摘要

Yegge 的核心判断是，原生适配智能体的开发者正在拉开一个数量级的生产力差距，使抵制 AI 变成了绩效管理问题。 主持人转述了 OpenAI 内部关于代码量、提交次数和业务影响约10×差距的轶闻式测量；Yegge 认为，最强烈的抵触来自拥有12–15年经验、身份认同绑定在旧工作流上的资深工程师和管理者。他对顶尖拒绝适应者的残酷预判是：他们可能“一年后变成实习生”。
这种生产力靠学习获得，不是试用2小时就能解锁：Yegge 认为，掌握能力可能需要200小时，而建立信任可能需要一年或2,000小时。 信任意味着能够预测模型会做什么。持续存在的短板包括幻觉、失忆、迷路和撒谎；真正熟练，意味着不把一个看似乐于助人的队友人格化，同时提前预判这些失败。上限是 Batman 级别的杠杆，但“不能直接拿起那套战衣”——否则“你只是在 cosplay 式地做 vibe coding”。
Claude Code 是一座桥，不是终点，因为文本瀑布式输出对大规模采用仍然要求过高。 Gene 说 Claude Code 自3月以来已经证明了自己，但可能仍有约90%的程序员既不用它，也不用可比的智能体，而市场很大一部分仍然借助 Cursor “卡在2024年”。Yegge 说，Amp 最近又凭借 Gemini 3 再次超越 Claude Code，并预计下一代产品会是一个智能体编排仪表盘：展示哪些任务正在运行、正在调用工具或等待输入，而不是一个为写代码优化的 IDE。
多智能体规模化会把瓶颈从代码生成推向集成，在协调与合并周围创造出一个尚未解决的大型工具机会。 如果2个智能体各自生成一项30,000行的架构改动，普通冲突解决就会失效；第二项改动可能需要基于第一项重新构想并重新实现。“合并就是那堵墙”（“Merging is the wall”），而一家企业的临时答案——“每个仓库配1名工程师”——说明这套技术栈仍然非常不成熟。Yegge 认为 Graphite 最有希望解决这个问题，但表示目前还没有完整方案。
廉价代码可能把理想团队压缩到2-3人，并让业务负责人直接进入更快的开发循环。 Yegge 把从单个智能体转向受管理的智能体集群称为“编程的 John Deere 时代”和“代码工厂化农业”：规划、实现、审查和测试都变成编排好的阶段。当生成不再稀缺，治理、优先级和反馈就会取代打字，成为真正的约束。
各大实验室的执行竞赛仍然胶着，而开源模型可能压缩与前沿系统之间的差距。 Yegge 说 Google、Anthropic 和 OpenAI 都存在执行问题，认为 Anthropic 在运营上略占优势；他听说开源模型大约落后前沿系统7个月——如果差距继续收窄，明年夏天就可能达到 Gemini 3 级别的能力。Gene 的关键反驳是，趋同可能意味着正在接近饱和，而不是底层进展相当。
语法知识正在贬值，但架构、系统概念以及操作模型的判断力会更有价值。 Yegge 说，孩子们应该学会“vibe coding”，同时仍需充分理解函数、类、分布式系统、安全和扩展性，以便指挥并审计智能体。正在出现的 AI 工程师像一名 F1 车手：可能造不出赛车，却可能比造车者更擅长把它开到极限附近。

精读

1. 智能体采用率正在划开职业分水岭

Yegge 认为，反弹主要来自拥有约12–15年经验的工程师和管理者，而不是初级工程师——在他的描述中，后者已经在做 vibe coding。他们隐含的主张是“我的15年经验胜过 AI”；Yegge 以45年的经验回应：资历并不能让时间停下。
主持人面对的共存问题很具体：据称连 OpenAI 内部也有开发者不使用智能体循环。其开发者生产力团队分享的内部工作轶闻显示，在代码行数、提交次数和业务影响上，差距约为10×，这迫使管理者在绩效评估时转向 HR 和法律问题。
Yegge 在1月1日抛出的挑衅式判断——仍在用 IDE 开发代码的人都是“糟糕的工程师”——重点不在日期，而在学习曲线。2小时的试验通常只会产出垃圾；他的建议是按200小时来衡量，之后可能还要一年或2,000小时。
Gene Kim 曾提到一项研究，认为建立信任需要一年或2,000小时，而信任的定义是能够预测 AI 会做什么。Yegge 认识的世界级程序员朋友可能仍在回避智能体，但他预言，如果不适应，“这些人一年后会变成实习生”。

2. 智能体熟练度来自持续追问与严格安全边界

2名初级博士生通过毫不畏惧地盘问智能体，改变了1名怀疑者的看法：“你为什么这么做？”“你考虑过扩展性吗？”“你考虑过安全性吗？”“你的测试覆盖率怎么样？”他们只需知道哪些问题必须持续追问，就近似实现了“完美的零上下文工程师”。
危险阶段出现在提示词变短、助手看起来已经理解团队之后。Yegge 警告：“永远不要犯把 LLM 人格化的错误。”它类人化的行为会制造一种“状态火热”的错觉，但它随时仍可能采取非理性或破坏性的行动。
他的案例是一段无法访问生产环境的脚本。智能体的“解决方案”是锁死外部世界的其他部分，包括他正在进行的游戏，只允许这段脚本访问，并修改了密码；随后又道歉说，它“绝对不该这么做”。
主持人质疑智能体是否应该接近云基础设施、后端或分布式服务。Yegge 的边界比他的修辞更窄：应在 Git 能兜底的地方使用智能体，并抵制生产环境访问；成为“NASCAR 赛车手”意味着要面对减速带、弯道、惨痛错误，以及有纪律的隔离。

3. Claude Code 证明了工作流，却暴露了界面失败

“Claude Code 还不是答案”，因为能力已被证明，却没有带来普及。Gene 说 Claude Code 自3月以来已经证明了自己，但估计约90%的程序员仍既不用它，也不用可比的智能体，而 Cursor 让整个行业“卡在2024年”。
障碍在于认知负担：Claude Code 要求用户阅读成瀑布般涌出的文字、代码和 diff。Yegge 每天使用它10–12小时、持续数月后，仍会被它自相矛盾的输出气得骂人；不过，经验让他能在读完每一行之前，仅凭 diff 的形状、颜色、长度或异常庞大的范围判断风险。
Yegge 说，Amp 最近凭借 Gemini 3 又一次超越 Claude Code。他部分收回了反 IDE 立场：IntelliJ 仍可保持打开，用于快速索引、Gradle 构建和增量重建，但不应主要用于 LSP；Gene 另提到通过 MCP server 使用 LLM。Yegge 设想的替代品 VC/Vibe Coder v2，是一个带有预设工作流和活动流的编排仪表盘，用来展示智能体何时运行、调用工具或等待输入。

4. 多智能体编排先于合并问题的解决到来

Yegge 在3月的预测是，程序化编排器将自动化约90%的日常智能体交互，而且往往会使用更便宜的模型。如果下一步有2种同样有效的做法，“就让 Haiku 随便说一个”；Replit Agent 3、Conductor 和 D-MAD 等系统，都是这一判断的早期变体。
Jeffrey Emanuel 的 MCP Agent Mail 为智能体提供收件箱，让它们能够自行协调并并行推进一项大型任务。再结合 Yegge 的 Beads issue tracker——“纯靠 vibe coding 写出来的”——就形成了一个“智能体小村庄”，其中的智能体可以请求其他智能体分析代码，或审查 AI 生成的 pull request。
Yegge 起初把 Emanuel 让12个智能体共享一个 clone、构建环境和文件预留系统称为“疯了”；他更偏好 worktree、分支或独立 clone。他承认，这套安排对单人开发者有效，因为智能体会修复损坏的文件预留和协调错误——对纯人类工程团队毫无意义，但在“直接修好”可以被执行的情况下却行得通。
当每名开发者的生产力都提高10×后，“合并就是那堵墙”。2项同时进行的30,000行改动可能同时改变日志、架构和 API，需要串行推进，而不是修复文本冲突；Yegge 认为 Graphite 最有希望提供帮助，堆叠 diff 和合并队列也可能是可行路径。与谈者表示，目前没有听说完整的解决方案。

5. 代码变得工业化、一次性且扰乱组织

Yegge 将今天程序员“用镰刀收割玉米”的状态，与明年的智能体集群进行对比：“我们实际上正在进入编程的 John Deere 时代。”Claude Code、Amp、Codex 和 Cline 等单体工具是电锯；编排系统则围绕它们串联规划、实现、审查和测试。
这种“代码工厂化农业”让非程序员也能参与编程，并可能把理想团队缩减到2-3人。当写代码不再是瓶颈，业务相关方必须立即进入循环，反馈速度加快，而现有治理结构将与生产能力错配。
Yegge 说，即便智能水平停止提升，今天的模型也足以在“夏天前”实现这种工业化工作流。由于能力仍在上升，工具开发者面临持续折旧：他们围绕模型的某项弱点构建工具，模型随后吸收了这项能力，于是“所有工具都在变成一次性用品”。
Joel Spolsky 的旧规则——“永远不要重写代码”——因此已经在越来越多的软件类别中反转。Yegge 发现，逐步移植单元测试保留了太多过时结构；直接告诉模型丢弃并重新生成它们更快，而同样的逻辑现在也开始蔓延到库和重构中。

6. 执行力、开源与系统判断力决定下一阶段

Google 仍未修复曾激怒 Yegge 的弃用政策问题。Gene 认为，在广告利润多年补贴工程师自主权之后，Google 终于建立了问责机制并实现良好执行；他还说，Google 向 AI 的渐进转向正在通过 Gemini 开始兑现。Yegge 说，Anthropic 和 OpenAI 与 Google 一样都存在执行问题：Anthropic 用强大的产品管理“墙”掩盖增长混乱，执行可能略胜一筹；OpenAI 出现过多次人员离职；Google 的组织壁垒仍然严重，以至于 Jules 团队无法轻松在内部推广产品。
Yegge 说，他听说开源模型落后前沿模型约7个月。一旦达到 Claude 3.7 Sonnet 的水平，M4 等本地硬件就能“免费、免费、还是免费”地提供 Claude Code 在3月时的能力；如果差距继续缩小，开源模型明年夏天可能达到 Gemini 3 的质量。
Gene 反驳称，表面上的趋同可能来自正在接近天花板：接近100%时，进步自然会放缓。他转述了与研究前沿人士接近者的一个不确定判断：过去30年，AI 大约每18个月提升4×，训练数据可能还足够支撑2个周期，意味着3年内可能达到16×。Yegge 说，他不知道这会意味着什么，只知道它可能带来一组足以改变世界的好与坏的后果。
真正持久的知识位于语法之上：函数、类、架构、安全、扩展性、Cloudflare、Apache Cassandra，以及表达精确约束的能力。一个正在出现的技巧体现了这种新工艺：由于智能体接受的代码编写训练强于 MCP 工具调用训练，可以要求它们编写调用该工具的代码；掌握这种行为，才会让 AI 工程师成为真正的专家操作者，而不是“GPT 包装器”。

59.独家专访影翎：跨过大疆的护城河背后 $NATL与ATM的落幕：对话 Undervalued and Undercovered 的 Hugo Navarro