领导力不是职位特权，而是一种「让别人心甘情愿做你想做的事」的元能力。它不分层级，不论场景，是每个人终其一生都可以修炼的功课。 今天参加了一场领导力培训。开场前有个细节让我印象深刻：讲师没有问"在座多少人是管理者"，而是问"有多少人希望自己更有影响力"。全场举手。 那一刻我突然意识到，我们对领导力的理解，可能从一开始就窄化了。 领导力的祛魅：从职位到元能力 传统观念里，领导力似乎专属于那些带团队、管项目的人。但培训中的第一个观点就颠覆了这个认知： 领导力是每个人都拥有的影响力——你影响家人周末去哪里吃饭，影响朋友接受你的建议，影响同事支持你的方案。这些时刻，你都在运用领导力。 这让我想到一个更本质的定义：领导力的核心，是「让别人做你想做的事」。 注意，不是"替别人做事"，不是"命令别人做事"，而是让别人心甘情愿地，朝着你想去的方向行动。这里面藏着两层深意：一是你要清楚自己想要什么（方向感），二是你要理解别人为何愿意跟随你（影响力）。 高段位的领导者，从来不是最忙的那个人。他们善于授权——把Ownership真正交给团队，让每个人都觉得"这是我的事"。低段位的管理者，往往陷在事务里亲力亲为，团队却动力涣散。 管理与领导：性恶论与性善论的分野 培训中最精彩的部分，是把管理和领导放在了哲学的高度对比。 管理基于性恶论——它假设人需要规则约束，需要流程规范，需要考核驱动。管理的逻辑是"怕你做错"，所以设定边界、监控过程、追求确定性。管理问的是：如何正确地做事？ 领导基于性善论——它相信人有向善的潜力，有自发的创造力，有追求卓越的本能。领导的逻辑是"信你能成"，所以描绘愿景、创造机会、拥抱不确定性。领导问的是：如何做正确的事？ 这两者的关系不是对立，而是分形。 面对不成熟的团队（新人居多、能力不足、方向不清），你需要管理——建立规则、明确流程、降低试错成本。这时候团队是"团伙"状态：成员相似度高、目标短期功利、依赖外部驱动。 面对成熟的团队（能力匹配、目标共识、自我驱动），你需要领导——激发潜能、授权决策、容忍试错。这时候团队才是"团队"状态：成员能力互补、目标长远积极、内在动机驱动。 最危险的领导者，是用管理成熟团队的方式带新人（放任自流），或用带新人的方式管成熟团队（过度控制）。 领导与领导力：职位与能力的错位 培训中有个扎心的案例：某大厂总监，管着两百人的团队，却发现关键时刻没人真正听他的。他拥有最大的「职权」，却缺乏最基本的「影响力」。 这揭示了一个残酷真相：领导职位是组织赋予的，领导力却是他人授予的。 有职位的人，天然拥有通过职权影响他人的权力——你可以分配任务、决定薪酬、影响晋升。但这种影响力是交易型的：下属听你的，是因为你手里有他想要的东西。 真正的领导力是感召型的：别人听你的，是因为信任你的判断、认同你的价值观、愿意和你一起赌一个不确定的未来。 职权领导力在顺境时好用，逆境时失灵。非职权领导力——基于专业、品格、愿景的影响力——才是穿越周期的硬通货。 这也解释了为什么有些创业者在资源匮乏时能凝聚团队：他们没有职权筹码，只能靠Ownership的让渡和愿景的感召来凝聚人。这种"赤手空拳"练出来的领导力，往往比大公司高管的"职权惯性"更扎实。 领导力的习得：从知到行的鸿沟 培训最后抛出一个问题：领导力可以教会吗？ 答案是：可以学习，无法教授。 课堂上可以讲清楚概念、模型、工具，但真正的领导力只能在真实的博弈中长出来。当你被逼到墙角不得不决策，当你要为他人的错误兜底，当你必须在信息不足时选择方向——这些时刻，领导力才开始生长。 现代领导力理论强调结果论：不管你用什么风格，能否持续为组织创造卓越业绩，是检验领导力的唯一标准。 但这不意味着领导力是少数人的天赋。恰恰相反，每一次你主动承担责任，每一次你把"这是我的问题"说出口，每一次你在不确定中选择相信团队，你都在修炼领导力。 培训结束时，我想起一句话：领导力的终极考验，不是你能爬多高，而是当你跌落时，还有多少人愿意托住你。 职位可以任命，权力可以继承，但那种让人心甘情愿跟随的力量——那种即使你不发号施令，团队也会向着共同方向奔跑的感召力——只能靠自己一次次站在悬崖边，一次次选择不后退，一次次把"我们一起扛"说出口，才能慢慢长出来。 这或许是领导力最公平的地方：它不问出身，不论起点，只问你是否愿意为他人承担不确定性。
原文：Harrison Chase, How Coding Agents Are Reshaping Engineering, Product and Design, LangChain Blog, 2026 年 3 月。以下为编译，保留原文结构与论点，部分段落做了压缩和意译。 软件公司里的 EPD——工程（Engineering）、产品（Product）、设计（Design）——存在的目的只有一个：造出能用的软件。角色分得再细，最终交付物也只是代码。 认清这一点很重要，因为 Coding Agents 突然让写代码变得极其廉价。那么，EPD 的角色会怎么变？ PRDs 已死 在 Coding Agent 出现之前，PRD（产品需求文档）是软件开发的起点。标准流程是一条清晰的瀑布： 有人（通常是 PM）冒出一个想法 PM 写 PRD 设计师根据 PRD 画 Mock 工程师把 Mock 变成代码 这不是铁律——创业公司里这些步骤经常混在一起，最好的 Builder 能一个人跨好几个环节。但之所以还有这条「标准流程」，是因为写软件和画 Mock 都需要大量时间。于是产生了专业分工，也产生了跨分工沟通的需求。PRD 就是这个沟通的起点，一切从这里瀑布到设计，再瀑布到工程。 Coding Agents 改变了这一切。它们可以把一个想法直接变成能跑的软件。所以当我（和其他人）说「PRDs 已死」，真正的意思是：这种以写 PRD 为起点的传统软件开发方式已死。 瓶颈从实现转向审查 任何人现在都能写代码，也就意味着任何人都能做东西。但这不代表做出来的东西架构良好，不代表解决了正确的问题，也不代表好用。 工程、产品和设计应该成为这些维度的审查者和仲裁者。生成的代码并不总是「好的」，EPD 的角色变成了审查并确保它是「好的」。「好的」意味着： 工程视角：架构是否可扩展、高性能、健壮？ 产品视角：是否真正解决了用户痛点？ 设计视角：界面是否易用、直观？ 由于生成初版代码的成本极低，原型数量大幅增加。这些原型成为焦点，EPD 围着它们审查。 问题在于——生成代码太容易了。以前写代码需要时间，审查者桌上同时摆的项目有限。现在任何人都能写代码，在做的项目数量在膨胀。我们在三个职能中看到的瓶颈都是同一个：审查——拿着原型，确保它们是「好的」。 PRDs 万岁 以写 PRD 为起点的旧流程死了，但描述产品需求的文档依然必不可少。 假设有人冒出一个想法，快速生成了一个原型。这个原型怎么进生产？它需要 EPD 其他成员审查。审查时，一份书面文档总是有帮助的，甚至是必需的——别人看代码时，怎么知道某段代码是手误还是有意为之？这取决于意图，而意图需要被传达。 ...
声明：本文纯属虚构。数据是真的，人是真的，会议是编的。如有雷同，说明百度确实该开这个会。 下午三点半，百度大厦 E 座 23 层，Robin 的助理敲了三下门。 “Robin，港股收盘了。” “嗯。” “MiniMax 收涨 22%。市值 3826 亿港元。” “我们呢？” “3322 亿。” Robin 放下手里的 iPad。屏幕上是海螺 AI 生成的一段视频——一只金毛犬在沙滩上奔跑，毛发在逆光中一根一根地飘。他刚才用文心一格试了三次，出来的狗像穿了件塑料雨衣。 “叫人。” “叫谁？” “所有 VP。” 助理犹豫了一下：“Robin，现在是 OKR 对齐周，大家都在——” “我说叫人。OKR 对齐个屁，先对齐一下市值。” 会议室的灯亮了。六个人陆续到齐。 Dou 穿着卫衣，上面印着"AI Native"——百度去年团建发的。Jackson 系着领带，手里端着瑞幸。Haifeng 带了笔记本电脑，屏幕上开着飞桨的 dashboard，仿佛随时准备汇报技术指标。 Robin 把一张纸推到桌中间。上面手写了两行字： MiniMax：4 岁，收入 7900 万美元，73% 海外，市值 3800 亿。 百度：26 岁，收入千亿，AI 砸了近千亿，市值 3300 亿。 “谁来给我拉齐一下认知？” Dou 条件反射地接话：“Robin，市值不完全反映——” “对，市值不反映基本面。但你知道市值反映什么吗？反映 narrative。MiniMax 的 narrative 是什么？一个中国公司，七成收入来自海外，两亿多用户遍布 200 个国家。人家没在国内卷，没烧钱买量，没搞百亿补贴。人家润出去了。” 他停了一下。 “我们的 narrative 是什么？” 没人说话。 “我来帮你们 align 一下：百度是中国最早布局 AI 的公司，拥有从芯片到框架到模型到应用的全栈能力，文心大模型 5.0 在 LMArena 排名国内第一——” ...
三月的第一个周末，上海张江某栋写字楼的会议室里坐满了人。他们不是来参加什么新产品发布会，也不是为了听某个明星创业者的路演，而是为了学习如何使用一个开源工具——一个可以将自然语言转化为代码、让普通人也能指挥AI完成编程任务的框架。这个叫OpenClaw的工具，在GitHub上已经收获了超过27万颗星星1，在过去两个月里从一个技术社区的小众项目，变成了整个中国AI圈最火热的话题。从北京中关村到深圳南山，类似的聚会几乎每周都在上演：云服务厂商摆出一键部署的展台，模型公司推销着按Token计费的服务包，开发者们热切地交流着提示词工程的心得。这场被称为**“龙虾大会”**的运动，正在以一种近乎狂热的姿态席卷整个行业。 但热闹的背后，一个根本性的问题被有意无意地忽略了：这些大会究竟在解决什么问题？ 参会者带着各自的期待而来——有人希望找到下一个创业风口，有人想提升自己的编程效率，也有人单纯被"AI替代程序员"的焦虑驱动。然而，当演讲者们反复演示如何用几句自然语言生成一个待办事项应用，或者如何让AI自动修复简单的代码错误时，细心的观察者会发现，**这些场景与真正复杂的软件工程之间，还隔着一条难以逾越的鸿沟。**那些在舞台上被展示的神奇能力，往往建立在精心设计的demo环境之上；一旦进入真实的业务场景，面对遗留系统的技术债务、模糊的产品需求、严格的合规要求，AI的表现就会迅速退化为一个偶尔能提供代码补全建议的辅助工具。 这种落差并非偶然。 当前的AI编程工具，本质上仍然是基于概率的模式匹配系统。它们在处理常见编程模式、标准库调用、以及有明确边界的任务时表现出色，因为这些场景在训练数据中有充足的样本。但一旦涉及到需要深度领域知识、复杂架构设计、或者跨系统集成的任务，AI就会暴露出理解力的局限。更重要的是，编程从来不只是写代码——它还包括理解业务逻辑、权衡技术方案、与团队协作、以及在约束条件下做出工程决策。这些软技能，恰恰是当前的AI最难以替代的部分。那些在龙虾大会上被反复强调的"生产力提升"，很大程度上只是将编码阶段的部分工作自动化，而软件开发的全生命周期中，编码往往只占不到三分之一的工作量。 云服务厂商和模型公司的热情参与，让这场运动变得更加复杂。对他们来说，OpenClaw提供了一个绝佳的切入点：通过简化部署流程、提供托管服务，他们可以将开发者锁定在自己的生态系统中。一键部署听起来很美好，但它也意味着用户将基础设施的控制权交给了平台；Token计费模式看似灵活，但当应用规模扩大时，成本可能会变得难以预测。 这些商业模式的设计，更多地反映了供应商的利益，而非用户的真实需求。 而在大会的演讲台上，模型厂商们轮番展示自家模型的编程能力，试图证明自己比竞争对手更适合这个场景。但这种比拼往往停留在基准测试的分数上，而非真实项目的交付能力。当所有人都急于在这个新兴市场占据一席之地时，关于"这些工具究竟能创造什么价值"的冷静思考反而被边缘化了。 这种过热的状态很难持久。历史经验表明，**技术 hype 的周期通常在六到八周达到顶峰，随后进入冷静期。**龙虾大会也不例外。当最初的兴奋消退，当参会者们回到自己的工位尝试将这些工具应用到实际项目中，他们会发现现实的骨感：AI生成的代码可能需要大量的修改才能运行，自动化的工作流可能在边界情况下崩溃，而那些被承诺的"十倍效率提升"在复杂项目中变得难以兑现。这种幻灭感会迅速传播，媒体的报道会从"革命性的突破"转向"被夸大的期望"，投资者的注意力会转向下一个热点。三到八周后，当再有人提起龙虾大会时，语气中可能会带着一丝怀念，更多的是一种"那阵子大家都挺疯狂的"的调侃。 但这并不意味着AI编程工具没有价值。恰恰相反，它们在某些场景下确实能显著提升效率——尤其是在原型开发、学习编程、以及处理重复性编码任务时。问题在于，当前的市场叙事将这些能力过度放大，试图用**“AI替代程序员”**的惊悚标题来吸引眼球，而忽视了工具能力的边界。这种叙事不仅误导了公众，也给行业带来了不必要的焦虑。真正有价值的讨论应该是：在软件开发的全流程中，哪些环节可以被AI增强，哪些仍然需要人类的专业判断；如何在利用AI提升效率的同时，保持代码质量和系统的可维护性；以及，随着这些工具的普及，软件工程师的角色将如何演化。 来自大洋彼岸的一些信号值得我们关注。在AI编程工具的赛道上，Cursor作为目前最成功的创业公司之一，近期明显加快了产品迭代的节奏。从2月到3月，Cursor连续发布了自动化工作流、JetBrains IDE支持、自主计算机控制等多项重大功能2，这种密集的产品发布节奏本身就说明了一些问题：即便是市场领导者，也感受到了来自各方的压力——既有来自大型模型公司的降维打击，也有来自开源社区免费替代品的竞争。 而在模型层面，Anthropic于2026年2月17日发布的Claude Sonnet 4.6展示了更强的代码理解和生成能力3，根据Anthropic的官方数据，该模型在OSWorld计算机使用基准测试中表现优异，在某些场景下甚至超过了此前的Opus 4.5模型。当国外的竞争者在技术和产品层面快速迭代时，国内的大会仍然停留在"如何使用工具"的初级阶段，这种差距本身就值得深思。 更深层的观察是，工具的迭代与底层模型的升级密切相关。 OpenClaw、Cursor这类工具本质上是Agent的落地表现形式，而Agent的能力边界直接受制于底层大模型的能力。当Anthropic这样的模型公司推出更强大的编程能力时，中间层工具必须在产品层面做出回应，否则用户就会直接转向模型原生的解决方案。据业内人士透露，Cursor内部已经将这种状态定义为**“战时模式”**——这并非空穴来风，而是对竞争格局剧变的直接回应。 换言之，工具的演化是模型演化的函数。 没有底层模型的突破，单纯的工具创新很快就会触顶。这也解释了为什么龙虾大会的火热某种程度上是焦虑驱动的——开发者们担心错过下一个风口，服务商们担心被时代抛弃，创业者们则在寻找能够抵御模型公司直接竞争的商业逻辑。 这种困境并非中国独有，但在国内表现得尤为明显。一方面，基础模型的能力与国际顶尖水平仍有差距，这限制了应用层面的创新空间；另一方面，市场的急功近利心态让很少有人愿意沉下心来打磨产品，大家都在追逐短期的热点和概念。当OpenClaw火了，所有人都在谈论OpenClaw；当下一个框架出现，注意力又会迅速转移。在这种环境下，真正的技术积累和产品迭代变得困难，大部分参与者只是在不同的热点之间疲于奔命。 回到最开始的问题：究竟是谁在玩龙虾？ 答案可能是：那些焦虑的开发者，试图在这个快速变化的时代找到安全感；那些投机的服务商，希望借助热点推销自己的产品和服务；那些迷茫的创业者，在寻找下一个可能的风口；以及那些真诚相信技术能改变世界的理想主义者，尽管他们中的大多数最终会发现，改变比想象中要困难得多。这些人共同构成了这场运动的参与者，也共同承受着期望与现实之间的落差。 当热潮退去，真正有价值的东西会留下来。 可能是一些被验证过的最佳实践，可能是几段在特定场景下确实能提升效率的工作流，也可能是关于**“如何与AI协作”**的新认知。但前提是，参与者们能够从这场集体的狂热中抽离出来，诚实地评估这些工具的能力边界，并在实际的业务场景中寻找真正的价值创造点。这需要时间，需要耐心，也需要一定程度的运气。 而在那之前，龙虾大会还会继续，只是参会者脸上的表情可能会从兴奋变成困惑，再从困惑变成一种若有所思的平静。那可能是一个更健康的状态——对于技术，对于行业，对于所有在其中寻找机会的人来说，都是如此。 参考 OpenClaw GitHub Repository, https://github.com/openclaw/openclaw, 截至2026年3月收获278k stars ↩︎ Cursor Blog, 2026年2-3月产品更新动态，包括Automations、JetBrains ACP、Agent Computer Use等功能发布 ↩︎ Anthropic, “Introducing Claude Sonnet 4.6”, February 17, 2026, https://www.anthropic.com/news/claude-sonnet-4-6 ↩︎
3 月 6 日，林俊旸正式确认离职。距离那条「bye my beloved qwen」的推文过去 48 小时，这场震动中国 AI 圈的人事风波进入下半场——不是八卦内幕的下半场，而是更实质的问题：一个 32 岁、带出了全球顶级开源模型、被 Google DeepMind 公开喊话抢人的技术领袖，下一步该往哪走？ 我的判断很直接：创业是他唯一合理的选择。 不是情感上的「创业浪漫」，而是结构性推演后的结论。大厂、学术机构、加入其他独角兽——这三条路都有明显的逻辑断裂，只有创业能承接他过去三年积累的所有资产，并给他真正的自由度。 林俊旸今年 32 岁，阿里最年轻的 P10，Qwen 技术负责人。在他带领下，Qwen 从一个内部项目成长为全球下载量突破 7 亿次、衍生模型超过 18 万个的开源模型家族1。斯坦福《2025 年人工智能指数报告》把 Qwen 排在全球第三2，Google DeepMind executive Omar Sanseviero 在他离职后直接在 X 上向 Qwen 团队喊话：「if any of you want a new home to build great models and contribute to the open models ecosystem, please reach out!」3 这是全球顶级 AI 实验室在用行动投票：这些人在开源生态里的价值，远超任何一家公司的内部职级体系能衡量的。 但价值归价值，选择归选择。林俊旸面前的选项其实不多——或者说，他面前的选择太多，反而让决策变得更难。 据说离职消息传出后，投资圈瞬间沸腾。 不止一家头部机构的合伙人通过各种渠道打探他的联系方式——有人发朋友圈暗示「有预算、等团队」，有人通过千问团队的熟人递话，有人直接私信阿里内部的朋友「能不能帮我引荐林俊旸」。不到 48 小时，他的微信被加爆，未读消息里挤满了红杉、高瓴、五源、启明等一线基金的合伙人。 开出的条件一个比一个诱人：有人直接开价数千万美元估值，不占大股，「你说了算」；有人承诺「只管做技术，商业化我们来」，配套完整的 GTM 团队。 ...