正在加载，请稍候
2026 年 AI 编程进入生产级阶段，Token 已无法衡量效率。两位一线开发者在 WAIC 的对谈指向一个反直觉结论：顶级模型配给资深工程师，比平分给所有人更省钱。
2026 年 8 月，InfoQ 在 WAIC 直播间请两位 AI Coding 一线开发者对谈。两人观点相左，却在算力分配上指向同一个反直觉结论：把顶级模型平均分给所有工程师，是当下最贵的成本结构。
软件开发正从「人写代码、工具辅助」转向「人定义目标、智能体持续执行」——这是 2026 年 WAIC 期间 InfoQ 直播中两位一线开发者的共同描述。这个范式转变的工程含义，我们在《Agentic Coding：当 AI 从「写代码」变成「做项目」》里拆过。模型不仅能生成代码，还开始自主调用工具、调试程序、压缩上下文，连续工作数小时。
这个变化推翻了旧的成本核算方式。过去 Vibe Coding 一轮提问对应一轮回答，Token 消耗可以估算；现在开发者设定一个目标后，机器会持续执行、反复调试，可能一个小时后才需要人介入。过程中它会不断碰壁、尝试无效路径，但往往也能自己跳出来完成任务。滕昱（Sirius contributor，近 20 年企业软件开发经验）说得很直接：他同时用三个编程模型，策略是「买最贵的模型、买最高的套餐，直接拉满」，即便如此也没有用满全部 Token 额度。
结论是：一个复杂任务背后可能有数十次工具调用和代码修改，单独统计 Token 已代表不了生产效率。衡量 AI 编程的尺子，正在从「用了多少 Token」换成「完成了什么任务、产生了什么价值」。
两位对谈者很多判断不一致，但在一点上形成共识：AI 不会让所有工程师失去价值，而是优先放大资深者的经验与判断；真正受冲击的，是过去靠重复编码积累经验的新人，以及层级复杂、流程沉重的大型软件组织。
「新人刷题式成长」失效的原因不难理解：重复编码正是 AI 最先接管的活。新人过去靠大量重复劳动换经验，现在这些劳动被模型消化，成长路径被迫改道。唐飞虎（前 Google 软件工程师、月之暗面研发）甚至认为，随着模型自我发现和解决问题的能力增强，需要人读代码、改 Bug 的时机正在减少——他举例说，此前花了 48 小时没做成的 3D 停船游戏，用最新的 Kimi K3 一句话就生成了像样的版本。
在这个前提下，算力平均分配会同时做错两件事：核心研发的额度不够，企业里最值钱的杠杆被阻塞；新人的旗舰模型又消化不了，钱花出去没有产出。
我们给企业客户做 AI 软件开发交付时也观察到同样现象：同一套最高权限，老手能用满模型的判断力，新人拿到手主要是在 prompt 上来回打转。这不是工具的问题，是角色和任务不匹配。
AI 编程早已不是实验性投入。Lovable 2026 年 8 月确认完成 4 亿美元 C 轮，估值 133 亿美元，6 月年化收入 5 亿美元，托管 6000 万项目、月访问 9 亿。市场真实且还在高速增长，算力分配就是经营决策，不是 IT 采购。
| 维度 | 全员平分旗舰模型 | 按角色分级分配 |
|---|---|---|
| 成本结构 | 旗舰模型单价 × 全员，按人头膨胀 | 旗舰套餐只给关键角色，总量可控 |
| 杠杆 | 资深额度被摊薄，长任务排队 | 资深优先，长时任务不被抢资源 |
| 新人成长 | 拿到旗舰模型但不会用，产出无法消化 | 低成本模型 + 严格范围，先建立判断力 |
| 管理复杂度 | 看似公平，实际无人对效果负责 | 需要一份模型路由策略，但可落地 |
| 适合阶段 | 预算充足、团队小且全员资深 | 10 人以上、角色分层明显的团队 |
算力分配解决「钱花在哪」，另一个问题在 2026 年同样被摆上台面：敢不敢让 AI 在生产线里跑。OpenClaw（「小龙虾」）年初掀起本地终端热潮，Meta 超级智能实验室的 Summer Yue 公开讲过，她的实例擅自删除并归档数百封邮件、无视停止指令，最后只能手动关设备；工信主管部门也公开提醒，配置不当的实例可能面临网络攻击和数据泄露风险（详见InfoQ 对腾讯云沙箱的报道）。从 Demo 到生产之间的坑，我们写过《AI Agent 工程化跨平台实战：从 Demo 到生产，踩过 5 个坑》可以对照。
基础设施厂商动作很快：Anthropic 公开测试 Claude Managed Agents；E2B 把隔离沙箱封装成开发者可直接调用的服务；腾讯云 2026 年 4 月开源 Cube Sandbox，它脱胎于 2023 年以来的 Serverless 生产底座，7 月被 OpenClaw 创始人 Peter Steinberger 主动提交 PR 接入 provider 体系。按腾讯云团队的说法，沙箱要同时满足三类需求：工具执行的完全隔离（一台服务器承载数百上千并发实例）、Harness 长时运行的状态保存与恢复、对 AI 友好的服务统一底座。生命周期怎么管，可看《AI Agent 平台搭建：从腾讯 ADP 4.0 看 AgentOps 全生命周期管理》。
对企业决策者，建议把两件事放在同一个预算周期里决策：算力分配决定「用多好的模型」，沙箱和权限设计决定「敢在什么范围用」。只买好模型、不解决隔离，等于在生产环境里养一只行为不可见的宠物。
Q：是不是让所有工程师都用最强模型最好？
A：不是。滕昱「直接拉满」的前提是自己承担大量实际开发、判断力强；对新人或非研发角色，旗舰模型的产出无法消化，成本结构反而更差。分级配给更省钱。
Q：怎么判断模型用得好不好？还看用量吗？
A：2026 年用量已衡量不了效率。看任务完成率、返工率、验收通过率，直接对应经营结果。
Q：智能体能替代多少开发工作？
A：滕昱估计普通应用中 70%–80% 的需求可通过 Vibe Coding 实现；但涉及新逻辑、新架构、缺少成熟参考的部分，机器容易陷入重复循环，需要人叫停错误方向。
Q：企业要不要自研模型？
A：Lovable 自研模型和前沿模型并行，还与 Google Cloud 签了多年合约、用量涨 5 倍；但自研不是多数企业的选项。先把模型路由、Harness 和沙箱做对，比自研模型更早产生回报。
Q：智能体安全怎么管？
A：用隔离沙箱管住工具执行、状态恢复和最小权限。对比腾讯云 Cube Sandbox、Anthropic Claude Managed Agents、E2B 三类方案的取舍，再结合企业自己的权限体系落地。