架构判断 |
这个系统能在生产环境中稳定运行吗？ |
| 智能体杠杆 |
你能把AI转化为实实在在的工程产出吗？ |
| 沟通与协作 |
你能清晰地传达意图并整合不同观点进行协作吗？ |
| 拥有与领导 |
你是在驱动最终结果，而不仅仅是完成任务吗？ |
| 学习速度与实验心态 |
你能跟上工具演变的速度吗？ |
你可能注意到了，这份列表里缺少了一项传统意义上的关键指标：原始编码能力。编码当然重要，但它已不再是区分工程人才的首要因素。
产品与结果的品味：我们在构建正确的东西吗？
随着代码生产成本的急剧下降，构建了错误的东西正成为代价最高的错误。工程师越来越需要在动手实现之前，就去深入探究用户问题、消除需求模糊性并定义清晰的成功标准。
杠杆率最高的工程师，不一定是写代码最多的那位，而往往是能确保团队解决了正确问题的人。
系统与架构判断：这个能在生产中存活吗？
智能体可以生成能工作的代码，但在判断该代码所处的整个系统是否可靠、可维护方面，它们要逊色得多。架构判断力依然要求工程师深刻理解长期的技术权衡、真实的运维场景以及系统在规模扩展时可能暴露的隐藏风险。
“它能跑起来”相对简单，“它能在生产环境里持续稳定地跑下去”则困难得多。
智能体杠杆：你能把人工智能变成真实的工程产出吗？
真正的 AI 原生工程师不仅仅是向智能体提问。他们善于将问题结构化，以便智能体能够高效执行；在智能体偏离轨道时及时引导；并严格验证其产生的结果质量。
这有点像管理一支团队——只不过你的下属速度极快，并且有时会信心十足地给出错误答案。
沟通与协作：你能清晰地传达意图并跨越不同的视角进行合作吗？
当“实现”环节被加速后，更多的工作重心转移到了澄清问题、揭示各方权衡以及融合团队不同部分的观点上。工程师越来越需要能够清晰沟通、积极倾听，并快速建立共识。
速度最快的团队，不一定是编码最快的，而往往是能最先达成清晰、一致理解的团队。
所有权与领导力：你是否推动结果，而不仅仅是完成任务？
优秀的工程师对端到端的成果负责，而不仅仅局限于自己编写的那部分代码。当任何事物阻碍了进展——无论是缓慢的构建流程、模糊的工作流定义，还是系统间的集成断层——他们都会主动介入并推动解决，即使这超出了其直接职责范围。
所有权意味着主动扫清团队与目标成果之间的所有障碍。
学习速度与实验心态：你能像工具一样快速进化吗？
我们今天所使用的工具链，很可能在三个月后就会部分过时。能在这个环境中茁壮成长的工程师，始终保持着实验精神，能快速调整自己的工作流，并乐于在发现更好方法时果断摒弃旧的习惯。
实验不再是一个特定阶段，它本身就是现在这份工作的常态。
从理想标准到可落地的评估
一个框架唯有能切实改变招聘行为才有意义。下一步，就是将这些维度转化为可观测的信号——那些我们能在面试中具体评估的行为。
例如：
- 候选人能否快速澄清一个模糊不清的产品需求？
- 他们能否在生产风险实际发生之前，就识别出潜在的架构隐患？
- 他们能否有效地指导并验证 AI 生成的工作产出？
我们首先聚焦于工程角色，因为在这些岗位上，向 AI 原生工作流程的转变最为明显。未来，我们将把这一标准实施范围拓展至其他相关职能领域。
我们当前重点招聘的四类人才画像
基于上述框架，我们明确了四类将支撑近期招聘的重点岗位：
AI 原生系统工程师
- 核心特质： 强大的架构判断力和深厚的基础设施直觉。
- 职责聚焦： 确保技术基石的稳固，以便团队能在其上更快、更安全地构建。
AI 原生产品工程师
- 核心特质： 出色的产品品味和强烈的用户同理心。
- 职责聚焦： 定义正确的问题，并持续朝着有影响力的业务结果迭代。
AI 原生应用人工智能工程师
- 核心特质： 对 AI 模型有深入理解，并深知如何在其之上有效构建应用。
- 职责聚焦： 持续提升我们所用智能体及其工作流程的能力和效率。
AI 原生的早期专业人士
- 核心特质： 超强的学习速度与适应能力。
- 职责聚焦： 以智能体作为首要工作伙伴，在工具和工作流程快速变化时能迅速适应并掌握。
每一个画像对上述六个维度的侧重点都有所不同。为此，我们为每个岗位都设计了专属的 面试流程，以有针对性地考察其最关键的素质信号。
招聘标准折射出你的工程价值观
重新思考招聘标准的一个宝贵副产品是，它迫使组织必须明确自己的工程价值观。
这六个维度不仅在塑造我们的招聘。它们同样深刻地影响着我们对绩效评估、个人成长和职业发展路径的思考。如果判断力、杠杆效应和学习速度至关重要，那么这些能力就应当体现在工程师职业生命的方方面面，而不仅仅是在入职门槛上。
未来展望
我们选择提前分享这些思考，正是因为我们预计这个框架本身也会持续演变。AI 工具在飞速发展，我们对卓越的 AI 原生工程的定义也将随之迭代。
如果你也期待这样一个未来：小型工程师团队与大型智能体团队并肩工作，工作的核心聚焦于产品品味、系统判断和智能体编排，我们非常乐于交流。
如果你是一位正在思考相同问题的工程领导者，我们也很希望了解你的看法。
没有人已经掌握了全部答案。但招聘市场的变化已然发生，无论我们的面试流程是否已准备就绪。关于如何在这场变革中精准识别和吸引人才，欢迎在 云栈社区 与其他同行继续探讨。
本文是 Augment 关于 AI 原生转型系列文章的一部分。
发表于 2 小时前
|
查看: 2|
回复: 0
