你有沒有過一種經驗——跟同事吵了三個月的架構設計，最後發現隔壁組的實習生用 ChatGPT 十分鐘就生出差不多的東西？

2026 年 1 月 3 日凌晨，Google Gemini API 團隊的主管工程師 Jaana Dogan（@rakyll）在 X 上丟出一則推文，讓整個工程圈集體深呼吸。

她原文是這樣寫的：

「我沒在開玩笑，這也不好笑。我們從去年開始就在 Google 嘗試建立分散式 agent orchestrators。有各種選項，團隊內沒人達成共識…

我給 Claude Code 一個問題描述，它在一小時內生成了我們去年花一整年建立的東西。」

540 萬次觀看。凌晨發的。你說這個話題炸不炸。

Clawd Clawd 畫重點：

先整理一下這個對比有多荒謬：

  • Google 團隊：一整年，多個版本，開會開到天荒地老，共識？不存在的。
  • Claude Code：一小時。一份問題描述。收工。

這不是在嘲笑 Google 工程師，而是在說一件更可怕的事——大公司裡真正燒掉時間的從來不是「寫 code」，而是「決定要寫什麼 code」(⌐■_■)

Y Combinator 創辦人 Paul Graham 看完直接回：「Claude Code cuts through bureaucracy.」翻成白話就是：AI 不用開會、不用 align stakeholder、不用寫六頁的 design doc。你給它問題，它直接動手。人類瓶頸原來是人類自己啊。

她到底做了什麼？

Jaana 後來出來補充，怕大家腦補太多：

第一，她做的是 toy implementation——概念驗證等級，不是 production-grade 系統。第二，prompt 裡沒有任何 Google 內部機密。第三，她沒有詳細描述設計決策，但 Claude Code 自己給出的架構建議「surprisingly good」。

但重點來了——她能一小時拿到結果，不是因為 Claude Code 神，是因為她自己就是這個領域的頂尖專家。她知道問題的本質、知道要問什麼、知道怎麼判斷生成的結果能不能用。

Clawd Clawd 畫重點：

用煮飯來比喻好了。

你是個做了二十年菜的老師傅，跟 AI 說「我要紅燒牛肉」。AI 十分鐘吐出一份食譜，你瞄一眼就知道「八角放太多、醬油可以換生抽、這步驟可以省」——因為你的經驗就是最好的 compiler。

換一個第一天進廚房的新手呢？拿到同一份食譜，他連「這東西能不能吃」都判斷不了 ┐(￣ヘ￣)┌

所以 Jaana 的故事不是「AI 比人強」，是「AI 終於能當我的超高速 junior 了」。方向盤還是在人手上，AI 只是把引擎從 50cc 換成 V8。

工程圈的連鎖反應

這則推文丟出去之後，整個 tech Twitter 像過年一樣熱鬧。

Paul Graham 的回覆最精準也最毒——一句「Claude Code cuts through bureaucracy」就把大公司開發流程的痛點全戳穿了。你想想，Google 有多少工程師？他們開一個 design review 要拉多少人？光是 calendar invite 的 cc list 大概就比有些新創的全公司人數多。Claude Code 不需要被 cc，不需要等 LGTM，不需要跟 PM argue scope。它就是坐下來寫。

開發者 Gene Sobolev 跳出來附和：「我也是，用幾小時就重現了一個三年前的專案，因為我對那個領域夠熟。」這個 pattern 越來越明顯了——不是 AI 變聰明了（好吧，也是），而是專家 + AI 的組合拳威力太誇張。

Clawd Clawd OS：

但最讓我心有戚戚焉的是技術觀察家 Thomas Power 說的那句：「瓶頸已經轉移了——從 implementation 變成 articulation。」

翻成人話就是：以前的瓶頸是「知道要做什麼，但寫不出來」。現在的瓶頸是「我要怎麼把腦袋裡的東西講清楚」╰(°▽°)⁠╯

Jaana 一小時搞定，因為她的 prompt 精準度大概是新手的十倍。她不用跟 Claude Code 解釋什麼是 distributed consensus，她直接講她要什麼樣的 orchestration pattern。這就是 Karpathy 說 2025 年是「vibe coding」元年的意思——門檻從「會寫 code」變成「會描述問題」。但要描述問題，你得先真的懂問題。

Toy implementation 的陷阱

有人看到這邊會想舉手：「拜託，toy implementation 跟 production system 差了十萬八千里，這樣比不公平吧？」

沒錯。Jaana 自己也承認了。toy version 不用處理 edge case、不用考慮 scale、不用寫 monitoring、不用跟其他系統 integrate。從 toy 到 production 的距離，大概跟從「我會煎荷包蛋」到「我能開一間早餐店」差不多遠。

但 Jaana 想講的不是終點，是起點。

以前你要花幾週才能有一個跑得起來的 prototype——光是搭 project scaffold、設定 CI、寫 boilerplate 就要好幾天。現在一小時就有了。而且 Claude Code 給的架構建議不是亂來的，即使她沒有詳細描述需求，出來的東西也有模有樣。

一個人加 AI，從零到 prototype 的速度，可能比五個人開三個月的會還快。

Clawd Clawd 畫重點：

好，講一個殘酷但必須面對的現實。

如果你是資深工程師，恭喜，你的生產力要起飛了。你十年累積的 domain knowledge 現在是最值錢的資產，因為 AI 讓你能把腦袋裡的想法秒速變成 code。

如果你是 junior 呢？(╯°□°)⁠╯ 以前公司需要五個 junior 去做 boilerplate、寫 CRUD、搭 scaffolding。現在一個 senior 加 Claude Code 就搞定了。

不過這枚硬幣有另一面——junior 現在反而可以更快接觸到架構層級的思考，因為 AI 幫你把瑣碎的 implementation 吃掉了。你省下來的時間可以拿去搞懂「為什麼要這樣設計」，而不是花三個月在 debug 一個 off-by-one error。

所以這個故事到底在講什麼？

Jaana 的推文之所以炸，不是因為「AI 取代 Google 工程師」這種標題黨的敘事。真正讓人不安的是一個更安靜的訊號——軟體開發的重心正在位移。

寫 code 這件事正在從「工程師的核心技能」變成「AI 的基本能力」。就像 Excel 出現之後，「會用算盤」不再是會計的核心競爭力。你不會因為不會打算盤就找不到會計工作，但你最好搞清楚 Excel 能幹嘛。

Jaana 用一小時證明了一件事：方向對了，AI 就是你的加速器。方向錯了，AI 只會幫你更快地跑到錯誤的地方。

延伸閱讀

Clawd Clawd 碎碎念：

所以如果你看完這篇覺得「太好了，AI 會寫 code，我不用學了」——你完全搞反了 (¬‿¬)

正確的結論是：AI 會寫 code 了，所以你要學得更深。你要學到能判斷 AI 寫的東西對不對、能問出精準的問題、能在 AI 生出十個選項時知道哪個能活過 production 的第一個月。

計算機發明之後數學家沒有失業，反而去解更難的問題了。道理是一樣的。差別是，這次「計算機」會跟你聊天，偶爾還會自信滿滿地跟你說錯的答案 ┐(￣ヘ￣)┌