AI 改变了工程师的工作方式，单纯写代码的价值在降低，不同岗位之间的边界也变得不再清晰，本次分享基于飞猪团队两年的实践经验，讨论工程师如何从完成需求转变为解决问题。会介绍几个具体的转型案例：全栈方向搭建了供应链对接平台，覆盖三大业务线；产品方向在没有专职产品的情况下完成 AI 平台的完整建设；体验治理方向把线下走查改造成数据化跟进体系；数据方向建立了从底层到应用层的完整方案。 并重点讨论三个问题：AI 创造了哪些新的可能性，工程师如何利用 AI 拓展能力边界，转型过程中会遇到哪些实际困难以及如何应对。

演讲提纲

1. 机遇与挑战并存
   • AI 时代的岗位变化：从"写代码"到"解决问题"的转变
   • 真实挑战：AI 工具已能写出比人更好的代码，只写代码性价比降低
   • 新机遇：AI 模糊岗位边界，工程师可以做更多 +X 的事情
   • 核心观点：保持专业核心优势，善用 AI 横向扩展能力
2. 从岗位到能力的思维转变
   • 大公司岗位细分的困境：专人专岗 vs 现实协作成本
   • 团队转型思路：把团队当产品迭代，从前端升级为产品工程师
   • 关键原则：补位但不越位，用 Hacker 方式解决合作方不好做的事
3. 转型实践案例
   • 全栈工程师转型
     • 业务背景：供应链 N→N 烟囱架构问题
     • 技术方案：N→1→1 业务网关架构
     • 核心踩坑：从平面视角到链路视角、长链路问题排查
     • 产品化创新：AI 预生成代码 + 完型填空调试
   • 产品工程师转型
     • 核心观点：AI 落地是业务场景的工作流解决方案，不是单纯调用
     • AI 应用平台建设：无专职产品情况下的全流程建设
     • 内容生产方案：不同平台的差异化处理、版权合规的工程化
   • 体验治理转型
     • 痛点：线下走查难量化、趋势看不清
     • 解决方案：多源数据整合 + AI 分类 + 线上化治理
     • 核心价值：可量化改善效果，指导产品迭代
   • 数据工程师转型
     • 核心理念：能发现问题、提供指引才是数据产品
     • 技术体系：底层统一指标 + 中层搭建能力 + 上层数据产品
     • 产品创新：埋点可视化、流量分析、实时看板
4. 转型方法论与思考
   • 发展路径：前端从页面 UI → 工程化 → 全栈+AI → 解决方案
   • 下一代工程师关键能力：技术品味、发自内心的激情
   • 给听众的建议：找到适合自己的横向扩展方向

您认为，这样的技术在实践过程中有哪些痛点？

• 岗位 Job Model 滞后：现有的岗位定义还是岗位工程师，但实际工作已经涉及多个工程师领域，横向扩展的能力在述职和晋升时不好衡量。
• 管理者认知差异：不少管理者对岗位变化的理解需要时间，还是习惯用传统方式管理团队。
• 深度与广度的矛盾：做横向扩展会占用钻研本专业的时间，容易哪边都做不精。

听众收益

• 分享 AI 在业务中的四个落地场景：AI Coding 如何提升研发效率、AI 应用平台怎么从零搭建、AI 在体验治理中的应用、数据分析的智能化实践
• 讨论工程师如何利用 AI 拓展能力边界，从完成需求到解决问题的转变，以及转型中遇到的 Job Model 滞后、晋升标准不匹配等实际问题和应对经验。