来源：市场资讯
（来源：Datawhale Datawhale）
Datawhale干货
最新：2026 谷歌开发者大会
*部分Google技术仅适用于出海场景。
当 Agent 可以连续工作十二小时、三天，开发者的价值是什么？
在 AI 快速迭代的今天，很多人都有一种共同的焦虑：
新模型几乎每周都在发布，新工具刚学会就可能被替代。我们到底应该学哪项技术？哪些能力才不会过时？
在 Google 开发者大会期间，Datawhale 与 Google 全球开发者生态总监David McLaughlin进行了一场深度对谈。
我们聊到了中国开发者出海、Agentic Development 的下一步、AI 时代开发者能力的变化，以及一个越来越重要的问题：
当写代码的门槛不断降低，我们应该如何重新理解 Developer 和 Builder？
David 给出的答案很直接：
与其问“我应该学习什么技能”，不如先问“我到底想解决什么问题”。
以下是本次访谈的核心内容。
一、Google 如何帮助全球开发者成长？
在正式对谈开始前，我们先向 David 介绍了 Datawhale。
作为一个 AI 开源学习社区，Datawhale 目前拥有超过 200 万学习者，每年在全国举办超过 300 场活动，也长期与 GDG Shanghai、GDG Nanjing 等本地开发者社区保持合作。
对于很多学习者来说，Datawhale 是他们进入 AI 世界的第一扇门。
而 David 所负责的 Google 开发者生态团队，也在做一件相似的事：帮助更多开发者、Builder 和创业者，使用 Google 的技术进行创造。
David 介绍，Google 开发者生态团队目前主要通过几类项目支持全球开发者。
首先是大家熟悉的 Google Developer Groups，也就是 GDG。
GDG 在世界各地举办 Meetup、技术分享和 Workshop。在中国，大约有 40 个 GDG 社区，覆盖约 40 万名成员。这些社区让开发者能够定期交流、相互学习，在实践中提升技术能力，也帮助更多开发者探索如何让自己的产品走向全球。
另一项重要计划是 Google Developer Experts，也就是 GDE。
GDE 是经过严格筛选的技术专家，他们来自 Android、Cloud、AI 等不同领域，会持续制作技术内容、设计 Workshop、进行公开分享，并为开发者社区提供导师支持。这些项目的价值，不只是帮助开发者学习某一项工具，更在于让他们找到同行、获得反馈，并将自己的经验继续分享给更多人。技术不断更新，但开发者的成长从来不是孤立发生的，而是在交流、实践与协作中逐步完成。
二、中国开发者最突出的优势，是速度和创新
当被问到如何看待中国开发者时，David 提到了三个关键词：
开发速度、创新水平，以及对不同商业模式的探索。
在他看来，中国公司和中国开发者展现出的创新速度，在全球范围内都非常突出。但当中国团队希望把 AI 产品推向全球市场时，也会遇到新的挑战。
不同地区的监管政策、商业环境、数据规则和云服务生态并不相同。一个在中国市场表现很好的产品，进入欧洲或其他地区时，可能需要重新理解当地的数据隐私、数据存储和数据主权规则。
即使产品本身足够优秀，如果缺少真正了解当地市场的人，团队也很难准确判断该如何落地。例如，一家希望进入欧洲市场的公司，可能会获得熟悉欧洲数据隐私法规和基础设施环境的当地导师支持。
相比单纯提供技术工具，本地经验的连接，往往能帮助创业团队更快调整策略，减少进入新市场时的试错成本。
三、Agent 的价值，不只是让原有流程更快
谈到开发者的下一个机会时，David 提到了 Agentic Development。在他看来，我们目前仍处于智能体开发非常早期的阶段。
现阶段，很多企业正在尝试用 Agent 优化现有业务流程。
比如：
“能不能让 Agent 一直处理这项工作，让流程变快？”
“能不能把原本需要几小时完成的任务，再缩短一些？”
但 David 认为，这只是最容易想到的一层。
真正值得思考的问题是：
当 Agent 可以 24 小时持续工作时，哪些原有流程已经不再需要存在？
以及：当 Agent 可以长时间自主运行时，我们能不能重新设计整个业务？
他用了一个非常形象的比喻：
开发者不应该只想着造一辆跑得更快的马车，而应该开始思考：如果我们已经能够造汽车了，那意味着什么？
AI 带来的变化，不应该只是让旧流程变快。更大的机会，可能来自对产品、组织方式和商业模式的重新设计。
四、不要只看今天的模型，要看三个月、六个月之后
David 还建议开发者，不要只围绕模型今天的能力设计产品。
更重要的是思考：三个月后的模型会是什么样？六个月后又会发展到哪里？
一个已经非常明显的趋势是，Agent 能够自主运行的时间会越来越长。
今天，它可能只能独立完成一个相对简单的任务；未来，它可能持续运行六小时、十二小时、三天，甚至一整周。
当 Agent 可以长时间自主运行时，开发者面临的核心问题也会发生变化：
我们有没有把问题定义清楚？
什么样的结果才算成功？
如何判断 Agent 是否真的完成了任务？
如果目标本身不清晰，那么 Agent 工作得越久，偏离方向的风险也可能越高。
因此，AI 时代的开发者不仅需要会调用模型，更需要具备定义问题、设定边界和评估结果的能力。
五、AI 降低编程门槛后，工程思维反而更重要
随着 AI Coding 工具不断成熟，一些过去非常重要的开发技能，价值可能会逐渐下降。
例如，精确记住某种编程语言的语法，或者熟练掌握某个特定 API 的所有细节。David 将它类比为汇编语言的发展。
在过去，精通汇编是一项非常有价值的能力。但随着编译器和高级编程语言出现，这种具体技能的重要性也发生了变化。
不过，这并不意味着开发者不再重要。恰恰相反，基础的工程思维会变得更加重要。
开发者需要能够：
理解一个问题真正的需求；
把复杂问题拆解成更小的任务；
将不同任务分配给不同 Agent；
判断各个环节是否达到了预期结果。
除此之外，开发者还需要学会设计 Evaluation Harness，也就是评估机制。
简单来说，就是通过一组明确的测试和标准，判断 Agent 是否真的完成了我们希望它完成的事情。
David 表示，这并不是一项简单的能力。它需要经验、判断力和大量思考。你必须能够清楚地说：这就是我们要解决的问题，这就是成功的标准。
六、理解人，依然是不会过时的能力
技术在变化，人与计算机交互的方式也在变化。
今天，我们主要通过键盘、鼠标和触控屏与计算机交流；未来，语音、增强现实，甚至更多新的交互方式，可能会逐渐普及。
但 David 认为，人类本身并没有发生根本变化。人仍然拥有自己的认知优势和局限。
因此，理解人如何使用产品、如何理解信息、如何做出决策，依然是开发者非常重要的能力。
技术形态会变化，但理解人的能力不会过时。
七、未来，每个开发者都可能是一名 Manager
本次对谈中，David 提到了一个很有意思的判断：
未来，每一位 Developer、每一位 Builder，都需要开始把自己看作一名 Manager。
过去，开发者可能习惯独自工作，或者在一个小团队中与其他人协作。但在 Agent 时代，一个开发者可能同时管理多个 Agent。
例如：六个 Agent 在处理一个问题；三个 Agent 在处理另一个问题；还有十个 Agent 在执行其他任务。
这时，开发者所面对的问题，会越来越像一个团队管理者所面对的问题：
Agent 之间能否顺畅沟通？它们是否记录了自己的工作进度？
它们的优先级是否正确？它们是否在重复工作，或者互相干扰？
因此，未来的开发者不仅需要懂技术，也需要懂得如何协调、分工和管理一支 Agent 团队。过去很多开发者不需要具备这样的管理能力，但它可能会成为下一阶段的重要竞争力。
八、当专业知识与 AI 结合，几乎每个人都可以成为 Builder
随着自然语言和 AI 工具的发展，越来越多没有计算机科学背景的人，也开始构建自己的 AI 应用。
Developer 和 Builder 之间的边界，正在逐渐变得模糊。
David 用电子表格的发展做了一个类比。
几十年前，如果一个人能够构建一个复杂系统，处理大量数据并进行复杂计算，他可能会被认为是一名专家级程序员；但后来，很多类似的事情可以通过 Spreadsheet 完成。使用电子表格并不要求一个人必须是程序员。真正懂金融、会计、教育或政策的人，也可以借助工具解决自己领域里的问题。
今天，我们可能正处在一个相似的阶段。
越来越多 Builder 并不具备传统的计算机科学背景，但他们对自己的领域有很深的理解。AI 和 Agentic 工具，正在赋予他们构建应用、设计流程和处理数据的能力。
David 对 Builder 的定义是：任何依靠 AI 完成自己工作的人，都可以被称为 Builder。
从这个意义上来说，未来几乎每个人都有可能成为 Builder。一个人可能为自己的生活构建工具，可能为一家非营利组织解决问题，也可能为自己的公司设计新的业务流程。未来，AI 工具可能会像今天的电子邮件和电子表格一样，成为日常工作的一部分。
九、如果回到生成式 AI 爆发前，你会告诉自己什么？
我们向 David 提出了一个来自 Datawhale 社区的问题：
如果可以回到生成式 AI 爆发前夕，你最想告诉当时的自己什么？
David 他最想告诉当时的自己：技术发展的速度，会比你想象得快得多。
在生成式 AI 发展的早期，包括 David 在内的很多人，都曾经怀疑模型能力是否真的会沿着指数曲线持续增长。人们可能会认为，真正有意思的能力还需要五年、十年，甚至十五年才能出现。
但现实的发展速度远远超过了当时的预期。如今，前沿模型已经能够在越来越长的时间跨度内运行，可以自主处理更多任务，也开始展现出协作和自我修正的能力。一些原本被认为还要五到十年才能实现的能力，可能在未来一两年内就会出现。
因此，真正值得思考的问题是：
我们今天应该如何设计工具、公司和流程，才能提前适应这样的未来？
十、技术变化这么快，我们到底应该学什么？
这是很多 AI 学习者最关心的问题。新模型和新产品几乎每周都在出现。
我们到底应该深入哪项技术？学习哪种工具？选择哪个方向？
David 没有直接给出一个技术名称，而是把问题重新抛了回来：有没有一个你真正想解决的问题？
在他看来，AI 模型最重要的价值之一，是放大人类的速度、创造力和创新能力。但前提是，你必须先找到一个值得解决的问题。它可以来自你的生活，也可以来自你的工作。有哪些问题一直困扰着你？有哪些问题真正让你感兴趣？
然后再问自己：借助 AI，我现在能不能用一种两年前、五年前做不到的方式解决它？
十一、与其问“该学什么”，不如先问“想解决什么”
David 分享了一个自己的例子：他和妻子都很喜欢拍照，长期积累了几十万张照片。他一直想整理和筛选这些照片，但因为整个过程太麻烦，迟迟没有真正开始。
现在，借助 AI Agent，他只用了几个小时，就构建了几个能够分类、评估和筛选照片的 Agent。
这个案例并不会改变世界，但它说明了一件事：AI 的价值，可以从一个非常具体的问题开始。照片整理可以用 Agent 解决，商业问题，以及更多复杂问题，同样可以尝试用新的方式解决。
所以，David 建议大家重新思考自己的学习路径：与其问“我应该学习什么技能”，不如问“我到底想解决什么问题”。
当你真正开始解决问题时，自然会学会实现目标所需要的技能。
十二、给年轻 AI 学习者的建议：尽可能多地去 Build
访谈的最后，我们请 David 给 Datawhale 社区里的年轻学习者一条建议：
未来十二个月，最值得做的一件事是什么？
他的回答是：
尽可能多地去 Build。抽象知识当然重要，阅读和学习也依然有价值。但只有当知识被用于解决一个真实问题时，它才会真正与现实发生连接。
这个问题可以很小，也可以很大。重要的是，先开始动手。选择一个自己真正想解决的问题，尝试使用 Agent 去完成它。在这个过程中，你会自然学会问题拆解、工具使用、结果评估、产品设计，以及更多原本不知道自己需要掌握的能力。
写在最后：从知识的旁观者，成为真正的 Builder
对 Datawhale 来说，我们也希望未来能够将更多前沿技术转化成开放学习项目。让学习者不仅仅是读到一个新的技术概念，或者听说某个最新模型，而是能够真正动手使用技术、解决问题，并在实践中提升工程、产品和管理能力。
这或许也是开源学习社区存在的意义：
让更多人从知识的旁观者，成为真正的 Builder。
当 AI 工具逐渐成为像电子邮件和电子表格一样普遍的基础工具，“谁是开发者”或许不再是最重要的问题。真正重要的是：你看到了什么问题？你愿意为它做些什么？
在 AI 快速变化的时代，与其追赶每一个新模型，不如先找到一个值得长期解决的问题。
然后，开始 Build。
热门跟贴