---
layout: post.njk
source: https://yage.ai/share/ai-coding-shift-delegated-work-20260618.html
speaker: yage.ai
title: AI 编程的下一个变化：从盯着改到整个交出去
date: '2026-06-18'
summary: 文章探讨了AI编程范式的转变，即从用户全程盯着修改代码（Agent作为工具）升级为将整个复杂任务交给Agent去自主探索、试错和完成（Agent作为执行者）。这种转变不仅提高了任务的复杂度上限，也重新定义了开发者的核心价值，使其从“会写代码的人”转变为“知道该做什么、能判断结果的人”。巨头对完整任务生命周期数据的需求，驱动了围绕长时间运行Agent基础设施的激烈竞争和并购。
area: tech-engineering
category: ai-application
tags:
  - agentic-workflow
  - task-execution
  - developer-role
  - long-running-agent
people: []
companies_orgs:
  - Goldman Sachs
  - SpaceX
  - OpenAI
  - Google
  - Anthropic
  - Salesforce
products_models:
  - Cursor
  - Claude
  - Devin
media_books: []
draft: true
status: evergreen
---

你大概这样用 AI 写代码：打开 Cursor 或 Claude
Code，描述你要什么，agent
生成代码，你盯着看，哪里不对让它改，几分钟到半小时搞定一个任务。

但正在出现另一种用法。你把一整个任务交给
agent，比如”把这个模块从旧框架迁到新框架”，或者”查清这个 bug
为什么会间歇性出现然后修掉”，然后关掉电脑，去开会，去睡觉。几小时或者一两天之后，回来看结果。

这种用法现在还早期。Goldman Sachs 从 2025 年 7 月开始试点
Devin，到现在仍在持续扩展（CNBC）。独立
benchmark 上，这类 agent
的复杂任务成功率还远低于交互式模式。方向已经清楚了：OpenAI、Google、Anthropic
三家前沿 lab 都在为这种用法专门建云端运行环境，2026 年 6
月一周里落了三笔并购：SpaceX 花 600 亿美元收 Cursor（Reuters），OpenAI
收 Ona，Salesforce 花 36 亿美元收 Fin，全指向同一个方向。

这篇文章讲为什么。

## 这不是盯着改的升级版

盯着改和整个交出去，看起来像同一种工作的快慢版本。其实是两种不同性质的工作。

盯着改的时候，agent
是你的工具。你全程在场，它帮你加速。你能做的任务受限于你的注意力和在场时间：改一个函数，修一个小
bug，加一个功能。

整个交出去的时候，agent
是你的执行者。你给一个目标，它自己去探索、试错、完成。它能做的任务，是盯着改根本做不了的。

比如同时重构十个代码仓库的依赖，花两天追踪一个跨系统的间歇性
bug，把一整个模块从旧架构迁到新架构。这些任务，盯着改做不到。它们需要
agent
自己长时间探索、不断试错、来回回溯，人在旁边盯着既看不懂它在中途干什么，也帮不上忙。

所以长时间运行这件事重要的原因，在于它打开了一类盯着改根本进不去的任务。速度提升只是附带的效果。能做什么这件事变了，比做得快不快重要得多。

## 你从执行者变成了管理者

盯着改的时候，你同时只能管一个
agent。你的注意力被绑在它的执行过程上。就算它全做对了，你也得盯着，因为你需要在它出错的时候立刻纠正。

整个交出去之后，这个限制消失了。你可以同时交出去五个任务，每个 agent
在不同分支上自己跑。你去开会，去做设计，去带孩子，回来挨个看结果。

你从亲手干活的人，变成了管一堆 agent
的人。这两种角色的生产力上限完全不同。一个人盯着一个 agent
改代码，和一个人同时管五个 agent 各自跑完整任务，中间差好几倍。

这个变化对外面看的人可能不明显，对正在用这些工具的人是切身的。你现在花在”盯着
agent 改代码”上的时间，大部分会变成”给 agent
分活、看结果、做判断”的时间。省下来的注意力，可以同时管更多任务，也可以去做
agent 做不了的事。

## 那你还能干什么

当 agent 能整个接住任务，写代码这件事本身就被它吃掉了。

你的价值剩下两层：决定该做什么，以及判断做得好不好。

“开发者”这个角色在重新定义。从”会写代码的人”，变成”知道该做什么、能判断结果的人”。

这个变化比前面两个都深。前两个说的是工作方式和效率，这个说的是你这个人靠什么吃饭。写代码变成了
agent
的事，你的核心资产变成了品味、判断力和方向感：知道什么是值得做的，什么做好了什么没做好。

对已经在写代码的人来说，这意味着经验里的高阶部分在升值，低阶部分在贬值。系统设计、问题诊断、取舍判断在升；语法、模板、重复实现在降。对刚入行的人来说门槛变了：过去靠写代码建立价值，以后写代码这件事不太需要人做了，得靠别的途径积累判断力。

## 为什么巨头愿意花 600 亿

盯着改的 agent
积累的是什么数据？你改了什么、接受了还是拒绝了它的建议。交互片段。

整个交出去的 agent
积累的是什么？完整的任务生命周期：一个复杂任务怎么被拆成几步，中间在哪里卡住，怎么恢复，怎么验证做对了。任务级的完整记录。

后者的训练价值远高于前者。想训练一个能独立完成复杂任务的下一代
agent，你需要大量”完整任务怎么做”的数据，光靠”这段代码怎么补”的数据训练不出来。

这就解释了三笔并购的底层逻辑。SpaceX 花 600 亿买 Cursor，买的不是 IDE
的用户量，是开发者做设计决策的过程数据。OpenAI 买 Ona（公告），买的是让
agent 长时间安全运行的基础设施。Salesforce 买 Fin，买的是客服场景里
agent 独立完成任务的完整记录。

三家买的标的完全不同，底层逻辑一样：谁拥有长时间运行 agent
的完整数据和运行环境，谁就在下一代竞争中占据位置。

## 这意味着什么

三笔并购是表面信号。底下同时发生的是三层变化。

工作方式从盯着改变成整个交出去。人的角色从执行者变成管理者。核心能力从写代码变成判断该做什么、做得好不好。

对正在用 AI
写代码的人来说，该关注的不是”哪个工具更好用”，是”我能不能把整个任务交出去”。以及更重要的：交出去之后，我的价值在哪。

这个变化现在还早期。agent 能稳定完成复杂任务的比例还不高。但三家前沿
lab
用自己的工程投资投了票，三笔并购用真金白银投了票。方向清楚之后，剩下的只是时间和迭代。