工程化与组织化

前三卷把 AI 编程系统的零件都摆上了桌面，大模型怎么工作，Agent 怎么执行任务，MCP 和 Skill 怎么扩展能力，记忆、上下文和知识注入怎么把信息送到模型面前。这些零件单独看都讲得通，但当你真的把它们装在一起，扔进一个有真实代码库、真实生产环境、真实团队和真实组织的地方，问题立刻就变味了。

它今天能给你写出一段漂亮代码，不代表明天还可靠；一个工程师用得顺手，不代表团队都能用得稳；一个团队跑通的流程，不代表整个组织能承担它带来的后果。模型本身是非确定的，Skill 会过时，记忆和知识库会陈旧，团队的协作方式会被重新挤压，组织里原本由层级承担的判断、追责、培养也都被挤到了同一个尺度上。

这一卷处理的就是这一连串问题，从工程内部到组织外部，由近及远。

第一章先回到指令本身：当模型成为开发流程的一部分，传统 PRD 写法就开始失灵；规范不再是写给人看的文档，而是要直接进 Git、进 CI 的工程产物。第二章讨论安全与对齐：当 Agent 真的能动手做事、能调真实接口、能改真实数据，信任边界就不能事后再加，必须从架构第一天就设计进去。第三章讨论非确定性系统的工程化：测试、回归、调试、版本迁移这套老工具箱在面对概率系统时哪些还能用、哪些必须重做。第四章把视角拉到团队：当个人闭环和团队闭环不再是同一件事，协同方式、技能门槛、组织瓶颈都会被重新洗牌。第五章把视角再拉到整个组织：几百个 Skill 谁来维护、静默腐烂怎么发现、中层管理的合理性有没有发生变化、追责治理在 AI 时代为什么会失效。这些不是预测未来，而是在前面所有原理和工程问题都摊开之后，真正会出现在组织面前的问题。

所以这一卷关心的，不是再给系统加一层能力，而是怎么让能力变成一个可以长期承担后果的工程体系，再变成一个能学习、能演化的组织能力底座。眼前的提效不难，难的是这些提效背后带来的是什么，是新的生产方式，还是只是一堆很快会过时的新技术债。