AI Coding 工作流：
从个人工具到团队工程化

当 AI 把"写代码"的成本打到接近零，真正的瓶颈转移到了哪里？一份从产品经理视角出发的 AI Coding 深度实践报告。

执行摘要

本报告的核心内容：

1. 范式演进：AI Coding 经历了 Prompt Engineering → Context Engineering → Harness Engineering 三个阶段。2026 年，真正的竞争力不在于"会用 AI 写代码"，而在于"构建让 AI 持续高质量工作的工程系统"。
2. PM 视角：市面上大量"AI Coding 工具测评"，但几乎没有产品经理视角的工程化实践报告。本文基于 100+ Skills 技能库的构建经验，系统阐述 PM 如何用 AI Coding 重构工作流。
3. 团队工程化：从个人效率到组织能力，AI Coding 的真正价值在于改变团队的交付结构——而不仅仅是让个人写代码更快。
4. 实战案例：包含 60 分钟限时速赛、PM 工作流变革、知识库驱动的持续进化等第一手实践。

1. AI Coding 五分钟入门

在深入技术细节之前，先建立一个清晰的认知框架。AI Coding 不是"AI 帮你补全代码"那么简单——它正在重新定义软件开发中人与机器的分工。

1.1 什么是 AI Coding

理解 AI Coding，需要区分三个层次——它们之间不是简单的升级关系，而是代表了人机协作模式的根本性变化：

关键洞察：大多数人还停留在 Level 1-2 的讨论中（"哪个 AI 补全更准"、"Cursor 还是 Copilot"），而真正的竞争力差异已经发生在 Level 3——谁能构建更好的 Harness，谁的 AI Agent 就能持续产出更高质量的结果。

1.2 工具全景图

2026 年中，AI Coding 工具市场已经从"百花齐放"进入"格局初定"阶段。以下是主流工具的横向对比：

1.3 为什么 2026 年是拐点

AI Coding 工具从 2022 年就出现了，但 2026 年是从"能用"到"能上生产"的质变之年。三个关键因素同时成熟：

这三个因素的叠加效应意味着：AI Coding 不再是"程序员的玩具"，而是任何需要产出数字化交付物的角色都应该认真考虑的工作方式——尤其是产品经理。

2. 范式转移：从 Prompt 到 Harness

如果说第 1 章回答了"AI Coding 是什么"，这一章要回答一个更深层的问题：AI Coding 的核心竞争力到底在哪里？答案不是"用什么模型"，也不是"写什么 Prompt"——而是 Harness。

2.1 三个阶段的演进

AI 工程实践经历了三个清晰的阶段，每个阶段解决的核心问题完全不同：

2.2 什么是 Harness

Anthropic 在 Claude Code 的设计中提出了一个简洁的公式：

Agent = Model + Harness
Model 提供智能，Harness 提供结构。没有 Harness 的 Agent 就像没有工厂的工程师——有能力但没有持续交付的系统。

Harness 由六个核心组件构成：

Peter Pang（AI 工程实践领域的知名声音）指出：真正的 AI-First 不是给旧流程加 AI，而是围绕 Agent 重构整个工程系统。这个判断在 2026 年已经被大量实践验证。

2.3 Skills 体系：Harness 的实践形态

如果 Harness 是理论框架，Skills 就是它的实践载体。

一个真实的 100+ Skills 技能库，大致可以分为以下几个层次：

3. 产品经理用 AI Coding 做什么

这是本文最核心的章节。市面上大量 AI Coding 内容都在讨论"程序员怎么用 AI 写代码"，但几乎没有人系统讨论过：一个不以编码为主业的产品经理，怎么用 AI Coding 彻底改变自己的工作方式。

3.1 Evals 取代 PRD

这可能是 AI 时代对产品经理影响最深远的变化：传统 PRD（产品需求文档）的有效性正在急剧下降。

为什么 PRD 在 AI 时代失效？因为 AI 的输出是非确定性的——同样的 Prompt 可能产生不同的结果。传统 PRD 假设"按需求做就能得到正确的产品"，但 AI 产品需要的是"定义什么是好的，然后不断校准"。

"Writing evals is the most important thing a PM can do in the AI era."
— OpenAI CPO

Eval 的三个核心要素：

3.2 Demo-first 开发

当 AI 把"从需求到可运行代码"的时间从数周压缩到数十分钟，一个全新的开发范式出现了：先做 Demo，再谈需求。

Demo-first 的核心价值不是"快"，而是"便宜地试错"。传统模式下试错成本极高（需要占用开发资源），所以产品经理倾向于"想清楚再做"——但问题是，很多需求不做出来根本想不清楚。Demo-first 让"做出来看看"的成本接近零，从而让产品探索变成了一个低成本、高频率的迭代过程。

3.3 从"生产者"到"判断者"

这是 AI 时代产品经理角色变化中最深刻的一个维度：

新时代 PM 的三项核心能力：

4. 团队工程化：从个人到组织

前三章聚焦个人视角：AI Coding 是什么、怎么用、改变了什么。这一章要讨论一个更难的问题：怎么从"一个人用得很爽"到"整个团队都能受益"？

4.1 个人效率 ≠ 团队效率

一个人用 AI Coding 快 10 倍，但团队用不起来——这是 2026 年最普遍的困境。原因不是工具不好，而是组织层面存在 5 个结构性障碍：

4.2 工程化的四个层次

团队 AI Coding 的成熟度可以分为四个阶段，每个阶段有不同的特征和关键任务：

4.3 AI Coding 的组织基础设施

要让 AI Coding 从个人能力升级为组织能力，需要三个基础设施：

5. 实战案例

理论说得再好，不如看实际怎么用。这一章分享三个真实案例，分别对应 AI Coding 的不同应用场景。

5.1 60 分钟速赛：AI Coding 的极限压测

某 B 端科技企业每周四举办内部 AI Coding 速赛——60 分钟限时开发 + 3 分钟演示。这个赛制本身就是一个精心设计的 AI Coding 训练场。

10 条硬门（赛中约束）：

一个典型的速赛流程：

5.2 产品经理的工作流变革

以下是一个真实的 PM 工作流对比——从传统模式到 AI-augmented 模式的转变：

5.3 知识库驱动的持续进化

AI Coding 的真正威力不在于"一次做得快"，而在于每次做都比上次更好。这靠的是一个持续进化的循环：

6. 与 FDE 的交叉

如果你读过本站的 FDE 深度调研，会发现 AI Coding 和 FDE 之间存在深刻的互补关系。这一章做一个简要的交叉分析。

6.1 AI Coding 是 FDE 模式的成本革命

FDE 模式最大的落地障碍是什么？成本。

传统 FDE 需要的是"全栈高手"——既懂业务、又能写生产级代码、还要有客户沟通能力。这种人才极度稀缺，年薪通常在 30-60 万以上（国内）或 $150K-$250K（硅谷）。对于中等规模的 B 端企业来说，养一个 FDE 团队的成本是难以承受的。

关键洞察：AI Coding 不能替代 FDE 的业务理解力和客户沟通能力，但它显著降低了 FDE 的技术门槛。一个中级工程师 + 成熟的 AI Coding 工具，在代码产出能力上可以接近高级全栈工程师的水平。这使得中等规模企业也能以可接受的成本启动 FDE 实践。

6.2 "人人都是产品经理"的组织含义

吴恩达（Andrew Ng）在最近的分享中提出了一个重要判断：

当 coding agent 把写代码提速 10 倍后，瓶颈转移到"决定做什么"。最快的团队让工程师自己理解用户、判断优先级、直接实现。

这个判断与 FDE 的 Echo-Delta 结构（详见 FDE 调研）有深刻的共鸣：

当"做出来"不再是瓶颈，组织中的瓶颈就转移到了"谁最懂用户"和"谁能做出正确的取舍"。这恰好是产品经理的核心能力——但不一定只有产品经理才能具备这些能力。FDE 模式 + AI Coding 的组合，让工程师也能承担传统意义上 PM 的部分职责。

7. 风险与诚实面对

任何技术都有其局限和风险。AI Coding 也不例外。诚实面对这些问题，比盲目乐观更有价值。

附录

A. 术语表

B. 工具推荐清单

C. 参考资料