中文精炼导读
核心观点
- Addy Osmani（前 Google 工程师，曾领导 Chrome、Gemini 与 Cloud AI 团队）在"agent 时代的职业"一文中给出核心判断：AI 会擅长任何"有答案钥"的东西，而你的职业是"一切没有答案钥的东西"——持久且不可升级的从来不是更好地解决问题，而是"选择构建什么、并判断它好不好"，其余都会被 AI 做得更好更快。
- 优化稀缺资源：资本充裕、时间充裕，真正稀缺的是"真实的关系、尤其是做好工作的记录"——"我两周内能筹到钱，但筹不到声誉"；当 vibe-coding 让赚快钱变得琐碎，那快钱就没什么价值，稀缺的举动是"选择值得发布的东西"。
- 学会"找问题"而非只"解决问题"：随着 agent 吸收了求解工作，"解决问题"变便宜、而"选择问题"变稀缺；他观察到一个现象——同一批 agent、同一套问题集，学得好的学生与学得差的学生token/时间预算天差地别，因为"强者给工作带来判断力与直觉，其余人只带来一个 prompt"。
- 真正的风险不是 agent 写出坏代码（我们见过），而是"失去分辨的能力"：判断力会萎缩，输出看起来很像能工作的代码；好实践者不会把 agent 放在一切面前，而是进行刻意练习——挑几个真正重要的问题、不用 agent 用笨办法做、读比写多千倍的代码、把每个 agent 的 diff 当人类评审一样仔细论证、每天记录一次"看到 agent 提出看似错误的东西并自信地标记它"——"品味就在那里累积"。
- 三条职业法则：从"做事"转向"指挥"（把任务分派给 agent、定义完成、校准信任、验证结果——自主度是设置不是头衔、是按任务的开关）；冲刺最后一英里（agent 通常快速给你 70% 的功能，最后 30%——调试棘手的边缘情况、找到正确的架构、培养正确的品味——才是整个游戏；当初稿免费，完成就是产品）；提高"期望进球"与"把握机会"（声誉让你站到球门前，判断力决定你是否把握——他几乎所有大机会都来自公开工作而非应聘）。
内容精讲
文章开篇亮出主命题："AI 擅长任何有答案钥的东西，而你的职业是这一切没有答案钥的部分。"学校曾是答案钥一路到底——成功被锚定在"得到正确答案"上；但在 AI 时代让工作持久且不可升级的不是更会解题、不是能构建系统、不是理解人或做酷东西，而是"选择构建什么、判断它好不好"。作者以自身经历背书：16 岁在爱尔兰农村造浏览器起步，在 Google 超过 14 年、领导 Chrome、Gemini 与 Cloud AI 的工程团队、写过几本 O'Reilly 书，也拒绝过契合度不合适的前沿实验室与 FAANG 邀约；"好人总是被需要，所以我们都有义务尽力做出最好的东西"。
"大多数职业建议仍然成立——坐上火箭，别过度优化座位"，但具体细节因 agentic coding 有所变化。第一条是优化稀缺资源：他几乎没一样出名的事来自追求最高薪酬；花在开源上的年份几乎没有直接回报，但转化成了声誉与关系、高效复利成后来的机会——"我会花掉任何一份工作给的薪酬，但我的声誉持续付我"。在这个"快速赚钱琐碎"的世界，稀缺的举动是选择值得发布的东西。
第二条是学会找问题、不只解决问题。他第一次感到"选择而非解决"的负担是在 LeetCode 被当作技能标尺时；但 agent 吸收了那类工作后，求解变便宜、选择变稀缺。他的起源故事：注意到拨号上网慢、做了分块多连接抓取、意识到这辈子解决不了那个问题、很快转向下一个吸引人的复杂问题——"找问题先于解决问题"。他见过优秀得惊人的学生在 agent 跑过他们的题集时摔得脸着地（像微波炉上按错了时间），同一批 agent、同一套题、却有着天差地别的 token 与时间预算——因为"强者把判断与直觉带到工作中，其余人只带来一个 prompt"。他过去通过磨样板代码与修 bug 建立判断力，得以看到并深触人类能设计出的最坏抽象，每次提交都带着"刚见过前人噩梦"的敬畏——每次提交都带来后见之明与判断；而 agent 自动化了这些重复，品味是模式匹配，但所有模式匹配都必须靠做工作赚来。"真正的风险不是 agent 写坏代码，而是失去分辨的能力——判断力萎缩，输出看起来很像能工作的代码。"
好实践者的做法是刻意练习：挑几个真正重要的问题、不用 agent、用笨办法做，构建关于系统与语言如何工作的深层心智模型；读比写多一千倍的代码；把每个 agent 的 diff 当作需要仔细论证的人类评审；至少对一个系统端到端深入（从输入到输出）；每天记私人日志——每次看到 agent 提出看似错误的东西并自信地标记它，"品味就在那里累积"。真正兴旺的工程师不会是"最快接受建议的"，而是"瞬间知道何时说不的"。
第三条是"从做事转向指挥"：就像你会委派给人一样，学会委派给 agent——界定任务、定义完成、校准信任、验证结果；自主度是设置而非头衔、是按任务的开关——在小而可逆、便宜可检查的事情上把它调到最大，在错误难以撤销的事情上调低。规格与验证是两个不同且互补的技能："agent 不会比交给它的意图更好"，最好的工程师知道如何写精确的规格（清晰思考变得可读）；而"是验证，不是证据"——不是让 agent 给自己作业打分那种证据；"大规模委派而没有验证，没有比这更令人沮丧的了"。
第四条是"拥有你交付的东西"：如果 agent 写了它、它在生产里崩了，"是 AI 干的"不是辩护——你的名字在变更上；采取"负责任的、理解什么出了门、知道怎么修的人类"的姿态。第五条呼应苦涩教训：几乎每个领域里"随额外计算扩展的通用方法"都击败手工调优的等价物；作为职业教训，"解决一个容易版本的问题毫无意义、几乎一文不值，价值集中在难版本里"。第六条"冲刺最后一英里"：没有一家现成 agent 能端到端写整个系统——按经验你会快速从 agent 得到功能的 70%，最后 30%（调试棘手的边缘情况、找到正确架构、培养正确品味）才是整个游戏；今天的中位数输出就是"某个懒 prompt 产生的 agent 输出"，你能带给桌面的唯一个人价值是尽可能远地超越那个中位数；当初稿免费，完成就是产品。他的战术是每隔几个月用最新、最锋利的模型从零完全重建一次——比把半心半意的旧代码养到健康要省力；"完成得强"与"完成得还行"的差别是打磨——多花一小时，每个在乎的人立刻看得出。
最后用足球的 xG 类比：xG 衡量你的打法应该产生多少次机会，把握机会（finishing）衡量你是否把它们转化；职业生涯同理——声誉让你站到球门前，你用好判断转化它们；机会来不来由不得你，但你有多少、你完成哪些，取决于你。"你没法编剧本让哪些机会到来，只能决定你是否站在它们落下的地方"——所以尽可能地创造空当、然后准备好接住它。一个常见的错误是锚定公司当前的产品——你的工作当然得存在于某处，但好团队会迅速把现有产品变成面目全非的东西，所以"下注团队与市场机会，而不是 demo"——demo 只是快照，团队才是轨迹。关于超级智能：他相信未来模型最终会取代知识工作者做的大部分事，但不会一夜之间抹掉、不会取代全部、也不会能做我们做的许多任务；新种类的岗位会被创造；验证永远会是瓶颈——必须有人决定哪些问题值得解决、并为每个问题分配恰到好处的判断量，而那个人可以是你。而且你现在就能从所在之处做前沿工作：AI 研究的大门比看起来小，你不需要实验室来建立直觉——使劲用模型，把你注意到的东西变成评估；"评估与基准是理解居住的地方"。总结回到主命题："这个世界不缺机会，缺的是能找到正确问题、判断机器是否解决了它、并在机器停下之后继续完成的人。"在 agent 的世界里最后几英尺实际上是无限的（agent 无限扩展产出、你不能），你的注意力是最宝贵的资产、不会重新充满；任何能被别人打分的东西都在被自动化，职业是不可打分的部分——选择什么重要、诚实地判断你得到了什么、并为它负责。
阅读价值
适合处于职业规划期的软件工程师、技术领导者以及所有思考"AI 时代我的价值在哪"的人：这篇文章用"答案钥"框架点破 agent 时代职业价值的核心——从求解转向选择、从做事转向指挥、冲刺最后一英里，并给出"声誉复利""xG 与把握机会""下注团队而非 demo"等具体策略；与《Earning taste and judgment》互为姊妹篇，值得配套阅读。
本文为中文精炼导读,由 AI 基于原文整理,内容与图片版权归原作者所有。原文: https://addyosmani.com/blog/career-advice-age-of-agents/