Claude Code之父：「品味」不是人类护城河；当工程师不再写代码，招聘看什么？

撕掉“品味”标签：为什么它挡不住AI

很多人将“品味”视为工程师在AI时代的最后防线——无论是代码风格、架构取舍还是设计直觉，但Claude Code的核心建设者Boris Cherny对此不以为然。他认为，所谓“品味”很大程度源于经验积累与模式识别，而这恰恰是AI模型最擅长的领域。当Claude Code能够通过海量优质代码训练来“理解”什么才是好的设计时，人类引以为傲的直觉优势正在被快速压缩。Cherny指出，真正刺痛行业的问题不在于“AI会不会写代码”，而在于当AI已经能写出合格甚至优秀的代码后，人类工程师的角色该如何重新定义。

当工程师不再写代码，工程化能力成为新标尺

既然代码生成不再是核心能力，招聘的度量衡必然转向更本质的东西——工程化编排能力。参考当前Agent工程化“五件套”（Prompt、Skill、MCP、CLI、Agent），未来的工程师需要成为“系统编排师”：

• Prompt定义任务规则：用自然语言精准描述需求边界。
• Skill封装可复用经验：将高频任务抽象成标准化的技能包（如行业分析Skill、数据清洗Skill），避免每次重复造轮子。
• MCP连接外部工具：让Agent通过标准协议调用数据库、API等资源。
• CLI提供执行现场：处理本地文件、运行脚本、验证输出。
• Agent负责闭环编排：把前四者组合成自动化的执行链路。

这意味着招聘时不再盯着“手写代码行数”，而是考察候选人能否设计出稳定、可评测的Agent工作流，以及能否持续优化Prompt与Skill的组合。

从写代码到造技能：工程师的角色跃迁

“以前是Agent适配每个工具，以后是工具按MCP暴露能力，Agent通过标准协议调用。” 这种转变迫使工程师把注意力从“实现”转移到“定义”。一个优秀工程师的核心产出不再是.py或.js文件，而是一套高质量的Skill文件夹：里面包含SKILL.md（描述名称、用途）、脚本、参考模板与测试用例。Skill采用“渐进式加载”机制，Agent先看名称和描述，匹配任务时才加载完整说明，这要求工程师写的描述必须精准、结构化。招聘者会看重候选人能否为高频场景建立测试集，对Prompt、Skill、工具链做持续评测与优化——这是一种全新的软件工程素养。

招聘新画像：寻找“人形Agent编排器”

结合Anthropic被曝雇用1000名人类工程师“培训”Claude Code（时薪280美元）的案例，可以看出即便AI编程进化，仍需要大量人类来做高质量数据供给与兜底验证。未来的招聘画像应包含：

• 系统思维：能理解整个Agent运行时的安全边界、反馈闭环和依赖关系。
• 抽象能力：能把碎片化任务抽离成可复用的Skill模板。
• 评测意识：会为AI输出建立自动化评测集，而不是靠肉眼debug。
• 跨域协作：能与企业现有系统（如MCP Server）对接，让Agent真正落地。
• 持续进化：面对AI能力的快速迭代，能动态调整Skill库和Prompt策略。

当代码不再是门槛，这些“软工程”能力反而成为最硬的护城河——不是品味，而是构建可运行AI系统的工程化智慧。