观察了很多程序员使用 ChatGPT 和 Codex 的方式之后，我发现一个明显的分层。

同样一个工具，有人用它省了点打字时间。
有人用它重构了整个工作方式。

差距不在工具。
在于协作的层级。

第一层：问答式使用

帮我写个函数。
帮我看个报错。
帮我解释这段代码。

这是大多数人的起点。

特点是：用完即走，没有上下文，没有积累。
AI 是一个随叫随到的搜索引擎增强版。

能提效，但提效有限。
因为真正消耗时间的，从来不是那几个孤立的函数。

第二层：流程式使用

开始把 AI 放进完整的开发环节。

需求阶段，让 ChatGPT 帮忙拆解业务场景。
设计阶段，让 AI 列出技术方案的取舍。
编码阶段，Codex 生成初稿。
测试阶段，AI 补充用例。
复盘阶段，AI 整理踩坑记录。

这一层的变化是：AI 不再是点状工具，而是嵌进了流水线。

效率提升开始变得明显。
但瓶颈也随之出现——AI 的输出质量，完全取决于你给的输入质量。

第三层：结构化协作

到了这一层，程序员开始有意识地经营"AI 能理解的输入"。

一次任务输入
├── 目标：要达成什么
├── 现状：系统现在是什么样
├── 约束：什么不能做
├── 参考：相关代码和文档在哪
└── 验收：怎么算完成

模糊指令消失。

“帮我优化一下"变成"在不改变接口的前提下，把这个查询的响应时间降到 200ms 以内，索引方案优先，验收用这份慢查询日志”。

这一层的程序员会发现：给 AI 写任务书的过程，本身就是一次需求澄清。
AI 逼你把话说清楚。
而话说清楚之后，人自己的思路也清楚了。

第四层：审查与闭环

用得越深，越会发现：

AI 的上限不是生成。
AI 的上限是在你的审查体系里生成。

第四层的程序员，会把精力从"写"转移到"审"。

看 AI 的方案，先找假设是否成立。
看 AI 的代码，先找边界条件。
看 AI 的结论，先要证据来源。
每次发现问题，把问题固化成检查项，喂回工作流。

一次协作
├── AI 生成
├── 人类审查
├── 问题归类
├── 规则沉淀
└── 下次生成自动避开

协作产生了积累。
同样的错误不犯第二次。
这是和第二层最本质的区别。

第五层：管理 AI，而不是使用 AI

到了第五层，程序员的角色彻底变了。

他不再"使用"一个工具。
他在"管理"一个能力很强、但没有判断力的执行者。

他做的主要工作是：

定义目标，而不是描述步骤。
设置边界，而不是全程盯防。
设计验收，而不是逐行检查。
分配任务，而不是亲力亲为。
承担判断，而不是承担执行。

这和管理一个团队没有本质区别。

只盯着执行的人，会被 AI 替代。
能站在系统上方做判断的人，会被 AI 放大。

写在最后

ChatGPT Plus 降低了日常任务的门槛。
ChatGPT Pro 抬高了复杂任务的天花板。
Codex 把工程执行推进了一大步。

但工具的能力，只是放大了使用者的结构。

层级越低，AI 越像一个玩具。
层级越高，AI 越像一个团队。

普通程序员真正该投入的，不是学习下一个 AI 工具。
而是沿着这五个层级，一级一级把自己的协作方式升级上去。

工具会不断换代。
协作能力会一直保值。