在 2026 世界人工智能大会期间的一场对谈中，拥有近 20 年企业软件开发经验的滕昱，与曾在 Google 担任软件工程师、后加入月之暗面从事研发的唐飞虎，给出一个罕见一致的判断：AI 正在优先放大资深工程师的经验与判断力，而不是让所有人平均受益。
滕昱同时使用三个编程模型，采购策略是"买最贵的、直接拉满"。唐飞虎几乎试用所有主流工具，甚至会给模型跑 Benchmark 来用满额度。但两人都不精确统计自己每天消耗多少 Token。
不是不想算，而是算法变了。
过去 Vibe Coding 是一轮提问对应一轮回答，Token 消耗容易估算；现在开发者更像是在给 Agent 设定一个目标，让它持续执行、反复调试，可能一个小时之后才需要人类介入。
一个复杂任务背后可能藏着数十次工具调用、代码修改与环境交互——单独统计 Token 数量，已无法代表生产效率。
不懂代码的人能通过 Vibe Coding 做出产品吗？两人都给出乐观回答，但程度不同。滕昱估计普通应用中 70%-80% 的需求可以通过描述交给 Agent；但涉及新逻辑、新架构、缺乏成熟参考的系统设计时，模型容易陷入重复循环。
唐飞虎更乐观，因为他刚经历了一次"代差级"体验：
两人背景迥异，却在一个问题上完全一致：AI 不会让所有工程师失去价值，它正在优先放大资深工程师的经验和判断能力。真正受到冲击的，是过去依靠重复编码积累经验的新人，以及层级复杂、流程沉重的大型软件组织。
重复编码型新人：基础工作被 AI 接管，陷入"经验真空"，刷题式成长失效。
大型软件组织：层级复杂、流程沉重、评估方式粗糙，AI 反而放大内耗。
资深工程师：Agent 提供近乎无限的执行能力，经验被成倍放大。
10-20 人精英团队：层级少、目标一致，AI 直接读写项目，大幅扩展沟通带宽。
滕昱补充了一个底层逻辑：代码本身是"把人类需求翻译成计算机语言"的过程，有编译器作为反馈兜底，天然适合 AI 率先进入。北美大厂管理者一两年前就想明白了——AI Coding 一定会发生，只是不确定具体时间。
在 AI Coding 产品中，模型决定基础能力，Harness 负责提供工具、上下文、执行环境与任务流程。同一个模型放入不同 Harness，实际表现可能天差地别。
唐飞虎的比喻：模型是航空发动机，Harness 是机身骨架——缺一不可。
新的 Agent 评测已不再单独比较模型，而是比较"模型 + Harness"组合——企业购买的从来不是一组裸参数，而是一整套系统。同一底座模型配不同 Harness，差距可能非常大。
但滕昱提醒：不要过早投入打造"完美 Harness"。模型进化太快，三个月前精心设计的工作流，可能很快被新模型内化。真正该思考的问题是：作为"人类智能体"，你与 AI 的差异究竟在哪里？
这是全场最尖锐的分歧。两人态度鲜明，几乎无法调和。
"模型在训练中无法真正感知痛苦。"
"模型已经具备某种判断机制。"
当 AI Coding 从"鼓励尝鲜"进入"计算 ROI"阶段，早期粗放的管理方式开始反噬。
滕昱把引入 Agent 比作招聘新员工——需要流程、数据、制度与培训来约束。他还提醒一个生产环境的现实：银行等企业不会允许外部 AI Agent 临时进入生产环境，S1 级故障来了，工程师必须在 5-10 分钟内做决定，哪怕只是先重启系统。AI 生成代码，无法免除人类责任。
一个反直觉、但被两人共同验证的结论：把最强模型交给资深工程师，才是 ROI 最高的配置。大公司内部 Token 消耗最高的人，往往也是最资深、最高效的开发者——他们清楚哪些任务值得做、应该怎么拆解、模型在哪个节点需要纠正。
条形宽度为定性示意，表示"单位 Token 的生产价值"，非实测数据，仅作直观比较。核心差异不在用量，而在"会不会用"。
唐飞虎补充了另一层成本：最困难的任务上，便宜模型往往更贵——更多迭代、更多 Debug、更多人工介入，甚至延误项目。正确做法是按任务选模型，而不是所有人平分算力。
最紧迫的问题：过去新人靠写基础代码、修 Bug 积累经验，现在这些活儿正被 AI 接管。怎么办？两人的建议惊人一致：先做起来。
设计一个解决真实问题的小程序，比较 AI 生成的代码与自己实现的差异。
初期不要纠结 Token 成本，先建立与 Agent 协作的直觉和判断力。
不要和 AI 比拼 LeetCode——它见过的题目和代码远超任何个人。"你是人，不是 Agent。"
理解语言、思想、人和社会。人文知识会在职业关键节点产生长期价值。
面试方式也在变。唐飞虎做面试官时不阻止候选人用 AI，反而设计人机协作任务，故意埋入问题，观察候选人能否发现模型错误、调整方向、完成交付。未来的求职证明，可能不再是刷题记录，而是一套借助 Agent 完成的真实作品集。
传统计算机专业的 30 年红利期已结束。北美已出现研究生提前毕业潮。建议把计算机作为第二专业。
AI 最先冲击的恰恰是规则清晰、反馈明确的编码工作。"文科可能更吃香。"
仍然建议学计算机。数学逻辑和系统机制仍是判断模型输出的基础。
但课程体系必须改——Vibe Coding 已经新增了"与 AI 沟通"的能力要求。
AI Coding 正在把软件工程的价值重心从"写代码"推向"做判断"。模型负责执行，人类负责定义目标、识别错误、承担后果——真正的分界线，不是会不会写代码，而是敢不敢拍板、能不能负责。
打开任意一款 AI 编程工具，设定一个小目标，让 Agent 完成一次完整交付。
不需要等到"准备好"——用起来，就是最快的准备。