大厂工程师血泪教训：选对问题比写好代码重要10倍，AI来了更要懂

当AI已能生成80%-90%的代码，工程师的价值正在被重新定义。OpenAI Codex技术负责人Michael Bolin在近期访谈中直言：“问错了，比不会写更麻烦。”这位从谷歌日历到Facebook Buck构建系统，再到OpenAI Codex的工具创造者，用20年工程实践揭示了一个反常识真相：AI时代拉开差距的，从来不是写代码的速度，而是“选择解决什么问题”和“如何定义更好的系统”。

在代码生成成为基础能力的今天，工程师正站在职业价值的转折点上。Michael的经历像一面镜子：从硕士毕业设计时用JavaScript实现早期自然语言交互工具Chickenfoot，到在Facebook用Buck构建系统将Android构建效率提升一倍，再到如今主导Codex让AI成为编程助手——他的每一步突破，都源于对“现状的不满”和对“核心问题”的精准捕捉。这不仅是一个工程师的成长史，更是一部技术演进中“人与工具”关系的启示录：当AI接管重复劳动，人类的不可替代性究竟藏在哪里？

正文：AI时代的工程师突围：从“写代码”到“定义问题” 一、工具创新的底层逻辑：对“现状的不满”是第一生产力

“大多数工程师在适应工具，而少数人会在不满中重写工具。”Michael的这句话，道破了工具创造者与使用者的本质区别。他的职业生涯，就是一部“因不满而重构”的历史。

2000年代初，还在斯坦福读硕士的Michael，对当时Web交互的低效感到“无法忍受”。用户想让浏览器自动执行点击、输入等操作，必须编写复杂的JavaScript代码，普通人根本无法上手。这种“不满”催生了Chickenfoot项目——一个嵌在Firefox侧边栏的实时解释器，用户只需输入“click search”“enter first name”，系统就能通过启发式算法定位界面元素并执行操作。“当时我们用无障碍标签和切换技术把文本转为功能，在Craigslist上效果特别好。”Michael回忆，这个早期尝试与如今AI编程助手的逻辑惊人相似：用自然语言简化交互，只不过当时依赖的是JS替代方案，而现在有了真正的自然语言处理。

这种“不满驱动创新”的逻辑，在他加入Facebook后再次显现。2010年，Facebook决定发力移动端，与HTC合作定制Android系统。但接手的代码库构建效率极低：Ant工具无法模块化，每次修改都要全量重构，迭代速度根本赶不上截止日期。“我做过Java项目，知道它不该这么慢。”Michael的“技术直觉”告诉他，问题出在构建系统的底层设计——缺乏缓存机制和模块化支持。

他顶着“所有人都反对”的压力，在黑客松中启动Buck构建系统项目。核心优化直指痛点：引入缓存机制，对未变化的输入结果直接复用；简化模块新增流程，从200行XML配置缩减到几行代码。结果，构建性能提升一倍，iOS团队主动找上门：“我们的构建系统太烂了，能合作一起搞Buck吗？”从被质疑到被需要，Michael证明：工具创新的起点，永远是对“不合理现状”的零容忍。

二、AI时代的能力迁移：从“写代码”到“提问题”，差距在定义问题的精度

“80%-90%的代码已可由模型生成，但关键部分仍需人类把控。”Michael的这句话，戳破了“AI取代工程师”的焦虑。在他看来，AI确实能高效完成重复编码，但真正决定系统质量的，是“你选择解决什么问题”和“如何定义问题”。

以Codex为例，其核心能力是将自然语言转化为代码，但前提是用户能清晰描述需求。“如果提问模糊，比如‘写一个登录功能’，AI可能生成一个漏洞百出的版本；但如果明确‘需要支持OAuth2.0、防暴力破解、适配多端’，结果会完全不同。”Michael强调，AI就像“超级实习生”，能执行指令却无法判断指令本身是否合理。这也是他为何说“问错了，比不会写更麻烦”——错误的问题定义，会让AI生成的代码在错误的方向上狂奔，最终导致系统失控。

更深层的挑战在于“系统理解”。Michael指出，AI看似什么都会，但对系统底层逻辑的理解仍有局限。“比如一个复杂的分布式系统，AI能写出单个模块的代码，却未必清楚模块间的依赖关系、数据流向和故障处理逻辑。”这正是人类工程师不可替代的核心：能站在全局视角，判断“什么问题值得解决”“什么方案更优”。他以Facebook的虚拟文件系统Eden为例：当时团队发现代码库同步效率低下，AI或许能优化同步算法，但只有人类能意识到“问题根源是文件系统的架构设计”，从而重构整个系统。

三、大厂生存启示：解决“公司真正关心的问题”，才是影响力的核心

从谷歌到Facebook，再到OpenAI，Michael的职业轨迹揭示了一个残酷真相：工程师的影响力，最终取决于是否解决“公司真正关心的问题”。

在谷歌时，他参与的Google Calendar和Tasks项目，虽面向用户体验却非营收核心。“我总在对谷歌未必重要的项目上倾注精力，结果是‘高质量工作却得不到认可’。”这段经历让他明白：选择比努力更重要——要么投身公司核心业务，要么专注能带来颠覆性价值的工具创新。

加入Facebook后，他果断选择移动端这个“决定公司成败的关键战场”。当时Android构建系统的低效，直接影响手机项目的交付进度，这正是“公司真正关心的问题”。“我刻意淡化项目的基础设施性质，只说‘为Android打造构建系统’，避免触碰别人的蛋糕。”这种务实策略，加上Buck系统的显著效果，让他从“新人”变成“不可或缺的工具创造者”。

Michael的教训对当下工程师极具参考价值：在AI时代，“埋头写代码”的价值会持续贬值，而“精准定位核心问题”“用工具解决业务痛点”的能力，将成为立足之本。

四、未来展望：云端Agent与人类价值的共生

当被问及AI编程的未来，Michael提到一个关键趋势：“编程智能体的执行将更多迁移到云端，而非本地。”这意味着，未来的开发环境可能是“人类定义问题+云端AI生成代码+实时协作优化”的模式。

但这并不意味着人类会被边缘化。相反，Michael认为，云端化会放大“定义问题”的重要性：“AI在云端能调用更强大的计算资源，但前提是人类给出清晰、精准的指令。”他举例，未来一个分布式系统的开发，可能是工程师先画出架构图、定义模块接口和数据协议，AI则负责填充具体代码，而人类全程把控逻辑正确性和系统健壮性。

“长期来看，编程会从‘写代码’变成‘设计系统’。”Michael总结，AI淘汰的是“代码执行者”，留下的是“问题定义者”和“系统架构师”。这正如他从“写JavaScript的工程师”到“工具创造者”的转变——真正的成长，是从“解决别人定义的问题”到“定义值得解决的问题”。

结语

AI能写80%的代码，但写不出“为什么要写这段代码”。Michael Bolin的经历告诉我们：工程师的终极竞争力，从来不是“写得快”，而是“看得准”——准确定位问题、精准定义系统、清晰提出需求。在工具日益智能的时代，人类的价值恰恰回归到最本质的能力：思考与判断。这或许就是AI时代的生存法则：与其恐惧被替代，不如成为那个“问对问题”的人。