AI时代稀缺技能：需求规范与结果评估

AI 智能体正在越来越擅长生成各种事物的初稿——代码、规格说明、活动文案、分析报告等。而真正稀缺的能力，变成了一种不同的东西：快速且有把握地判断你面前的输出是否正确——而不仅仅是产生输出。

核心观点：规范定义优于生产执行

Addy Osmani 在 Google 工作了 14 年，主要负责 Chrome DevTools 和开发者体验相关的工作。他在 The Pragmatic Engineer 的播客节目 "From Chrome DevTools to AI Engineering, with Addy Osmani" 中讨论了这种转变。这个模式的适用范围远不限于代码领域。

大多数专业工作都分为两个部分：决定应该产生什么，以及让它真实存在。智能体正在降低第二部分的成本。但它们做不到的是：提醒你忘记的约束条件、对特定客户重要的边缘情况，或者你提的需求本身是错误的需求。

因此，正在升值的能力位于生成的两端：一端是规范定义（在任何产出之前，精确地明确意图、约束和成功标准），另一端是评估（根据这些标准快速判断质量）。相对贬值的则是纯粹关于吞吐量的能力——写样板代码、组装标准文档、从空白页生产初稿。

这不是说"工程师变成了经理"或者"产品经理不再需要深度"。恰恰相反。判断智能体的输出需要比亲自生产时更深的领域知识，因为你是在没有通过实际工作积累上下文的情况下做审查。

真实案例：重写你的增长计划

以一个数据科学家为例，他的团队现在用智能体来做探索性分析。以下是具体的转变步骤：

之前：60% 的时间写 pandas 转换，20% 解释结果，20% 沟通结果。

之后：15% 编写 prompt 和审查转换，45% 解释结果，40% 沟通和捍卫结论。

陷阱在于：智能体生成了一份看起来很干净的队列分析，但悄悄丢弃了注册日期为 null 的用户——占样本的 8%，而且这些用户集中在某一个获客渠道。

要发现这个问题，需要的是了解数据的历史，而不是会写 pandas。花了过去两年只写转换的人发现不了它。而花那些时间与利益相关者争论"队列"到底意味着什么的人，才能发现。

用同样的方法审计你的一周。估算一下，在 18 个月内，智能体可能吸收你多少比例的时间。然后问自己：剩下的部分是什么——你是在主动让它变得更好，还是在靠它吃老本？

价值正在从产出转向规范意图和评估结果——两者都需要更深的领域知识，而不是更少。

审查 AI 输出比看起来更难，因为你缺少通过手动工作本可获得的上下文。

审计你的一周：多少比例是智能体可以吸收的吞吐量，你正在主动加强的判断层是什么？

在你的工作中，有哪一项任务你能在 30 秒内发现一个错误的答案——你是怎么培养出这种直觉的？

来源：The Pragmatic Engineer - "From Chrome DevTools to AI Engineering, with Addy Osmani"