AI认知差异大:同一家公司,有人手搓Linux,有人用 AI 写生产代码

跟不同部门、不同岗位的同事闲聊过他们在工作中使用AI编程的方式。下面是聊天实录：

第一位

底层嵌入式Linux部门，资深Linux程序员老张：

古法编程，手搓代码，知道AI，但用的不多；

云事业部门，工作15年+程序员老赵：

知道AI，但认为AI编程不可信，幻觉太多，拒绝使用AI编程；

云事业部门，入职2年的前端程序员小李：

会用deepseek，在deepseek网页上根据需要生成代码，然后贴到项目文件中。也会把IDE里有问题的代码贴到deepseek网站让AI查错；

云事业部门，入职8年的后端程序员钱工：

熟练使用trae、qoder等在IDE里让AI协同开发代码，一些小模块和边界清晰的需求会交给AI来做；

云事业部门，入职1年的全栈工程师小高：

使用Claude Code来编写前后端代码，bug很多，经常被锤，但用的很high；

云事业部门，入职10年+的后端程序员老K：

基于spec文档+prd列表使用claude/codex进行AI编程，同时不断update spec。把spec作为偏静态的指南规范AI编程，而prd作为动态的指南引导业务往前move；

提个小问卷，你属于哪一种？欢迎在评论区写下你的答案。

目前的情况是，虽然大模型有很多，AI Agent和AI IDE也有很多选择。但是工具归工具，程序员的AI编程的认知参差不齐。有的程序员还在手撸代码，而有的程序员已经用AI编写生产级代码了。对AI的认知差异，可能是新时代研发团队里的不稳定因素。

所以，在AI时代，团队管理当务之急是提升AI编程的方法论，对齐AI编程的认知，统一AI编程的代码实践，让AI在受控的使用中发挥最大的功效。

而要统一AI编程的实践，需要2个东西：

• 编程spec

其实在管理规范的团队里，一般都会有完善的spec资产。这样的团队在AI时代可以做到无缝切换，如鱼得水。但大部分团队都没有，这就要求团队里有人来统一定义这些spec。

不同的项目类型有不同的spec，不同的开发语言也有不同的spec。

单体架构的项目有它的spec，微服务架构的项目也有它的spec；

C语言项目有它的spec；java语言项目有它的spec；go语言项目也有它的spec。

这些spec划分的越清晰，AI写出来的代码才越精准。

在spec上下好功夫，比你盲目写十万行代码都重要。

那spec怎么来呢？

第一个蒸馏，第二个手写。

从以前做的比较规范的项目代码中蒸馏，或者从github上一些比较经典的项目代码中蒸馏。

具体来看，可以通过claude code的  /init命令去生成，也可以用trellis这种AI辅助编程框架去生成。

工具或者框架生成之后，再人工审核并补充、完善即可。

• 切分和规范task列表

在项目的后续开发中，spec虽然也会改动，但是相对来说比较静态。

spec有点像是汽车本身，这个汽车去哪里、怎么去却是向导来负责，这个向导就是task列表。

产品经理给出prd列表。然后rd leader根据prd切分出task列表。每个task越清晰明了、越接近技术表述，越能够让AI编程的时候一次通过。

那么，最后的开发形态就是基于task列表里的一条一条的task，让AI基于spec去开发，基于spec去测试，基于spec去部署，最后使用skill去运维。

等这套机制越跑越顺之后，你会发现，其实只要有一个rd leader在可能就够了，其他人好像都是多余的。那他们就可以派去做其他事情了。