Google 团队一年都没做出来的项目 Claude Code 一小时就把代码写出来了

前几天 Google 首席工程师（Principal Engineer）Jaana Dogan 发了一条推文：
“我们团队去年一整年都在做分布式 Agent 编排系统，各种方案，各种分歧，始终没有定论。我把问题描述给 Claude Code，它一个小时就生成了我们去年做的东西。”

这条推文在我的 Timeline 上刷屏好几天。有意思的是，几乎每个人都能从中找到自己想要的证据。

有人说这是大公司病的铁证：一年的活儿一小时干完，可见组织效率有多低。
有人说这是 Claude Code 封神时刻：Google 自己的首席工程师都在用竞品。
还有人说程序员要失业了：AI 已经能替代整个团队。

这些解读都抓住了部分事实，但都漏掉了关键信息。

【1】故事的另一半

Jaana Dogan 后来发了一段很长的澄清。

首先，团队这一年建了好几个版本的系统，各有优劣，一直没达成共识。
其次，她给 Claude 的 Prompt 浓缩了“存活下来的最佳想法”：一年的探索、试错、淘汰，精华被压缩进了三段话。
最后，Claude 生成的是“玩具版本”，不是生产级代码，但作为起点相当不错。

换句话说，这不是 AI 凭空创造，而是专家带着一年积累的研究成果，用 AI 快速把想法变成代码。

【2】一年的时间到底花在哪了

我们习惯用“产出”来衡量工作：代码行数、功能数量、版本迭代。但如果产出可以被一小时复现，那之前一年的“工作”到底是什么？

团队一年其实在做三件事：

首先是探索。分布式 Agent 编排这个问题，没有标准答案。要试不同的架构、不同的通信机制、不同的容错策略。大部分尝试会失败，但失败本身是必要的学费。

然后是验证。想法要落地，得跑起来看效果。有些问题只有在真实负载下才会暴露。这个过程漫长、枯燥、充满意外。

最后是对齐。Jaana 说"not everyone is aligned"。大厂呆过的朋友都知道，在大公司，让不同团队、不同利益方、不同技术偏好的人达成共识，往往比写代码难十倍。开会、写文档、说服、妥协、再开会，这些不产生代码，但消耗大量时间和精力。

Claude 复现的是最后那个“建造”的动作。前面那些认知劳动，探索、验证、对齐其实都是人来完成的。

这就像一个软件项目，我们不能只盯着写代码的那部分时间，前面的需求分析、产品设计、系统设计，后期的测试都是占时间的，只是由于以前写代码成本高，大家容易忽略那部分的成本付出，现在 AI 生成代码太快，才凸显出其他部分工作的价值。

【3】瓶颈转移

Jaana 还说了一段话，我认为这才是整个故事最有价值的部分：

“需要好几年时间去学习、在真实产品中验证想法、找到能长期使用的模式。一旦你有了这些洞察和知识，构建本身就不难了。因为可以从零开始建，最终产物反而没有历史包袱。”

过去，瓶颈在“怎么实现”。你想清楚要什么了，但从想法到代码之间隔着漫长的工程工作。需要招人、分工、排期、开发、测试、联调。

现在，这个瓶颈正在消失。新的瓶颈是“想清楚要什么”。你的 prompt 能不能精准描述问题？能不能包含正确的约束条件？能不能体现你对 tradeoff 的判断？

有人把这叫做从“实现”到“表达”的转移。以前会干活的人值钱，现在会说清楚要干什么的人更值钱。

Jaana 的 prompt 之所以有效，是因为她确实懂这个领域。换一个不懂的人，给 Claude 同样三段话的篇幅，大概率出不来能用的东西。AI 放大的是你已有的认知，不是凭空给你认知。

【4】什么变贵了

执行变便宜了，什么变贵了？

判断力。面对十个可行方案，选哪个？AI 能帮你生成方案，但决定需要对业务的理解、对用户的洞察、对技术趋势的预判，这些仍然高度依赖人。

品味。同样是能跑的代码，好代码和烂代码的差距是巨大的。可维护性、可扩展性、优雅程度，AI 能写代码，但“什么是好代码”这个标准，需要人来定义和坚持。

对问题的深刻理解。表面上是技术问题，底下往往是业务问题、组织问题、甚至政治问题。能穿透表象看到本质的人，永远稀缺。

【5】个体和小团队在 AI 时代的机会

这个故事还有一个潜台词：大公司的对齐成本被 AI 无情放大了。

以前，大公司用人海战术堆执行力，用流程保证质量。小团队资源有限，很难在复杂项目上竞争。

前 Google 和 Meta 杰出工程师（Distinguished Engineer）、Gemini 大模型的联合作者 Rohan Anil 留言说：
“如果我当年能拥有 Coding Agent，特别是像 Opus 这种级别的模型，我不仅能省下职业生涯前 6 年的时间，甚至能把这些工作量压缩到短短几个月内完成。”

现在，执行力可以靠 AI 补齐。小团队的优势：决策快、包袱轻、方向调整灵活，反而变成了真正的护城河。一个人想清楚了，一小时就能出原型；一百个人没想清楚，开一年会也对不齐。

这对个体是好消息，你的判断力、学习能力、对问题的理解深度，正在成为 AI 时代的竞争力。

AI 没有让工程师贬值，但 AI 时代的工程师要求也不一样了。