人引导AI，不与AI拼体力

在人工智能技术迅猛发展的当下，AI 正在重塑各行各业的生产力范式。

如何在这个变革的时代定位人类自身的价值？

AI Agent（智能体）究竟是替代者还是协同者？

本期访谈，我们邀请到了三本 AI 编程书作者、Mixlab 主理人、前蚂蚁集团高级前端专家 Shadow 老师，与肖老师展开一场深度对话，共同探讨 AI 时代下个体与企业组织架构的转型之路。

访谈正文

肖老师： Shadow 老师，非常高兴今天能和您坐在一起交流。大家对您的背景都非常感兴趣。在进入正式的技术和行业话题之前，您能否先向大家简要介绍一下您的个人职业生涯和传奇经历？

Shadow： 肖老师好，各位朋友好。我的职业经历可能比普通的程序员稍微多了一些跨界色彩。

我最早其实是做设计出身的，做了好几年的专业设计。

后来，因为个人兴趣和技术发展的趋势，我转型做了一名程序员。

这段跨界经历让我兼具了视觉设计与底层开发的双重思维。

在疫情前，我曾尝试过创业。随后，我加入了蚂蚁集团，在大厂里度过了疫情那几年。

大厂的平台和项目让我对高并发、复杂系统以及前沿技术的落地有了更深维度的理解。

疫情结束后，我决定重回创业赛道。

近两年，我的主要精力都放在 AI 编程和 AI 相关的教育上，希望通过自己的实践，帮助更多人搭建起通往 AI 时代的桥梁。

肖老师： 您的经历确实非常丰富。现在大家都在谈论 AI 编程和 AI 协同创作，甚至有人认为 AI 很快就会取代创作者。作为写出了多本 AI 畅销书的作者，您是如何看待 AI 智能体在内容创作中的角色？它真的能代替人类大脑吗？

Shadow： 这是一个非常高频的疑问。以写书为例，很多人误以为我的书全部是由 AI 自动生成的，其实不然。

AI 确实拥有极高的内容输出效率，但在深度的内容创作中，它绝对无法替代人类大脑。

图书创作的核心价值，在于整体知识体系的梳理和结构化的内容设计。在整个创作过程中，人类大脑扮演的是决策者的角色：我们决定什么内容该呈现、什么内容该舍弃、逻辑链条如何闭环。

一旦人类将这个框架和提纲精准地定义好，AI 就能在极短的时间内完成高质量的文字填充。

这在行业内被我们形象地称为“人类审稿，AI 执笔”。

AI 在这里是极佳的执行者和协同者，但创作的灵魂和判断力，依然牢牢掌握在人类手中。

肖老师： 这种“人脑决策、AI 执行”的模式听起来非常高效。那么，当这种模式普及到更广泛的企业场景中时，您认为这会对传统的企业组织架构产生怎样的冲击？

Shadow： 传统的企业组织架构正在面临前所未有的重塑。

在 AI 时代，我们完全可以将 AI 智能体视为组织里的“初级员工”。

大量的事务性工作、基础的数据整理和初级代码编写，AI 已经能够完成得非常出色。

这也意味着，人类在企业中的角色被迫发生了转变。

过去，很多员工在组织中扮演的是执行层面的初级角色；而现在，你必须迅速向“主管”或“管理者”转型。

控制和调教 AI，本身就是一门新型的管理学。

作为人类员工，你必须成为该领域的专家，具备高水平的审美与评估能力，才能有效判断 AI 输出的成果是符合标准，还是需要打回重做。

因此，企业未来的组织形态将变得更加扁平、敏捷，以“人机协同”为核心。

肖老师： 听起来，初级岗位正在被 AI 迅速替代。但这也带来了一个社会痛点：对于刚步入社会的职场新人或大学毕业生来说，当基础性、事务性的工作都被 AI 承包了，他们该如何起步？

Shadow： 肖老师，这确实是目前一个非常严峻且现实的社会痛点。

我常常说，这一代职场新人面临的最大危机，其实是“失去了打杂的机会”。

回顾以往，任何一个行业的新人进入公司，都是从打杂、画图、写基础代码这些看似琐碎的工作开始起步的。

虽然效率低、会犯错，但那是他们积累行业直觉和实战经验的必经之路。

而现在，AI 能够在几秒钟内提供比新人更稳定、更快速的基础产出。

这导致高校教育与社会实践之间出现了一个巨大的断层。

面对这种变化，新人不能再指望进入企业后再通过基础工作慢慢摸索。

我的建议是，职场新人必须化被动为主动，在学习阶段就积极寻找并参与真正的实战项目。

通过实战来培养自己的系统性思维和项目把控力，直接训练自己的“主管思维”，而不是停留在简单的执行层面。

肖老师： 这是一个非常具有前瞻性的建议，思维的转型确实迫在眉睫。谈到具体的实践，现在技术界有一种声音，认为要训练或调教出一个好用的 AI 智能体，必须消耗海量的 Token 进行长期训练。您在实践中，如何看待 Agent 调优的成本与方法？

Shadow： 这也是行业内存在的一个普遍误区。

在纯技术层面上，“训练”意味着需要改变模型底层参数的权重。

然而，在应用落地场景中，我们对 Agent 的调优，其本质并不是去修改底层模型，而是去规范它的行为模式，让它的运行逻辑更符合具体业务场景的预期。

我常用“开车”来做比喻。我们调校 Agent，其实是在培养一种“手感”。

而要获得这种默契的“手感”，并不需要动辄消耗十亿、百亿级别的 Token。

相反，在实际应用中，那些最擅长调教 AI、并能让其高效工作的人，往往不一定是顶尖的算法工程师，而是那些在人类社会中就极具沟通和管理能力的人。

因为“提示词工程（Prompt Engineering）”的本质就是一种精准的沟通。

只要我们能够清晰、有逻辑地表达业务规则，就能将人类世界中成熟的管理经验和沟通方法，低成本、高效率地迁移给 AI，从而快速得到一个好用的智能体。