AI时代的自主权：AI是思考的输入，而非输出

本文写于 2026 年 7 月 22 日。作者最近成为技术负责人，和团队第一次真正谈的不是政策、也不是工具清单，而是一个词：ownership（自主权/主人翁意识）。他希望团队更积极使用 AI，而不是减少使用：样板代码、测试脚手架、重复的迁移、记不住的正则表达式，都应该让模型先起草。但使用必须负责任。

核心标准是：无论代码有多少由 AI 生成，你必须能够把每个决策当作自己的决策来捍卫。不是“你写的”，也不是“大致知道它在做什么”，而是有人质疑任意一行时，你都有答案，因为你想过。测试很简单：别人质疑 PR 时，你能不回到工具直接回答吗？如果只是把问题粘贴进模型再转贴结果，那不是做事，而是中介。这个测试容易悄悄失败——PR 合并了，直到系统出问题才暴露。

为什么这比以前更重要？因为 PR 是对他人时间的请求。不理解代码就提交，并没有省掉思考，只是把思考转移给 reviewer，而且成本更高。代码变得便宜时，判断力变得昂贵。作者在工资、税务、合规领域工作，客户付钱不是为代码，而是为知道特定预扣税边界、某笔支付在特定时间后不可撤销、某个小 schema 变更会破坏交给政府的报表。廉价生成让判断力更有价值，但前提是你真正在使用它。

还有学习陷阱：如果工具修复了 bug 而你从未调查，下次出问题你还是从零开始。没有失败模式的记忆，没有排查方向的本能。长期如此，每天都是第一次调查那个 bug。AI 也让“看起来很专业”变得免费：自信的语气、精确的词汇、结构、长度，瞬间可得。作者的经验法则是：无法用平实语言解释的漂亮工作，是红旗而非优点。

不要用 AI 生成 Slack、PR 评论或文档中的文本。那些文字可能正确，但读者能认出生成文本的质感，一旦认出，他们会更不信任你。可以用模型整理思路、起草、反驳、挑毛病，那是输入。然后用你自己的话写出来，因为重写不是形式，而是发现自己哪些部分真正理解的过程。

写回复时，模型起草、你重写。代码提交时，工具很会顺着你问的问题给出一个自信的答案，但那可能建立在从未声明、你也从未看到的假设上。所以先验证假设，再验证答案。你无法审查一个你不理解的功能，那不是审查，是希望。选择模型也是一种判断：大而重的推理模型留给架构、疑难 bug、多文件重构；日常小改动、测试、样板代码不需要。真正的技巧是分解——一个大任务通常是一堆不需要大模型的小任务。分解也让工作可审查，这又回到对别人时间的尊重。

不要只是实现，要拥有。实现者关掉 ticket 就走，拥有者会协作、在规格模糊时提问、把改进推回给产品。还没成为那个领域的专家？那就成为专家，这就是工作本身。具体习惯包括：一边构建一边重读 PRD、在公开频道提问让后来者受益、确认决定而不是假设、提出替代方案而不只是指出问题。这些并不新鲜，只是现在更容易跳过它们却仍然做出看起来完成的产品。

总结三句话：用任何你想要的工具，但你必须能捍卫工作是你的；如果你说不清一个决定为什么正确，它就还没到可审查的地步。不要在 Slack 或 PR 评论里放 AI 生成文本，写成像真正理解问题的人那样。所有沟通——Slack、PR、文档——都要高信号。团队不会放慢速度。当人人都能生成代码时，判断力成为团队的招牌。用力使用工具，并拥有工具产生的一切。AI 是思考的输入，它不能是输出。