Indigo Talk EP47 讨论的是一个比“AI 会不会写代码”更难的问题：当 AI 已经能完成大量工作，人如何知道它做得好不好？
生成能力增长得很快，判断能力却不会随之自动增长。一个人可以在几分钟内获得十套方案，但如果他没有标准，就只能从十套看起来都不错的结果里随意挑一个。这不是生产力跃迁，只是选择负担增加了。
执行成本下降，判断成本上升
过去，做出第一版往往占据大部分时间。今天，第一版几乎免费，真正耗费精力的是判断方向、发现隐藏问题、持续修正，直到结果能够进入真实环境。
AI 降低了“做出来”的门槛，却提高了“对结果负责”的门槛。
这意味着经验丰富的人并没有失去价值，但经验的表现形式正在改变。以前经验体现在写得更快、记得更多；以后更多体现在一眼看出哪里不对，知道什么问题会在三个月后爆发，以及何时应该推翻整个方案。
品位不是“我喜欢”，而是一套标准
“知道什么是好”常被归结为品位，但品位不是神秘直觉。可靠的品位通常来自长期接触优秀作品、理解约束、观察结果，再把这些经验内化为判断标准。
面对 AI 产出，可以把这种标准说得更具体：
- 它是否真正解决了用户的问题，而不只是完成需求文字？
- 它在异常、边界和长期维护下是否仍然成立？
- 它是否足够清楚，让下一个人能够理解和接手？
- 它是否与产品已有的原则和整体体验一致？
如果一个人无法回答这些问题，即使 AI 能生成完美代码，他也很难做出好产品。
从操作文件到治理 Agent
节目提到软件开发的抽象层正在继续上升：过去面向代码和文件工作，现在逐渐面向 Agent，未来甚至可能只需要面向想法。
抽象层上升并不意味着细节消失，而是细节由新的执行层承担。人的角色更像治理者：定义目标、分配权限、提供上下文、设置评价标准，并在多个 Agent 产生冲突时做出取舍。
治理不是站在旁边点评，而是设计一个能持续产生好结果的环境。
所以，未来最重要的技术能力可能不只是写提示词，而是构建反馈：怎么让错误尽早暴露，怎么让质量可以验证，怎么让 Agent 知道什么时候停下来请求人类判断。
一次性软件与真实需求
当软件生成足够便宜，一些工具可能不再需要长期订阅。用户遇到一个问题，临时生成一个小程序，用完即走。这会冲击很多只提供通用功能、却没有数据、流程或信任壁垒的 SaaS。
但“可以生成”不等于“值得拥有”。涉及长期数据、多人协作、安全责任和持续服务的软件仍然需要稳定产品。真正发生变化的是：用户不再愿意为容易复制的功能支付高溢价。
这会迫使产品回到更本质的问题：我们提供的究竟是一组按钮，还是一个用户愿意长期托付的结果？
我的结论
AI 时代并没有让专业标准变得不重要，而是让标准从幕后走到台前。因为执行越来越容易，糟糕的判断也能被更快、更大规模地实现。
我们需要训练的不只是调用 AI 的能力，还要持续建立自己的案例库、失败经验和评价框架。看得多不等于有品位，只有不断做出判断、接受结果反馈并修正标准，品位才会形成。
当每个人都能做，真正的差距就是谁知道为什么这样做，以及什么样才算做好。