WORK / RESEARCH · 前端与后端软件工程师
写完代码，离完成软件交付还有多远？
从一个“导出当前租户订单”的按钮开始：前端、API、权限、完整分页和失败恢复要一起成立。再看公开研究为何给出不同结果，以及成熟库和SaaS到底改变了哪部分工作。
01 / 从一次交付开始
导出文件有了，为什么仍可能交付失败？
同一份CSV-1合同要求：只包含当前租户，跨页不漏不重，逗号与引号能正确重读，中断工件不能被当作完成发布。两条技术路线都必须通过这些条件。
作者构造的设计材料与预期控制，未运行AI、真实服务或性能实验；用于说明验收关系。
选择一个环节，查看动作、产物和验收之间的关系。
我们要接收什么结果，当前系统已经具备什么能力？
现有库和托管路线，都接收同一份业务要求。
AI可尝试的动作
AI可以整理仓库事实、提出成熟CSV库或选择性托管方案，并列出条件、依赖和验收缺口。
需要保留或核查的责任
已有框架与数据库能力不能重复算新增收益；业务授权、费用、配额、恢复和退出方式仍要说清。
接收条件：租户隔离、完整性、资源边界与恢复条件不因技术路线改变。
02 / 把例子放回整份工作
前端、后端、质量和运行，要组成同一次交付。
以下把20项任务组织成5个阅读区域。实际工作链会跨区、反馈和循环；点击任务可以查它的输入、产物、验收与预算。
这些工作怎样连成一次交付？
需求、约束与接口契约
页面、API、权限及外部集成
可接收变更、回归与反例
发布状态、观测与恢复线索
上线故障或新需求会回到仓库理解、实现和测试；租户、数据或接口问题也可能要求重议最初契约。前后端可以并行，质量与运行反馈贯穿迭代。
图表示材料依赖，不规定Agent的固定执行步骤；具体边、反馈和共享任务可点进工作链核对。
01
弄清要改变什么
理解需求、仓库、架构与数据边界。
02
让用户真正用得上
界面、交互、可访问性共同构成前端交付。
03
让系统行为成立
API、租户隔离、外部集成和AI功能。
04
证明变更能被接收
测试、端到端验收、性能、安全和缺陷处理。
05
上线之后继续运行
持续集成、部署、观测和维护交接。
这也解释了为什么不同研究会得到不同结果：写一个短程序、修改熟悉仓库、完成企业任务和合并PR，测量的是不同的工作。
03 / 先看已经观察到什么
公开研究没有给出一个通用的“AI节时率”。
结果随任务、人员、模型和工具条件变化。下面保留原研究的指标，再讨论它与本工作包的关系。
短任务可以更快，熟悉仓库也可能更慢。
完成耗时变化：负值更短，正值更长。
Copilot RCT：JavaScript HTTP server
-55.8%完成者条件的任务完成时间变化
95%置信区间：-89%–-21%
2022年单项JavaScript HTTP server任务；完成者平均时间为处理组71.17分钟、对照组160.89分钟；提交通过12项测试计为完成；处理组可用GitHub Copilot。
样本、研究设计与限制
- 样本
- 95名开发者随机分派：45人处理组、50人对照组；任务完成率由作者总结报告为78%/70%。时长分析各组有效n未单列。
- 设计
- 随机分派；时间结果仅比较完成任务者，论文另提35人完成任务及问卷，但未说明其与时长比较分母的对应关系。
- 不能迁移的部分
- 时间缩短的负号及区间端点按统一变化方向翻转。GitHub作者总结是同一实验的交叉核对，不是独立复现；不能由完成率或35人表述倒推时长有效n，也不能迁移为复杂仓库或当前Agent的本地节时。
METR RCT：开发者熟悉的开源仓库
+19%issue完成时间变化
95%置信区间：2%–39%
早期2025年的bug修复、功能和重构；参与者此前多年贡献于相关仓库。
样本、研究设计与限制
- 样本
- 16名熟悉各自大型开源仓库的开发者，提交246个真实issue；仓库平均约22k星及100万行代码。
- 设计
- issue级随机允许/禁止使用AI；主要使用Cursor Pro与Claude 3.5/3.7 Sonnet，记录屏幕并由参与者自报实现时间。
- 不能迁移的部分
- 招募的开发者和仓库不是随机行业样本，工具属于早期2025版本；结果只适用于该样本与任务条件。METR 2026更新提供此结果的95%区间，不是后续研究的最新效果估计。
企业任务产量增加，不能直接读成工时下降。
completed-task产量变化；保留原样本与标准误。
三企业Copilot现场实验：已完成任务
+26.08%completed-task指标变化
±1标准误（不是置信区间）：15.78%–36.38%
企业日常工作中的AI代码补全；结果是completed tasks数量，不是个人主动工时。
样本、研究设计与限制
- 样本
- Microsoft、Accenture及一家匿名Fortune 100公司共4,867名开发者。
- 设计
- 三项企业随机现场试验合并估计；随机提供AI代码补全工具。区间端点为26.08% ± 10.3个百分点（1个标准误）派生。
- 不能迁移的部分
- 图中端点仅表示估计值±1 SE，不能标作95%置信区间。站点效果存在差异；任务数不等于时间节省、质量或净成本，代码补全也不等同于CLI Agent。
PR吞吐是产出代理，还需要看交付价值。
合并PR/工程师/日；观察性研究的可信区间。
Microsoft CLI Agent研究：合并PR吞吐
+24%每位活跃采用者工程师每日合并PR变化
95%可信区间：14.5%–33.7%
Microsoft早期2026年Claude Code与GitHub Copilot CLI推广；指标为28天内完成合并的PR数/工程师/日。
样本、研究设计与限制
- 样本
- 研究覆盖Microsoft数万工程师；估计队列为2026-01-05至11日启动采用的CLI Agent用户，并限于上线前4周至少合并2个PR的活跃人员。
- 设计
- 非随机采用；BSTS/CausalImpact以从未用两种工具的PR作者构造合成对照，报告115天后测期的后验平均变化。
- 不能迁移的部分
- 研究设计报告95%可信区间；单一公司且筛选活跃PR作者，合成对照不能吸收采用者特有冲击。PR数量是产出代理，不代表质量、价值、人时或本地可复制效果。
04 / 再看路线改变了哪部分工作
库与SaaS替代了工作，人工为什么没有按相同幅度减少？
继续用CSV-1的业务验收比较路线。现有框架、ORM和组件已在基线里；下面只讨论额外复用，不重复计算已有能力。
现有框架内强化成熟库与确定性验证
棕地首选低风险增强方向：只复用稳定窄接口，避免框架迁移和重复计算既有能力；官方工具机制不量化节时。
- 替代
- 重复协议/schema/type/组件与验证基础设施的自建实现
- 保留
- 业务规则、授权、迁移回填、异常流程、部署和代码审查
- 新增
- 兼容/许可证/供应链/升级、测试维护、生成物管理
保留现有数据库的选择性托管组合
棕地渐进式首选候选：适合保护已有资产，只围绕实际瓶颈引入一项服务；整体收益依具体组合。
- 替代
- 目标边界的一部分自建连接/部署/身份协议
- 保留
- 既有DB维护、授权、数据、跨供应商网络与故障定位
- 新增
- 多平台账号/监控/密钥及适配器复杂度
一个固定Harness下的成本小实验
数值范围在这里切换到全部20项任务、108小时的合成工作包，涵盖页面、API、运行等完整工程工作。它不是上面CSV案例的实测工时。保持模型与处理/审阅参数相同，再比较两种复用条件。
同时，服务替代的是16.8小时基线等效工作；它与上式的主动人工时间不是同一计量，不能直接从人工预算扣掉。人工净差额由处理、审阅、返工、集成和维护共同形成。
增加后，开放复用的人工预算为 50.4小时，相对同Harness 少2.4小时。
在这组输入中，额外增加约2.41小时后，两者持平。这是条件模型的转折点，不是项目通用阈值。
05 / 把条件与人工预算连起来
保持同一份交付，人还需要投入多少工作？
沿用上面服务对照的全部20项任务、108小时合成工作包，再比较其他协作方式与未来假设。选择情景，观察人工构成和成立前提怎样一起变化。
验证型Harness · 全部20任务 · 当前子账本汇总
52.8小时条件人工预算，尚非实测结果
未采用的原工作
0小时该路径仍由人完成的原工作。AI参与路径的人工处理
46.4小时准备材料、处理、核查、修改和适用的服务集成。失败后的返工与接管
4.9小时超出常规检查的纠错、重跑或恢复。工具与流程维护
1.5小时共享维护在PM18或SE20只记一次。AI独立执行、服务替代和人工投入分别计量；服务减少剩余基线工作，也可能使AI独立执行的绝对量下降，这不等于模型变弱。
独立执行D/B：51.8%；服务替代S/B：0%。它们是工作分配，不是成功率或净节时。
局部敏感性：38.9小时–73.1小时；压力组合同时改变独立执行、服务替代、审阅与返工参数；不是概率区间或置信区间。
为什么这个情景会得到这些数字？
Agent加确定性断言、检查点、独立回归与失败恢复。
以输入数据中的验收、参数与质量条件为准。
- qualityGate
- 固定业务量、验收与安全门槛；质量等价仅为比较条件，尚未经本地试验验证。
- budgetPolicy
- 使用同一任务范围，重试与机器费用另记；本轮未运行模型基准、未购买SaaS。
- services
- 否
- profileIndex
- 2
- handlingFactor
- 0.8
- reviewFactor
- 0.75
- reworkFactor
- 0.8
- setupFactor
- 1
- maintenanceMinutes
- 90
真实质量、完整人工变化和成功率仍未知；外部研究结果没有被直接换成本地分钟。
比较全部情景的预算
| 情景 | 人工预算 | 独立执行D/B |
|---|---|---|
| 人工工程基线 | 108小时 | 0% |
| 当前AI助手 | 82.8小时 | 20.8% |
| 同模型工具Agent | 66.3小时 | 37.2% |
| 验证型Harness | 52.8小时 | 51.8% |
| 更强模型假设 | 40.4小时 | 65% |
| 更强Harness假设 | 41.4小时 | 62.8% |
| 近期受控RSI假设 | 28.5小时 | 76.3% |
| 当前AI＋开放库/SaaS | 50.4小时 | 42.6% |
| 五年期强RSI假设 | 11.3小时 | 78.2% |
近期：强模型＋强Harness＋受控流程改进
系统可以提出改进、用独立留出和冻结对照检查，再按版本与回滚条件采用。抽查策略和活动费率仍是未验证的条件。
远期：充分自迭代已成立的思想实验
假设2031年及以后强AI能在授权范围改进模型、工具和验证流程。人工活动系数另设；这不是实现日期或概率预测，也不假设未来用户行为已经发生。
读完之后，如何使用这份报告
路线应沿着瓶颈选择，收益要回到完整交付核对。
在既有仓库，先保留已批准的栈，再按权限、数据、延迟或集成瓶颈选库与单项服务。真正改变决策的，是同范围质量、失败恢复、维护和完整人时的新证据。
当前研究支持有条件的采用讨论；没有本地真实计时与质量对照，不能推出岗位净变化或可减少人数。