要是讲2025年时AI编程仅仅是在协助工程师“写得更为迅速”, 那么2026年6月Anthropic所披露的数据, 所指向的是一个更为本质的改变: **并非是工程师变快了, 而是整个研发流程正处于被重新拆分以及重组的状态。**截止到2026年5月, Anthropic代码库之中超过80%的代码是由Claude编写而成, 工程师人均每日代码合入量变成了2024年时的8倍, 复杂工程任务的成功率从2025年末的26%猛增至76%。可是, 这并非是那种较为简易的“AI替代PM”的故事呀。要是将二者拆开去看, 也就是区分传统PM模式以及Claude Code的Agent驱动模式, 其差距并非在于“谁干活更快”, 而是在于**整个流程的架构逻辑全然不一样**。在传统研发模式里, 存在着角色分工, 那就是PM的“翻译”职能被Agent接管了, 那时PM身上承担着三个核心职能 , 其一为需求转化, 也就是把业务语言翻译成技术语言 , 其二是进度管理, 包含排期、协调以及推进等等方面 , 其三是资源协调, 即调配人力、工具以及权限等 , 这三个职能共同构成了PM在研发流程之中的不可替代性 , 然而Claude Code的模式却直接绕过了这一层存在的结构。哪曾想本应由项目管理在许多不同角色之间来回反复沟通、进行精细对齐、大力推动带动的环节, 却被智能体拥有循环管理的智能体、具备状态持久化的引擎以及有SKILL.md技能系统的Agent给一下子接管。**差距产生的根源并非人工智能更加聪慧, 而在于流程已然被重新进行设计了。** 在传统的模式当中, 充当信息流转中枢节点的是项目管理；而在了Agent模式里面, 这个关键节点已然被拆解成为能够自动执行的标准化步骤, 人的角色从最为普通的“翻译者”变换成为了“目标定义者”还有“结果审查者”。效率产出, 并非是速度上快那么一点点, 只有指数级地去压缩相关数据之间的对比, 而以此是则最能把问题给说清楚。Anthropic给出了最为显而易见关于典型的两个案例, 其一发生在需要让处理系统级故障完成修复的时候 , 在这项任务里是有着包括一次集群进行训练的所关联以及任务出现所表现集体崩溃的情况 , 在这当中的工程师方面仅仅是提供了对于问题的描述以及相关可以进行操作的权限 , Claude在时长为2当中每小时的范围内定位发现直到完成了进行隐蔽调试标志并最终完成修复操作 , 人类工程师方面完成同样程序同样需2至3天的时间。其二是涉及相关大规模代码库清理的工作 , Claude一次性完成提交800多个的那些修复情况 , 把某类API所存在错误频率降低了1000倍 , 人类完成同样这样的工作大约是需要4年的左右时间。它并非是“效率提升50%”, 而是从“天”到“小时”以及从“年”到“单次任务”这般的尺度紧缩, 是对尺度的一种压缩。在传统PM模式中, 此类工作的瓶颈并非存在于代码编写自身, 只是存在于问题定位、方案对齐还有跨团队协调这儿。Agent模式差不多把这些协调成本给清除掉了。不过其代价也是十分明确的。Agent驱动的工作流Token消耗是极为巨大的, 中等代码任务单次成本是1至2美元, 复杂项目有可能会耗尽20美元月度额度。要是把传统PM的人力成本, 这般人力成本涵盖薪资、沟通成本以及管理成本, 和Agent的Token成本一同做计算, 当前阶段, Agent模式于中小规模任务方面已然具备成本优势, 然而在超大复杂项目上, Token消耗仍旧有可能致使总成本高于传统模式, 人的角色, 从代码工匠转变成质量警察，这是两种模式之间最容易被忽视的差距, 传统模式时, 工程师核心产出是 代码本身, Claude Code模式下, 的核心产出变为判断和审查。已知Anthropic内部存在员工自述, 称大概5个月未曾亲手编写过任何代码。Claude Code创建者Boris Cherny所提出的“Loop Engineering”新范式, 其本质在于工程师从编写提示词, 转化为设计能够持续调度Agent的循环系统。然而在此处出现了一个新的瓶颈, 即代码审查正成为整个流程之中最为缓慢的环节。Anthropic内部做出判断, Claude生成代码的速度已然超过了人类审查员能够跟上节奏的速度。这也就意味着, 处于传统模式之际“ PM负责进度管控、工程师肩负质量监督”的那种分工状况, 于 Agent模式这个背景下是翻转态势展现 —— 工程师摇身一变成了其中唯一从事质量把关职守之人, 而 “进度管控” 此一属于 PM本来定义里面比较核心的那批职能事项 , 已然被 Agent循环全面接手, 国内针对此情况展开追进, 同样是没有 PM职位设置的状况, 只是彼此组织构建逻辑区别开来, 国内现在为止有好多相应公司跟随类似模式而行事, 但所选取的行进方式全然截然不同, Kimi选取采取的组织形式是那种无层级部门区分、无职位等级界定、无 OKR相关设定规则的扁平方向态式设置架构 , 五位联合创始人直接与底层最基层员工之间进行对接沟通模式 , 彼此之间协同工作是沿着围绕以 AI相关工作流程线路而开展运作的。推动“产研融合”轻松又健康, 产品经理直接投身于开发工作之中, 工程师则直面需求方, 依靠内部两千加Agent体系, 研发效率攀升至6倍。出门问问推出CodeBanana平台, 运用A2A达成不同项目Agent直接协作。将Anthropic的“Agent接管PM职能”模式加以对照, 国内企业的路径更倾向于“组织重构促使PM和工程师角色融合”, Anthropic通过系统取代人, 国内借助AI工具让人突破角色边界。有两条路, 当下均产出了效率提升方面的数据, 不过, 系统替代模式具备更强的可复制性, 而组织融合模式却需要更为强大的文化以及人才密度予以支撑。## 要选择哪一种, 需依据你的团队规模和技术密度来定倘若只能挑选一个方向, 判断的标准非常明晰: **要是你的团队属于15人以内、技术密度较高的AI Native团队**, 那么Agent接管PM职能的模式能够直接加以套用。由工程师、Agent以及审查者所构成的三人组, 即工程师+Agent循环连同代码审查, 已然能够实现端到端地交付产品。要是你的团队属于那种人数在50人以上, 并且拥有成熟PM体系的传统研发组织, 那么先着手从“产研融合”方面开始会更加具有现实可行性。借助AI工具使得PM和工程师之间的角色边界模糊化, 进而逐步减少纯协调性工作, 这相较于直接砍掉PM岗位而言是更为可行的办法。Anthropic当前, 其工程团队的人数现已达到1680人, 其中53%是在过去12个月之内入职进来的, 而且仅仅招聘具有平均12.2年经验的资深工程师。这样的一套模式, 在人才密度处于极高状态时成功实现了有效运行, 然而, 其具备的可移植特性, 所依赖的条件在于, 你手上是否拥有那种能够编写循环程序、能够对Agent产出进行审查、能够做出架构决策方面最终决定的人员。Agent取代了PM, 不过却将PM所承担的决策压力转移到了工程师身上。并非是所有的人都已经准备好了去承接这个责任。
标签： AI研发流程 Agent模式 效率提升 组织重构 角色转变
还木有评论哦，快来抢沙发吧~