AI时代的技术变革中,为何专属知识比框架更保值
去年我们团队耗时三个月构建了一套广告投放的Agent系统。包含16个阶段的状态机，40多个Skill，Prompt经历了数百次迭代。系统运行效果出色——从需求识别、策略生成、到投放执行、效果追踪，实现了全流程自动化。团队非常兴奋，认为找到了AI工程实践的正确路径。半年后GPT-5问世了。模型自身已具备多步规划能力，我们精心设计的16阶段状态机瞬间显得冗余。框架也在快速演进，Langchain的API再次更新。我们意识到，那套呕心沥血构建的工作流，大部分需要推倒重建。但有一样东西完全保留了价值：我们在实战中
AI能否真正替代我？
年初OpenClaw发布之际，我体验后的直观感受是：AI足以胜任我的岗位。令人意外的是，我起初并未感到担忧，反而生出一种难以名状的激动。随后的两个多月里，我持续观察并亲身实践，认真验证这一想法。我的实践过程我从事软件测试工作。为了验证AI的替代可能性，我选择了一项最具挑战性的任务：利用AI自动解析测试覆盖率报告，并直接产出自动化测试用例。设想很美好，执行却处处受阻。第一步便在覆盖率分析上遭遇瓶颈。我将报告交付AI处理，它按文件覆盖率低至高的顺序排出了优先级——表面看似合理，实则缺乏业务理解。部分文件覆盖率