AI 让代码、文案、图片和方案的生成成本迅速下降，但“能生成”不等于“值得交付”。当产出变得越来越容易，真正稀缺的反而是两种能力：判断什么是好的品味，以及把结果做稳的工程思维。

品味不是偏好，而是长期决策力

品味听起来很主观，其实可以落到几个具体问题：

  • 这个方案更接近真实目标，还是只是显得复杂？
  • 它降低了长期维护成本，还是只节省了眼前几分钟？
  • 它让使用者更容易成功，还是把内部复杂度转嫁给用户？
  • 这段文字、这个页面、这项功能，是否真的像“我想表达的东西”？

AI 往往可以同时给出多个可行答案，却无法替你承担选择的后果。品味就是在这些可行答案之间作出取舍，并知道为什么。

它不是天赋，而是见过好作品、做过真实项目、承担过失败结果之后形成的判断力。

工程思维让好判断稳定落地

如果说品味负责方向，工程思维负责让结果可复现。对我而言，它至少包含三个习惯。

拆分

面对一个大问题，先把它拆成可以判断对错的小问题。AI 尤其需要清晰的任务边界：目标是什么，输入与输出是什么，哪些必须正确，哪些可以后续优化。

全局

不只解决眼前这一处，还要看它与其他模块、角色和长期维护的关系。AI 很容易针对局部问题给出局部最优解，人需要守住系统一致性。

边界、故障与验证

任何方案都值得追问三件事：边界在哪里，会在哪里坏，怎么证明没有坏。测试、日志、监控、复核和回滚，不是保守，而是把不确定性关进笼子。

AI 是乘数，不是能力的替代品

AI 很像一个乘数。对目标、领域和质量标准理解越深，放大作用越明显；如果自己没有判断，它也会把模糊、偏差和复杂度一起放大。

这意味着专业经验没有失去价值，只是价值从“亲手完成每一个动作”逐渐迁移到：

  • 定义问题和成功标准；
  • 选择架构、路径与取舍；
  • 提供高质量上下文和范例；
  • 审查边界条件与潜在故障；
  • 对最终结果负责。

一个马上可以使用的动作

下次让 AI 开始工作前，先写一个最小规格：

目标：一句话说明要达成什么
输入：已知材料和约束是什么
输出：希望得到什么形式的结果
必须正确：不能妥协的事实与质量线
风险：最容易出问题的地方
验证：如何确认结果可以交付

这几行字不仅帮助 AI，更是在逼自己把问题想清楚。

结语

AI 接走了大量“把东西写出来”的工作，却没有接走“什么值得写、怎样才算好、交付后能否稳定运行”的责任。

生成会越来越便宜，判断与负责会越来越昂贵。品味决定方向，工程思维守住结果，这两者可能正是 AI 时代最值得长期训练的基本功。