AI 时代的工程组织与管理
回答：代码产能 8 倍后，瓶颈、管理方式、招聘标准怎么变。
新瓶颈共识（多来源交叉验证，可信度高）：†ai-coding-new-bottlenecks（Mike Krieger：决策对齐→评审→发布）、†verification-is-the-new-bottleneck（Fiona Fung/Anthropic：人均代码量 8 倍后）、human-review-bottleneck（Embiricos/OpenAI）、code-verifiability-bellwether（Simon Willison）——四个独立来源指向同一结论。
管理新范式：†engineer-as-fleet-manager-wizard-model、surgeon-team-management-philosophy（50% 时间给顶尖 10%）、manage-by-agent-visibility、bad-vs-sad-quality-framework、jit-planning（路线图→即时规划）、quarterly-boolean-okr-75-weekly-goals（Perplexity）、slime-mold-org-minimize-coordination、single-dri-parallel-tasks-dogfood-gate、daily-allhands-zero-fidelity-loss（Bolt 超增长期）、two-week-rule-engineer-as-pm。
角色演化与招聘：full-stack-role-compression、†hire-engineers-with-product-taste（Cat Wu）、ai-era-hiring-two-profiles、dehydrated-hiring（Windsurf：脱水式招聘）、underfund-headcount-overfund-tokens（Boris：少配人多配 token）、designer-hiring-three-archetypes、design-work-stratification-two-types。
个体差异：junior-senior-ai-anti-patterns、ai-mid-career-squeeze（Simon：最危险的是中层）、ai-coding-benefit-by-seniority-and-org-restructure、ai-compresses-learning-reps（回应"没人积累 reps"焦虑）、bricklayer-to-architect、ai-coding-loneliness-pairwise-lunch（团队健康暗坑）。
团队规模参照：perplexity-team-size-benchmarks、cognition-agent-usage-benchmarks、codex-internal-adoption-benchmarks、ai-coding-adoption-benchmarks-2026（Boris）、amdahls-law-ai-productivity（Varun：拆穿"90% 代码=10 倍产能=裁员"谬误）。
AI编码新瓶颈AI Coding New Bottlenecks
当一个团队的代码有 90% 由 AI 写出来之后,团队会本能地以为"工程执行"仍是最大瓶颈,继续按老思路优化写代码环节。这个模型指出瓶颈已经系统性转移到了别处,帮团队把优化力气用对地方。
验证即新瓶颈Verification Is The New Bottleneck
当编码不再是瓶颈（Anthropic 工程师人均季度代码量已是 2021–2025 基线的约 8 倍；PM、设计师也在提交代码；绝大多数 commit 是 Claude 辅助的），团队的约束条件转移到哪里、该往哪里投资。
工程师车队管家模型Engineer As Fleet Manager Wizard Model
理解"工程师的工作在 AI 时代到底变成了什么样子"——不是笼统地说"AI 帮你写代码"，而是给出一个具体的心智模型，说明这份工作现在真正要求的是什么能力、有什么风险。
具产品品味的工程师招聘Hire Engineers With Product Taste
"以后还需要 PM 吗?工程师直接就能把东西造出来"是行业里反复出现的疑问。这个判断给出 Claude Code 团队的具体答案:与其纠结"PM 还是工程师"哪个角色更该增加,不如重新定位真正稀缺的能力是什么,并据此调整招聘策略。
人类审查瓶颈模型Human Review Bottleneck
AI 产能爆炸后，真正限制生产力（乃至作者眼中通往 AGI 曲线）的瓶颈在哪里，以及产品上怎么拆掉它。
代码可验证性风向标Code Verifiability Bellwether
判断"下一个被 agent 深度自动化的知识工作领域是哪个"，以及理解 2025 年 11 月 coding agent 拐点之后瓶颈转移到了哪里。
外科医生式团队管理Surgeon Team Management Philosophy
工程师人均产出（PR 数量、并行任务数）在 AI 时代大幅提升后，管理者的时间和精力该怎么重新分配？以及一个管理者能有效带的团队规模上限是不是也该跟着变化？
Agent 可见性管理法Manage By Agent Visibility
团队人均代码产出涨到 8 倍后，管理者不可能再靠人肉列表（"上季度我 ship 了这几个功能"）掌握每个人在做什么、做得怎么样。需要新的管理者信息获取方式。
Bad vs Sad 质量框架Bad Vs Sad Quality Framework
当代码吞吐量暴涨（如 8 倍）、产品表面（surface）众多时，原始的性能/可靠性仪表盘让人难以判断"这个数字到底算好还是坏"。需要一个跨表面的、面向体验的质量分级框架，做前置（proactive）质量监控。
准时制规划模型Jit Planning
AI 时代技术和产品格局变化太快，传统 6 个月路线图写完 3 个月后就没人参考了。团队需要一种既能对齐优先级、又几乎不产生规划开销的方式。
季度布尔OKR与周目标Quarterly Boolean OKR 75 Weekly Goals
AI 领域变化太快没法做长期规划，完全不规划又会混乱——如何设定规划节奏和目标颗粒度。
黏菌式低协调组织Slime Mold Org Minimize Coordination
组织变大后协调成本爆炸、加管理层反而更糟——如何设计一个低协调成本的产品组织（尤其是 AI 时代的小而快团队）。
单DRI并行任务与内测门控Single Dri Parallel Tasks Dogfood Gate
如何在少开会、无审批流的前提下让项目快速推进而不失控。
零损耗全员会机制Daily Allhands Zero Fidelity Loss
小团队遭遇远超承载能力的爆发式增长（hypergrowth）时，如何维持协调与决策速度。
工程即 PM 两周法则Two Week Rule Engineer As PM
AI（尤其 Claude Code 类工具）让工程产能 2-3 倍放大后，PM 和设计成为瓶颈、被严重挤压。这套规则回答：项目所有权如何在 PM 和工程师之间重新划分，PM 的时间该花在哪。
全栈角色压缩效应Full Stack Role Compression
AI 时代 PM/工程/设计（乃至销售、市场）的角色如何演化，个人该补什么技能，团队依赖关系该怎么重排。
AI时代招聘双画像AI Era Hiring Two Profiles
当 AI 大幅抬高了每个人能做的事情的上限、角色边界模糊化之后，工程团队到底该招什么样的人。
AI 时代脱水式招聘Dehydrated Hiring
AI 时代的创业公司什么时候该招人、招多少人；如何在保持精简的同时不因人手不足耽误野心。
紧人头松 Token 预算Underfund Headcount Overfund Tokens
AI 时代的团队与预算配置：项目该配几个人？AI/token 预算该紧还是该松？什么时候做成本优化？
AI 时代设计师三原型Designer Hiring Three Archetypes
AI/agent 时代招聘设计师时，该优先找什么样的人；也可用于设计师自我定位、判断自己该往哪个方向发展。
设计工作分层模型Design Work Stratification Two Types
在工程侧已经用 agent 并行编码（"七个 Claude 同时跑"）、迭代速度极快的团队里，判断设计师的时间该怎么分配、传统设计流程哪些部分该放弃。
初高级开发者 AI 反模式Junior Senior AI Anti Patterns
判断"AI编程工具到底更帮junior还是更帮senior"这个常见争论时,给出一个更细致的答案——两者都受益巨大,但会掉进不同的坑。
AI 中层挤压效应AI Mid Career Squeeze
判断 AI 对不同资历工程师的差异化冲击，用于个人职业策略和团队人才结构决策。反直觉点：最危险的不是新人，是中层。
AI提效资历差异模型AI Coding Benefit By Seniority And Org Restructure
AI 编程工具对不同资历工程师的实际提效效果是否一致；企业该不该、以及怎么因此调整工程组织结构。
AI压缩学习 reps 模型AI Compresses Learning Reps
回应"AI 吃掉初级岗位 → 没人再积累 reps → 五到十年后没有会做事的资深人才"的行业焦虑；同时给出个人/团队用 AI 加速判断力成长的具体做法。
从砖瓦匠到架构师Bricklayer To Architect
判断 AI 时代软件工程师的角色走向与技能投资方向；回答"现在还该不该学编程"。
Agent化孤独与配对午餐AI Coding Loneliness Pairwise Lunch
全员 agent 化工作之后出现的隐性团队健康问题：工程师不再一起构建，各自对着自己的 agent，工作体验开始变得孤独；同时每个人的 AI 工作流差异巨大，最佳实践无法自然扩散。
AI团队规模基准Perplexity Team Size Benchmarks
校准 AI 时代产品团队的精益上限：多少 PM 够用、项目组多大、一个人能扛多大的面。
Cognition Agent 用量基准Cognition Agent Usage Benchmarks
想知道一个 agent-heavy 工程团队"长什么样"时的具体参照数：团队规模、人均 agent 数、agent 产出占比及其增长斜率。
Codex 内部采纳基准Codex Internal Adoption Benchmarks
评估自己团队的 AI 编码采纳程度时缺乏参照系。这张卡记录 2026 年初 OpenAI 内部（可视为采纳上限样本）的具体数字。
2026 AI编码采纳基准AI Coding Adoption Benchmarks 2026
需要 2026 年初 AI 编码采纳率与工程效率的具体基准数字，用于对标、汇报或规划（"激进采用者现在到什么程度了"）。
AI 产能阿姆达尔定律Amdahls Law AI Productivity
拆穿"AI 写 90% 代码 = 工程师 10 倍产能 = 该裁员"的推理谬误；回答"AI 提效后到底该多招还是少招工程师"。