产研融合之后,谁来做决定

摘要

2026 年下半年,腾讯、携程、阿里云、今日头条等公司陆续调整研发组织:压缩管理岗位,以小团队为作战单元;产品、研发、测试按项目合并,由一名负责人从目标定义负责到结果验收。这些调整把决策权交给了一个人,要求这个人产品懂技术、技术懂产品,但没有说明这个人具体怎样做决定。本文认为,执行交给 agent 以后,人剩下的主要工作就是做决定,而这些决定几乎都同时有产品后果和技术后果,只懂一侧的人会朝相反方向出错。本文以设计一个虚构的 agent 短剧生产平台为例,推演五个关键决定,并指出一个具体的缺口:主流 agent 框架和产品都设计了“审批”(这一步能不能做),没有设计“定稿”(从候选中选定哪一个、谁定的、为什么、后来结果如何)。这个缺口是产品与工程长期分离的结果,也是产品工程师要补上的位置。

1 引言:最近大厂的调整

1.1 发生了什么

11 月 16 日,腾讯文化公开了司庆日总办 LinkTime 的现场笔记,其中关于组织的几句话说得很直接:“未来不一定要那么多管理岗位,不要让中间传话的不想动还霸占地盘的干部成为阻碍”,要“以小团队为作战单元”,“所有人都要动手做事”[35]。几天前,携程被曝推行产研融合,报道里有一句话很容易被略过:“只要 DRI 认可即可”[1]。前一句拿掉的是中间传话的人,后一句把拍板的权力交给一个人:一个功能由谁实现、能否交付,不再经过产品评审、技术评审和逐级审批。这一轮各家的调整,大多可以归结为这两句话。

表 1 列出 2026 年 6 月以来公开报道的组织调整和相关表态。来源性质差异很大,部分只有匿名爆料,本文逐条标注。

表 1 2026 年下半年部分公司的研发组织调整与表态

公司调整内容时间来源性质
携程产品、运营、前端、后端、算法、测试按项目合并,由 DRI(直接负责人)牵头;负责人不限职能;“人人是全栈、人人是产品经理”;团队内产品、运营的想法若能由 AI 实现可独立交付,“只要 DRI 认可即可”[1][2]2026-11匿名爆料,官方未回应
阿里云CTO 线把产品、研发、安全整合进同一团队,“每个需求由一名 Owner 从目标定义负责到结果验收”;需求平均周期从 50.9 天降至 13.8 天 [3][4]2026-10官方文章,作者称数据为阶段统计、仍需验证
今日头条前端、客户端、服务端由按职能划分改为按业务模块配置 [5]2026-10 底二手转述,未找到首发报道
美团某零售业务研发团队前后端合并 [6]2026-06匿名爆料经媒体转引
腾讯7 月:游戏国内发行线某部门试点“负责人制”,取消 L1/L2 管理职级 [7]。11 月:总办讲话提出“组织也要扁平化”,“选出能够适应新的打法和新的战场的人”,核心业务“一半人负责守住,另一半人去打新的战役”[35]2026-07、2026-117 月为媒体转述内部邮件,仅限试点部门;11 月为公司官方公众号发布的讲话笔记
联想公司称前端、后端、测试、运维可由单人完成,“全栈工程师已在联想中国区全部软件团队普及”[8]2026-09公司高管表述,无第三方数据
百度李彦宏称岗位会收敛为两类:“Builder 负责创造新东西,Seller 负责与人沟通、建立信任”[9]2026-11公开演讲,媒体报道
快手技术沙龙上的说法:“全栈不是多做一份工,而是少等一个人。”[10]2026-10媒体报道

海外的对应物是“产品工程师”(product engineer)。PostHog 的定义是:“a software engineer building products”,并要求其“opinionated on the roadmap”、能做设计决定、负责修复自己产品出问题的部分,也要亲自和用户交流 [11]。它的工程手册把“只做被分配的事、从不追问为什么”列为差的产品工程师的表现 [12]。

1.2 共同点

这些调整的措辞各不相同,指向的是同一件事:去掉中间的交接和协调,把决策权直接交给一个人,并要求这个人同时理解产品和技术。

阿里云的官方文章对原因说得最直白:“产品经理开始干研发的活,研发也开始干产品的活,是因为只要是两个不同实体,观点就可能不同,协调就有代价。”[3]

1.3 留下的问题

公告说明了要融合,但没有说明融合以后,这个人具体怎样做决定,以及为什么非得两边都懂才能做对。阿里云的同一篇文章也承认:“各团队仍在分别界定目标、权限、验收和追责方式,目前没有统一做法。”[3]

本博客上一篇文章《软件行业谁来驾驶 AI》[32] 的结论是:执行成本下降以后,瓶颈转移到任务定义和结果验收,驾驶 AI 的人要“保留一项主要专长,借助 AI 覆盖相邻职能,并负责定义任务、验收结果”。大厂这一轮调整,可以看作在组织层面落实这个判断。本文接着回答上一篇没有展开的部分:融合之后,决定由谁来做,怎样做才能做对。

2 执行变便宜以后,剩下的是决定

先看执行端的变化。Chen 和 Stratton 用 655 家公司、72 万名员工、4.45 亿条工作事件做的研究(2026 年 11 月版)显示,在 AI 助手之外再采用 coding agent,12 个月后代码行数增加 44.0%,PR 数增加 35.7%;但以 Jira 需求单衡量的最终产出只增加 13.7%,且仅临界显著;从提交审查到批准的时间增加 56.1% [13]。作者的概括是:“AI substantially increases code output but has small effects on final software output and no detectable effect on employment. Code review becomes the bottleneck.”[13]

微软对内部数万名工程师的研究也观察到采用者合并的 PR 增加约 24%,同时提醒“a merged PR is not the same as the value it delivers”[14]。

审查之所以变成瓶颈,是因为审查本质上是一连串决定:这段实现对不对,这个方案要不要,这个改动会影响什么。产出越多,待做的决定越多。阿里云把人在 agent 系统里的职责概括为“提前设定目标、质量、权限和停止条件四类边界”[3]。这四类边界每一类都有两面:

  • 目标:产品上是“解决谁的什么问题”,技术上是“哪些产物算完成”;
  • 质量:产品上是“什么算好”,技术上是“什么能被自动检查”;
  • 权限:产品上是“哪些后果不可接受”,技术上是“哪些操作要拦下来”;
  • 停止条件:产品上是“做到什么程度够了”,技术上是“重试和花费的上限”。

只看到一面的人能设定边界,但设定出的边界会在另一面失效。下面用一个具体的设计任务说明这一点。

3 示例:一次改设定,牵出五个决定

3.1 设定

本节的平台是虚构的,面向小型制作团队。平台上的 agent 可以在无人值守时连续完成一部短剧的大部分环节,一个团队通常是一名负责人加少数成员。平台把一部短剧拆成若干类产物,产物之间的引用关系构成一张有向无环图(图 1)。

图 1 虚构平台的产物依赖(简化)

产物直接依赖于
概念—
人物素材—
角色设定概念、人物素材
参考资产角色设定
分场大纲角色设定
剧本分场大纲
分镜剧本
镜头分镜、参考资产
成片镜头
发布包成片

选短剧作例子,不是为了讨论这个行业,而是因为它几乎包含所有类型的决定:链条长,产物层层依赖;有大量只能靠审美判断的选择;也有监管规定的硬约束。开源社区已有类似的流水线,例如一个把流程拆成十段、每段设有产物和门禁的 Agent Skill 项目 [16];学界也有让 agent 分别承担编剧、镜头规划、质检的系统 [17]。本博客 2025 年的《从产品设计到技术架构:打造一个可编排、可复用、可审计的 AI 视频工作流 SaaS》[34] 讨论过这类平台的架构,本文不重复架构,只看决定。

下面不逐项罗列功能,而是跟着一次很常见的改动走一遍:第三集已经剪完、尚未发布,负责人看完样片,认为女主角林晚的性格太温和,第五集的反转立不住,决定把她改得冷硬一些,发型和服装也相应调整。这一次改动会依次碰到五个决定。每个决定先看只从产品出发和只从技术出发分别会怎样做,再看两边同时考虑的做法。

3.2 决定一:改动传播到哪里

第一个问题是影响范围。在图 1 中,角色设定的下游包括参考资产、十集剧本中的相关台词、几百个镜头,以及已经剪好的三集成片。

只从产品出发,通常的判断是“改个性格和发型而已”,范围被低估。只从技术出发,通常是二选一:全部重做,或者不传播。前者意味着一次改动重新生成几百个镜头;后者会让前两集和后面几集出现两个不同的林晚。

两边同时考虑的做法,是借用构建系统的成熟机制。Mokhov 等人把构建系统的目标概括为“minimal”:只执行传递依赖于已变化输入的任务,且每个任务至多执行一次 [19]。落到平台上,每个产物在生成时记录一份输入指纹,包括上游产物的版本、提示词、参考图、模型及其版本、随机种子;上游一变,凡是指纹中含有旧版本的下游都标为“过期”,等待处理,而不是立即重做。前述开源流水线采用的也是这种做法:“上游改动只把下游标为过期,不自动重写”[16]。

生成式内容在这里有一个构建系统没有的麻烦。构建系统还有一个关键优化叫“early cutoff”:某个中间产物重算后结果没有变,就不再向下游传播 [19]。判断“没有变”,构建系统比较的是字节;而生成模型对同样的输入两次生成的结果也不相同,字节比较永远判定为“变了”。所以平台需要重新定义“没有变”:新参考图生成以后,下游镜头要不要重做,取决于新旧两张图在观众眼里是不是同一个人。这可以用身份相似度设一个阈值来自动判断,但阈值定在多少、主角和配角是否用同一个阈值,是产品判断:主角特写里的细微差别观众会注意到,远景里的配角则不会。early cutoff 的阈值,是一个写成数字的产品决定。

改动类型也需要两边的知识来划分:这次改动是视觉的(发型、服装),叙事的(性格影响台词和剧情),还是涉及主线的。三类改动的传播范围不同,后果也不同:视觉改动只影响画面,叙事改动要重新确认台词和后续剧情,主线改动还牵涉已经发布的剧集怎么处理。性格从温和改为冷硬算叙事改动还是主线改动,需要产品判断;要让系统按改动类型给出不同的处理流程,则需要把改动类型做成数据,而不是写在一段备注里。

3.3 决定二:哪些地方必须由人定稿

影响范围确定以后,几百个过期产物要重新生成,每一个都会出若干候选。人不可能每个都看。

只从产品出发,每个镜头都让负责人确认,演示时显得负责,实际负责人会被确认请求淹没,agent 大部分时间在等人。只从技术出发,中间全部自动挑选,只在成片阶段看一次;如果新的林晚在定妆照阶段就不对,发现时几百个镜头已经白做。

两边同时考虑的做法,是把人的注意力当作一项有限的预算来分配,按三个量给节点排序:判断价值(是否涉及审美和叙事)、下游扇出(图 1 中有多少产物依赖它)、返工成本。在这次改动里,新的定妆照扇出最大,必须由负责人定稿;改写的关键台词影响叙事,也由人来定;单个镜头的候选扇出小,可以交给模型挑选。

自动挑选能走多远,取决于自动指标有多可靠。在一个图像故事评测基准中,角色一致性自动指标与人工评价的 Spearman 相关为 0.676,美学指标只有 0.397 [18]。也就是说,“像不像同一个人”可以较多地交给机器,“好不好看”还不能。ViMax 在关键帧阶段让视觉语言模型从两个候选中挑一个,去掉这一步,整体一致性下降 3.8% [17],说明在扇出小的节点上,机器挑选是有用的。

还有一个工程问题决定这套安排能否运转:等待。定妆照没有定,下游就全部停住,agent 在夜里无人值守时只能空转。一种做法是让下游先按暂定版本继续生成,产物标为“暂定”;定稿时如果选中的正是暂定版本,下游直接转正,否则按决定一的机制标为过期。这是用一部分可能浪费的算力换取等待时间。能接受多少浪费,又是一个需要两边一起算的数:技术侧知道生成成本,产品侧知道交付时间值多少钱。

3.4 决定三:硬约束放在哪里

新造型需要新的参考图,参考图又依赖团队上传的人物素材。平台在这里碰到的硬约束主要有两类。一类是标识:《人工智能生成合成内容标识办法》要求视频在起始画面等位置添加显式标识,并在文件元数据中写入隐式标识,包括内容属性、服务提供者名称或编码、内容编号 [20]。另一类是素材本身的来源:每一个镜头最终用到了哪些人物素材,这些素材从哪里来,按什么条款使用。

只从产品出发,规则写进需求文档,或者在发布前加一道人工检查。agent 不读需求文档;到发布前才发现某张参考图用错了素材,或者标识没有加,前面的生成都要返工。只从技术出发,优先实现容易检查的东西,例如相邻镜头的亮度和色彩是否连续。这些检查有用,但最昂贵的错误——素材来源出了问题、标识缺失——不在其中。

两边同时考虑的做法,是把素材来源建成数据模型中的一类实体,至少记录素材从哪里来、由谁上传、适用什么条款,以及当前状态;角色设定和参考资产必须引用具体的素材记录,才能进入生成环节。这样,素材也进入了图 1 的依赖关系,同一张图可以反过来用:某份素材需要下架或替换时,从素材节点向下查询,就能列出所有用到它的产物,并估算替换的范围和花费。标识也一样:隐式标识和内容编号应当在生成时写入元数据,而不是发布前补。

把规则放在 agent 读得到、流水线执行得到的地方,有实证支持。一项对 441 个仓库的观察研究发现,在 agent 优先的仓库中,没有提交 AI 配置文件的一组,代码认知复杂度增幅为 53%,有配置文件的一组为 27% [15]。作者说明这是观察性结果,只能用来提出假设,但方向与本节一致:规则只有放在执行处才起作用。

3.5 决定四:审批与定稿分开

新的定妆照出了三张候选,负责人选了第二张,理由是第一张更好看,但和前两集的气质断得太开。这个动作在系统里应该是什么?

在今天的 agent 框架里,它多半会被实现成一次审批。这需要区分两种不同的动作:

  • 审批回答“这一步能不能做”:要不要花这笔钱,能不能发布,能不能调用这个工具。它管的是风险。
  • 定稿回答“选哪一个、为什么”:几个候选里定哪一个,这个方向要不要。它管的是好坏。

目前的 agent 框架和产品几乎只设计了前者。表 2 根据各家官方文档整理(截至 2026 年 11 月 17 日)。

表 2 主流 agent 框架与产品的人工介入原语

框架或产品人工介入方式返回给系统的内容是否记录候选、决定人、理由、后续结果
LangGraphinterrupt() 暂停图执行,用 Command(resume=…) 恢复 [21]任意值,示例为 True/False否,需应用自行实现
AG-UI运行结束时返回 interrupt,原因分为工具调用、需要输入、确认;客户端带 resume 继续 [22]状态(已处理/取消)与 payload否;规范提到 id 可用于审计、metadata 可放签名,内容由实现方决定
OpenAI Agents SDK工具设置 needsApproval,运行暂停,调用方 approve 或 reject [23]批准或拒绝,拒绝可附说明否;拒绝说明是给模型看的
Claude Agent SDK权限规则、权限模式与 canUseTool 回调 [24]允许或拒绝;“记住”会写入一条放行规则否;记住的是规则,不是决定
MCPelicitation:服务端请求用户输入 [25]accept / decline / cancel 及表单数据否
Gemini Spark花钱、发邮件等高风险操作前先询问 [26]同意或拒绝未见相关说明
Claude Tag管理员可设 token 花费上限,可查看日志,日志包括“who requested each task”[27]—记录谁发起任务,未记录谁定了什么
Claude Cowork“By default, Claude asks before taking an action.”[28]同意或拒绝未见相关说明

这些设计在各自的目标上是合理的:它们要防止 agent 做出不可逆、代价高的操作。但它们缺少同一个原语:在多个候选中做出选择,并把这次选择作为一条记录保存下来。用审批来实现定稿,系统得到的只是“第二张:通过”,丢掉了另外两张候选、选择的理由,以及这次选择会影响哪些下游。

开源流水线和本博客自己的旧设计都有这个问题。前述开源流水线的最后一道门禁写的是“视觉验收真看过”[16]:它确认有人看过,但从 README 的描述看,并不记录看了哪些候选、选了哪一个、为什么。本博客 2025 年的设计 [34] 中,人工节点的状态机以“通过”或“返工”结束,超时则自动选择置信度最高的候选;“所有决策写入审计日志”记录的是状态变更,而不是选择本身。也就是说,我们当时同样把定稿当成了一种审批状态。

定稿需要单独的数据结构。 软件工程里已有接近的做法:架构决策记录(ADR)。Nygard 2011 年提出的模板包括背景、决定、状态、后果;被推翻的决定不删除,而是标为“superseded”,因为“It’s still relevant to know that it was the decision, but is no longer the decision.”[29] 推广到平台上,林晚这次定妆照的定稿记录大致包含表 3 中的字段(示意,非实现)。

表 3 一条定稿记录(示意)

字段含义本例取值
编号记录的唯一编号D-0142
对象定的是什么角色设定/林晚/定妆照,第 3 版
候选参与比较的候选take-07、take-09、take-12
选定选中的候选take-09
决定人人,或模型(记名称和版本)负责人
理由为什么选它第五集反转需要更冷的气质;take-07 更好看,但和前两集断开
改动类型视觉、叙事或主线,见决定一叙事
状态提议、生效,或被某条新记录取代生效
影响范围依赖图上受影响的下游第 3 集第 2–9 场,第 4、5 集
关联审批与本次定稿有关的花费审批A-311
素材来源用到的素材记录,见决定三M-0027
结果事后回填审核结果、完播率(待回填)

这条记录把前面几个决定连了起来:“改动类型”和“影响范围”来自决定一,“素材来源”来自决定三,“关联审批”把花钱的审批和这次定稿分开、又关联起来,“决定人”允许把模型的选择也记下来。它不要求每个候选都由人来选,只要求每一次选择,无论由人还是模型做出,都留下记录。

3.6 决定五:怎样知道这次改对了

第五集上线后,完播率比前两集高。改设定是对的吗?

只从产品出发,看到数字上升就认为改对了,但同一周可能也换了投放素材、换了上线时段。只从技术出发,日志里有每一次调用和每一笔花费,却没有选择和理由,回答不了“这个方向当初为什么这么定”。

两边同时考虑的做法,是把定稿记录和事后结果关联起来,同时承认这种关联是观察性的:一集的结果受很多因素影响,单个决定的作用很难分离。可行的办法有两类。一类是同类节点的横向比较:同一类节点由人挑和由模型挑,长期看哪一边的选择更少被后续定稿推翻。这个指标不依赖播放数据,只需要定稿记录中的 superseded 状态,噪声也小得多。另一类是在能低成本做试验的地方做试验,例如同一集的两版开场分别投放。

第一类比较最重要。人和 agent 的分工不是一次设定好的,它会随模型能力变化。有了定稿记录,分界线可以按证据移动,而不是按感觉移动:某类节点上模型的选择被推翻得足够少,就可以交出去;某类节点上人的选择也经常被推翻,说明问题不在谁来选,而在规格没写清楚。本博客此前讨论无限画布时写过,“平台清楚地知道你花了多少钱抽卡,却不知道你为什么选了那一张”[33]。到了 agent 阶段,这句话变成:系统知道谁批准了什么,却不知道谁定了什么、为什么这么定、后来结果如何。

3.7 小结

表 4 五个决定的三种做法

决定只从产品出发只从技术出发两边同时考虑
改动传播到哪里低估影响范围全量重做或不传播输入指纹、过期标记、按改动类型分类;early cutoff 的阈值由产品判断给出
哪里由人定稿每一步都确认,人被淹没只在最后确认,返工代价大按判断价值、下游扇出、返工成本分配注意力;暂定版本减少等待
硬约束放在哪里写进文档,事后检查检查容易检查的素材来源做成实体并进入依赖图;标识在生成时写入
审批与定稿把审批当质量关只拦截高风险操作分开设计,定稿单独成记录,并与审批、素材来源关联
怎样知道改对了有结果,对不上决定有日志,没有选择定稿记录与结果关联;以“被推翻率”比较人和模型

五行有一个共同模式:只从产品出发的做法,往往低估实现和传播的代价;只从技术出发的做法,往往把容易做的当成重要的。两种错误方向相反。更值得注意的是“两边同时考虑”那一列里的很多东西,例如 early cutoff 的阈值、注意力预算、可接受的浪费比例,本身就是一个数字,这个数字一半由产品判断决定,一半由技术成本决定,没有办法拆给两个人分别给出。

4 产品工程师需要具备什么

根据上面的推演,产品工程师既不是全栈工程师,也不是会写代码的产品经理。全栈工程师覆盖的是执行范围,而执行正在交给 agent;会写代码的产品经理只是把两个职能叠加起来。本文的定义是:能在同一个决定里同时看见产品后果和技术后果,并把这个决定写进系统的人。

具体可以落到四项能力,对应上一篇文章的定义与验收,以及本文的五个决定:

  1. 设定边界:为 agent 设定目标、质量、权限和停止条件,且每一类都同时写出产品含义和技术含义。
  2. 设计结构:把工作拆成环节,定义环节之间的交接物,建立依赖关系,决定改动怎样传播。
  3. 安排判断:决定哪些节点由人定稿、哪些交给模型、哪些只需审批,并让每一次选择留下记录。
  4. 对结果负责:把定稿与结果关联,按证据调整人和 agent 的分工;把合规等硬约束放进系统而不是文档。

两类出身的人补课方向不同。产品出身的人需要补依赖关系、状态、数据模型和成本,至少要能看出一个方案的改动会扩散到哪里。据报道转述,百度一位产品经理在分享中提到,研发和测试把规范做成 AI 审查规则以后,产品经理“敢修改前端、后端甚至数据库中的部分内容”[9],说明规则先行能降低产品出身的人进入技术层的门槛。技术出身的人需要补用户价值、审美判断和合规后果,至少要能说清楚一个功能“值不值得做”。PostHog 对好的产品工程师的描述是理解公司战略,按战略和用户需要排优先级 [12]。

还需要补充两点。第一,阿里云明确说“高风险、高歧义或不可逆的工作,仍需要专业人员主导”[4],所以上一篇文章的“保留一项主要专长”仍然成立。第二,验收能力需要刻意维护。Anthropic 的一项随机对照实验中,借助 AI 学习新库的工程师,测验平均分为 50%,手写组为 67%,差距最大的是调试题 [30]。如果产品工程师的主要工作是定稿和验收,那么这类能力的退化正好削弱了他们最需要的部分。

5 回到大厂的调整

把第 3 节的结论放回组织层面,可以对第 1 节的调整做几点补充。

DRI 就是定稿人。 携程报道中的“只要 DRI 认可即可”[1] 正是一次定稿。如果这次认可只存在于口头或聊天记录中,那么“产品给技术打绩效”就缺少依据,事后也无法复盘哪些判断是对的。

审批需要分级,定稿也需要分级。 阿里云按风险划分了三层:“标准明确、可评测、可回滚的任务,由 Agent 执行、人审批;跨领域但风险可控的任务,由 Owner 借助 Agent 闭环;高风险、高歧义或不可逆的任务,仍由专业人员主导”[3]。这是审批的分级。定稿同样需要分级:大多数选择一个人就可以定;影响共享资产的选择——例如多个项目共用的领域模型、角色设定、素材规则——需要会签。去掉中层以后,这类跨项目的决定如果没有明确的会签规则,就容易出现有评论者担心的情况:“部门墙拆了,最后又建起一道道项目墙”[5]。

被压缩的是交接,不是判断。 腾讯总办点名的“中间传话”[35],和快手那句“全栈不是多做一份工,而是少等一个人”[10],说的都是交接成本。融合以后被压缩的岗位,主要是以交接为核心的部分:只负责写需求文档、协调排期的产品工作,以及只按需求文档实现的开发工作。判断不会被压缩,只会集中到更少的人身上。

6 几个反对意见

组织扁平化未必会发生。 哈佛商学院一项覆盖 7,681 家美国公司、1990–2020 年数据的研究发现,AI 暴露与管理层级减少相关,但幅度只有约 3%,并明确说扁平化“不是 AI 的自动结果”[31]。本文的论证并不依赖扁平化本身:即使层级不变,执行交给 agent 以后,决定仍然需要两边的知识。

定稿记录会变成新的负担。 如果每个选择都要填表,确实会。回应有两点:只有高扇出、高判断价值的节点需要完整记录;记录应该是选择动作的副产品,例如选中候选时顺手写一句理由,而不是事后补填。本博客此前的说法是,收敛动作的“成本要低到一个快捷键”[33]。

模型可能学会定稿。 有可能,而且在低扇出节点上已经部分发生 [17]。但这恰恰需要定稿记录:只有把人和模型的选择与事后结果放在一起比较,才能判断哪些节点可以交出去。

大厂未必需要很多这样的人。 百度“Builder 和 Seller”的说法 [9] 暗示岗位总数会收敛。这与本文不矛盾:本文讨论的是留下来的决策岗位需要什么能力,而不是会有多少这样的岗位。

7 局限

第一,表 1 中携程、今日头条、美团、腾讯的信息来自爆料或二手转述,没有公司官方确认;阿里云的数据是其自述的阶段统计,作者本人称“仍需继续验证”。第二,第 3 节的平台是虚构的,五个决定的三种做法是推演,不是观察到的实际案例。第三,表 2 基于各框架截至 2026 年 11 月 17 日的公开文档,部分产品可能在未公开的层面已有决策记录功能。第四,本文没有证据表明定稿记录能改善结果,这是一个有待检验的设计主张。

8 结论

回到标题的问题:产研融合之后,谁来做决定?各家给出的答案是一个人,叫 DRI、Owner 或负责人。本文的推演补充的是,这个人为什么必须两边都懂。这不是让人多学一门手艺,而是由决定本身的性质决定的:在 agent 承担执行以后,人剩下的决定——在哪里定稿、改动怎样传播、约束怎样落地、选择怎样记录、结果怎样回流——每一个都同时有产品后果和技术后果。交给两个人协商,协调有代价;交给只懂一侧的人,会朝相反方向出错。

腾讯总办讲话里有一句“AI必须是由人控制的”[35]。本文的问题是,“由人控制”在系统里落成了什么。目前的答案只有审批。agent 基础设施只设计了审批、没有设计定稿,这可以看作两侧长期分离的一个结果:工程侧看到的是风险,于是设计了拦截;产品侧知道人的价值在判断,但不设计协议。产品工程师要补上的,正是这个位置:把判断设计进系统,使它可以被执行、被追溯、被学习。

这些判断可以在两处检验:各公司产研融合一段时间后的组织数据,以及 agent 框架是否会出现决策记录一类的原语。

写作说明

本文写于 2026 年 11 月,所引资料截至 2026 年 11 月 17 日。资料检索、起草和逐条核对由 AI(Claude)完成,论点取舍和审阅由作者承担。部分引文由自动抓取工具从原网页摘出,个别英文引文可能存在细微转述,以原网页为准。第 3 节的平台、人物和数据结构均为虚构示例。

参考文献

[1] 新浪科技. 携程被曝推动“产研融合”,以项目制 DRI 打通职能边界,官方暂无回应. 2026-11-11.

[2] 17173(转载 IT之家). 曝携程启动产研大融合:产品、前端、后端、运营合并,人人都是全栈开发者. 2026-11-12.

[3] 阿里云云原生. AI 进入生产后,研发组织怎么变. 2026-10-15.

[4] 任懿. 交付周期从 51 天缩短到 14 天,多 Agent 协作产品自进化背后的组织重构. 阿里云云原生, 2026-10-28;英文版.

[5] 怪哥. 字节阿里携程,开始拆部门墙了. 虎嗅(原发“人人都是产品经理”), 2026-11-14.

[6] 褚杏娟. 前后端一起消失:AI Coding 正在改写大厂工程师分工. InfoQ(虎嗅转载), 2026-06-30.

[7] 谢斯临, 赵鹏. 管理层也不好干了,大厂集体向中层“开刀”:腾讯去职级、京东砍层级. 时代周报(虎嗅转载), 2026-07-13.

[8] 投资界. 联想发布《AI 原生组织转型指南》相关报道. 2026-09-22.

[9] 赵艳秋. 腾讯百度们为 AI 重组,谁的岗位先动? 澎湃·湃客, 2026-11-13.

[10] 界面新闻. 快手技术沙龙相关报道. 2026-11-05.

[11] Vanagas, I. What is a product engineer (and why they’re awesome). PostHog, 2022-12-01.

[12] PostHog Handbook. How to do product, as an engineer.

[13] Chen, F., Stratton, J. Artificial Intelligence in the Firm: Bottlenecks in Software Production. Working paper, version of 2026-11-14.

[14] Murphy-Hill, E., Butler, J., Savelieva, A. Adoption and Impact of Command-Line AI Coding Agents: A Study of Microsoft’s Early 2026 Rollout of Claude Code and GitHub Copilot CLI. arXiv:2607.01418, 2026.

[15] Denisov-Blanch, Y. et al. A Few Pages of Markdown: Committed AI Configuration and Lower Quality Cost after Coding-Agent Adoption. arXiv:2608.25241, 2026.

[16] ADC1920. AI-Short-Drama-Studio. GitHub, 2026.

[17] Huang et al. ViMax: Agentic Video Generation. arXiv:2606.07649, 2026.

[18] ViStoryBench. arXiv:2505.24862.

[19] Mokhov, A., Mitchell, N., Peyton Jones, S. Build Systems à la Carte. Proceedings of the ACM on Programming Languages, 2(ICFP), Article 79, 2018.

[20] 国家互联网信息办公室等. 人工智能生成合成内容标识办法. 2025-03-14 发布,2025-09-01 施行.

[21] LangChain. LangGraph: Interrupts.

[22] AG-UI. Interrupts.

[23] OpenAI. Agents SDK (JS): Human in the loop.

[24] Anthropic. Claude Agent SDK: Permissions.

[25] Model Context Protocol. Specification 2025-11-25: Elicitation.

[26] Google. The next evolution of the Gemini app. 2026-05-19.

[27] Anthropic. Introducing Claude Tag. 2026-06-23.

[28] Anthropic. Cowork is now Claude. 2026-09-16.

[29] Nygard, M. Documenting Architecture Decisions. Cognitect, 2011-11-15.

[30] Anthropic. How AI assistance impacts the formation of coding skills. 2026-01-29.

[31] HBS AI Institute. The Future is Flat(介绍 Shan & Zhu, AI Exposure and Organizational Structure, 2026). 2026-10-29.

[32] 49. 软件行业谁来驾驶 AI. 2026-09-15.

[33] 49. 无限画布的三次自救,和它们共同绕开的那个动作. 2026-08-08.

[34] 49. 从产品设计到技术架构:打造一个可编排、可复用、可审计的 AI 视频工作流 SaaS. 2025-08-16.

[35] 腾讯文化. 总办号召 AI 时代再创业,“心态归零”. 微信公众号, 2026-11-16;新浪科技转载.

开始在上面输入您的搜索词,然后按回车进行搜索。按ESC取消。

返回顶部