Explorers, exploiters, and the myth of the 100x engineer

探索者、利用者与“百倍工程师”的神话 - Stack Overflow

2026年8月5日

探索者、利用者与“百倍工程师”的神话

“找到特殊人才并推广其特质”的方式并非推动工程团队AI应用和提升生产力的最佳或唯一途径。

[

每个工程组织中都有这样一个人：他率先使用了代码代理，迅速将其他人远远甩在身后。一旦有一两个工程师完全以不同的规模运作，管理层必然很快会注意到。自然而然地，他们想要弄清楚这些人的特殊之处，以便尝试在整个团队中复制这种模式。

但突然超越其他人的工程师并不一定以某种持久且可识别的方式与众不同。这对工程经理和公司管理层意味着什么？“找到特殊人才并推广其特质”的方式并非推动工程团队AI应用和提升生产力的最佳或唯一途径。

一个连续体，而非角色集合

在最近一期《Leaders of Code》节目中，Snowflake公司工程副总裁Vivek Raghunathan借用强化学习中的划分方式，描述了这一现象：探索与利用之间的平衡。

在他的描述中，工程组织中约有5%是无所畏惧的“探索者”：这些人渴望实验，并推动AI工具超越任何人的要求。他们就是突然闯进你的办公室，向你展示自己刚刚完成作品的人。其余95%则是“利用者”：这些人对自行探索几乎没有兴趣，只希望有人直接提供现成的路径。Raghunathan特别指出，这个词并非贬义，只是描述了一种真实且有用的偏好。（随着讨论的深入，我们会进一步解析这一点。）

组织常犯的错误是将探索者/利用者的区别视为二元对立：将之看作一组固定角色，而非连续体。目标不是将人们分为“特殊”和“不那么特殊”，而是推动人们在这一尺度上前进。Raghunathan强调，管理层的目标应是让更多工程师从这一尺度的中间位置向顶端靠近，而非在公司外部寻找并雇佣那些可能已经具备这些特质的人。

为什么显而易见的举措行不通

你无法提前识别探索者。实现100倍收益的人并不总是那些在代理出现前资历最深或表现最突出的工程师。Raghunathan指出，AI放大的特质是好奇心、适应力和学习意愿，而非先前的资历或声誉。任何旨在识别最佳工程师并优先让他们接受AI培训的计划，从一开始就在瞄准错误的人群。

仅针对利用者设计方案会限制上限。如果你的整个AI战略只是为所有人提供现成路径并宣称完成，你确实会提升整体水平（这是真正有价值的！），但你永远无法了解公司真正的前沿边界，因为没人被给予探索的机会。

仅针对探索者设计方案无法扩展。相反的失败同样常见：管理层对少数做出卓越成就的人感到兴奋，并围绕他们构建整个AI叙事，而组织中其余95%的人则默默继续以略快的速度做着相同的工作。几个耀眼的案例研究无法推动组织实际产出的提升。

将此问题视为招聘问题而非人员流动问题。如果你认为“我只需多招聘一些这5%的人”，Raghunathan直言警告称，你无法比内部识别这些人才更可靠地从外部找到他们。真正的杠杆是刻意推动现有员工向能力量表的更高层级发展。

实际需要管理的内容

让探索者自我识别，并在他们这样做时认真对待。Raghunathan描述这些工程师很容易辨识。他们是那些未经提示就主动出现、坚持认为某事紧急、迫切想展示周末成果的人。管理者应将探索者发现的内容视为值得提取和传播的原始材料，而非仅仅称赞他们后就置之不理。

建立机制缩小差距而非仅仅观察差距。一旦你能明确探索者行为模式的差异，工作重点就变为缩小量表中段与顶端之间的距离。通过结构化学习时间、围绕AI工具建立实践社区以及直接导师指导来实现这一目标。人们不会通过渗透式学习获得成长。

衡量量表上的进步而非仅关注异常值的存在。少数100倍的轶事是个好故事但糟糕的指标。更有价值的问题是：本季度有多少人实现了有意义的层级跃升？有多少人仍卡在六个月前的起点？

对实干者为他们优化的目标给予真实认可。那95%的人不是需要解决的问题，而是正确优先处理实际工作而非探索性试验的多数群体。目标不是将他们转化为探索者，而是确保他们依赖的既定路径持续变得更好更快，因为有人正在代表他们进行探索。

值得深思的问题

让我们回到那些突然以不同规模运作的一两个工程师。诱惑是将这些有潜力的样本置于显微镜下，试图理解并复制使他们特别的特质。但这种策略是死胡同，因为很难预测哪些工程师会成为探索者。领导层的任务是建立一个持续发现下一位探索者的系统，将他们的发现转化为可传授的知识，并推动整个组织向上发展——而不是等待奇迹再次降临。

《Leaders of Code》是Stack Overflow播客的特别节目。如需建议话题或嘉宾，请发送邮件至[email protected]。