我担任工程总监已经超过三年了，仍然听到和读到一些我称之为“旧规则”的话反复出现：总监不应该花时间编码，优质工作需要时间，保护团队免受业务影响，在承诺之前达成共识等等。起初我认为重复这些话的人落后了。然后我们在我的组织中引入了大型语言模型 (LLMs)，生成代码的成本急剧下降。我开始将每条规则与其背后的假设进行对照。令人惊讶的是，约一半的旧规则基于的假设已经失效，而另一半则始终有效，其中一些现在比以前更重要。接下来是我在过去一年中积累的笔记的整理版本。Gemini 4 帮助完成了编辑。我们所知道的实际上是，生成可行代码的成本崩溃了，并且不会再回去。几乎所有超出此范围的主张都是未被证明或错误的。人工智能工具使工程组织显著更快：没有证据。代码审查、文档和入职培训已经过时：错误。你可以用一半的人执行相同的路线图：这是一个赌注，而不是事实。如果你基于狭义的主张重建管理实践，你就会正确。如果你基于广泛的主张重建，你是在拿其他人的职业生涯冒险，并称其为结论。专注于审计假设每种管理实践都基于某种假设。速度跟踪依赖于输出是努力的可用代理。六个月的入职培训基于语法学习缓慢。共识驱动的架构基于变更成本高。人力规划基于输出与人员的规模相匹配，等等。每种实践的问题不是它有多旧，而是其实际上基于什么。如果一项实践基于编写代码的成本，那就要进行审查，因为这个成本已经改变。如果它基于人类如何协调、建立信任、分配注意力或验证正确性，那么无论仪式看起来多么过时，都没什么改变。这听起来很明显，但我认为许多人是在凭感觉排序：任何看起来现代的东西都会保留，任何看起来过时的东西都会删除。这会产生那些放弃有用摩擦而保留无用流程的团队，因为实践的年限和实践的有效性是无关的变量。证据小于噪声 对于任何报告大幅加速而仅此而已的人员，包括你自己的团队，要保持怀疑态度。我所熟悉的收益在绿地工作、模板和不熟悉的领域中清晰可见。当在工程师已经理解的系统中进行深度工作时，它们逐渐消退或反转。我非常期待2025年第四季度之后的数据和研究，那时推出了一种全新模型，完全超过了旧报告和研究所基于的能力。然而，感知速度与测量速度之间的差距本身就是一个管理问题。如果你的工程师感觉更快，但缺陷增多且出货量保持不变，你就会错误配置人员、错误规划，并向业务设定你无法实现的期望。在一个采用人工智能的组织中的首要任务是，仪器必须足够诚实，以告诉你是否有加速。廉价事物的弱代理 速度、拉取请求数量和关闭的票据一直不够完美。它们之所以存在，是因为它们所近似的东西，即编写代码的努力确实很稀缺，因此噪声保持在可容忍的范围内。现在，所代理的东西变得便宜了。这不仅使指标变得不够完美，而且实际上在积极误导，因为提高它们的最便宜方法是产生量，而量是你的组织不再缺乏的东西。人工智能特定指标解决了错误的问题。我认为接受率和提示数量是同样错误的新形式。持久的做法更古老且更困难：衡量业务成果和系统健康，并将代码量视为需要证明的成本，而不是值得赞扬的输出。优秀工程师在大型语言模型出现之前就说过这些。那时是对的。现在以一种过去无法实现的方式变得可执行，因为没有人能争辩写更多代码是困难的。“正确”仍然需要时间（暂时如此）良好工作的需要时间的规则被清晰分为两部分。基础设施时间崩溃了。搭建服务、生成测试、在框架之间翻译、写迁移的第一稿：所有这些现在都很快，任何基于这些成本建立的时间表都应该被压缩。正确性时间被分为两部分。人工智能系统现在可以比任何人类审核者更快地检查和纠正代码，假装不是这样会损害可信度。一方面，机械验证正在崩溃。任何可以被表达为机器可检查工件的正确性：类型、测试、合同、代码检查规则、不变性、金丝雀指标。代理运行测试循环，阅读失败，修正差异，然后以任何审核者无法达到的速度再次运行。