最近跟一个做后端的朋友吃饭，他给我展示了一个东西——一个完整的内部工具，前端、后端、数据库、部署，全是他一个人用两周搞定的。他前端经验几乎为零。

我问他怎么做到的。他说："Cursor写的代码，我只负责拆需求和验收。"

这个场景在两年前不可能发生。一个后端工程师，两周交付一个全栈产品，而且质量还不差。不是因为他突然学了React，而是因为AI把"全栈"这个词的含义改了。

大部分人还在用旧的定义衡量自己——"我会前端加后端加数据库，所以我是全栈"。这个理解过时了，而且危险。

旧全栈的核心假设是：你亲手写每一行代码。

五年前说"全栈"，意思是这个人能写PHP也能写JavaScript，搞得定MySQL也能调Nginx。后来加了React、Node.js、Docker，再后来加了K8s和CI/CD。定义一直在膨胀，但底层假设没变——每一行代码都是你敲出来的，你的能力边界等于你的技术栈边界。

这个假设现在塌了。

Cursor、Claude Code、Codex、Vibe Coding——这些工具把一个人能触达的技术边界大幅往外推了。一个前端工程师可以让AI帮他写一套能跑的PostgreSQL Schema，一个后端可以在AI辅助下搞出一个界面不丑的React Native App。Karpathy说过一句话让我印象很深："'编写'这个动词已经不准确了，我每天花16个小时向AI传达我的意志。"

他的意思不是代码不重要了，而是你不需要亲手写每一行。你需要的是知道要写什么、怎么判断写得好不好、以及怎么把各部分拼成一个能跑的系统。

所以我对全栈的新定义是：能够调度AI能力，交付完整解决方案的人。

注意这里没有"掌握多种技术栈"这个条件。因为技术栈本身已经不是瓶颈了。一个前端工程师用AI写出来的后端代码，可能比一个初中级后端写的还靠谱。不是因为他技术更强，而是因为他知道怎么问问题、怎么验收结果。

栈的含义也变了。

以前说的"栈"是技术层面的纵向堆叠——前端、后端、数据库、运维，每一层都需要你自己掌握。现在这个栈变成了横向的能力组合：

• 问题拆解——把一个模糊需求分解成可执行的任务，其中大部分可以交给AI
• Agent编排——同时调度多个AI会话，像指挥乐团一样安排它们的工作
• 质量判断——快速评估AI产出的代码、架构、方案是否靠谱
• 系统集成——把AI产出的各个部分拼成一个能跑的系统
• 领域理解——知道要解决什么问题，这是AI最难替代的部分

这五样里面，只有最后一项和"技术栈"没有直接关系。但恰恰是最后一项，在新全栈定义里权重最高。

说个我观察到的例子。一个做了很多年金融业务的前端工程师，在用AI辅助开发风控相关功能时，产出质量远高于一个不熟悉金融的"全栈"工程师。不是技术差距，是业务理解力的差距。他知道这个风控规则的边界条件是什么，AI生成的代码在哪些地方可能踩坑。这种判断力，是AI目前给不了的。

新全栈对人的要求，至少有三点跟以前不一样。

第一，从"掌握技术"到"掌握判断力"。以前你需要精通React才能写好前端，现在你需要能看出AI写的React代码哪里有性能隐患、哪里不符合业务逻辑。这是更高级的能力。Karpathy有个比喻很到位："AI既像是一个做了一辈子系统编程的博士生，又像是一个只会讲五年前冷笑话的十岁小孩。"你得能分辨什么时候它是博士，什么时候它是小孩。

第二，从"深度专精"到"广度加判断力"。以前说T型人才，一竖一横。现在那一竖的重要性在下降——AI能帮你补深度。那一横变得更关键了：你能不能跨领域思考，能不能把不同领域的知识连接起来，能不能在AI产出的多个方案里选出最合适的那个。

第三，从"学更多框架"到"学如何与AI协作"。我见过不少人，每周都在追新框架、新库。不是说这没用，但投入产出比已经变了。花两周学一个新的前端框架，不如花两天搞明白怎么更高效地让AI帮你写前端代码。框架是工具，AI是工具的工具。你不需要成为每个工具的专家，你需要成为工具的指挥官。

那具体怎么提升自己？

说实话我也没有标准答案，因为这条路目前还没有成熟的教程或课程体系。但有几个方向我觉得是确定的。

首先，刻意训练问题拆解能力。这是AI时代最值钱的能力之一。拿到一个需求，先别急着写代码，花10分钟想清楚：这件事可以拆成哪几块？哪些可以让AI做？哪些必须我自己判断？这个思维习惯的养成，比学任何框架都有价值。做得好的人，一个人顶一个五人团队，不是夸张。

其次，建立自己的"AI工作流"。不是简单地用ChatGPT聊天，而是形成一套系统化的方法：怎么用Cursor或Claude Code做开发，怎么管理上下文，怎么给AI足够的约束条件，怎么验收产出。每个人的工作流不一样，需要自己摸索和迭代。但一旦形成，效率是数量级的差距。Karpathy追求的是"Token吞吐量最大化"——同时开十几个Agent会话，像指挥乐团一样调度它们。这个思路对普通工程师也适用，只是规模小一些。

第三，别放弃技术基本功。这可能是最反直觉的建议。AI时代反而更需要扎实的基础功。为什么？因为AI生成的代码看起来很对，实际上可能在边界条件、性能、安全上埋了雷。没有基本功的人看不出来，有基本功的人一眼就能识别。数据结构、网络协议、数据库原理、系统设计——这些底层知识的重要性反而在上升。它们是你判断AI产出质量的基石。

第四，深耕一个业务领域。技术能力可以被AI放大，但领域知识不能。一个深度理解金融合规的工程师，一个熟悉医疗数据标准的工程师，一个懂供应链管理的工程师——他们的价值在AI时代不是降低了，而是升高了。因为AI写代码越快，"写什么代码"这个决策就越重要。而这个决策，依赖的是领域理解。

最后，保持对AI能力边界的感知。AI不是线性进步的，它是跳跃式的。上个月还做不好的事情，这个月可能突然就能做了。保持这种感知不是为了焦虑，而是为了及时调整自己的精力分配。有些技能半年前还值得花时间练，现在可能已经不值得了，因为AI已经做得足够好。反过来，有些能力你以为AI早就会了，其实它还很弱——这些恰恰是你该重点投入的方向。

说点可能有争议的看法。

我不觉得"AI会取代工程师"这个说法准确。更准确的说法是：会用AI的工程师会取代不会用的。而且这个替代的速度比大部分人预期的快。Karpathy说他从去年12月开始就基本不亲手写代码了。他身边顶尖的工程师全都是这个状态。这不是两三年后的事，是现在正在发生的事。

对于做了很多年技术的人来说，这既是威胁也是机会。如果你过去十年的积累主要是"我精通某个框架"，那确实需要焦虑——框架层面的能力正在被AI快速拉平。但如果你过去十年的积累是"我能解决复杂问题"、"我理解业务"、"我能做架构决策"，那恭喜你，这些能力在AI时代反而更值钱了。技术实现不再是瓶颈之后，瓶颈转移到了"知道该做什么"和"判断做得好不好"——这恰恰是资深工程师的优势。

全栈这个词没有过时，但它的门槛变了。以前全栈的门槛是"你会多少种技术"，现在的门槛是"你能不能调动足够多的能力，交付一个完整的东西"。前者考的是记忆力和勤奋度，后者考的是判断力和系统思维。

对大部分工程师来说，好消息是：如果你有扎实的基本功和足够宽的视野，AI时代是你最好的时代。技术实现的壁垒在降低，能解决的问题的复杂度在上升。坏消息是：如果你只靠"会用某个框架"来定义自己的竞争力，这个壁垒正在被AI以你看不到的速度推平。

别焦虑，但也别假装什么都没发生。重新审视一下自己的能力结构，看看哪些部分在升值、哪些在贬值。然后调整投入方向。

这可能是当下最值得做的一件事。