顶替 100 人工程师团队：Meta 首席 AI 官揭秘后台智能体集群的真实运转机制

一百个资深软件工程师，真能被一群跑在后台的 AI 轻松干掉吗？

在 Y Combinator 举办的 Startup School 现场，负责人 Garry Tan 问了台上嘉宾一个问题。 坐在他对面的是 Meta 首席 AI 官、Scale AI 创始人 Alexandr Wang。 Wang 聊起 Meta 内部正在发生的一件真事。 他说在某些研发任务里，只要搭对系统，一个自主运转的 AI 智能体集群，干出的活比整整 100 人的工程师团队还要多。 而且原话是：AI 做起来非常轻松，毫不费力。

很多人第一反应，大概会觉得这又是硅谷巨头在吹泡泡。 毕竟大家平时用 AI 辅助写代码，逻辑稍微多几层，它就经常卡壳或者胡说八道。 大厂里 100 个资深程序员加起来，一年光薪酬开销就要几千万美元。 怎么可能被几个跑在服务器里的算法脚本轻松替代？ Meta 内部难道藏了什么没公开的超级模型，还是搭了一套极其神秘的复杂黑科技？

但真实的工程结构，朴素得让人意外。 Wang 在现场讲出了这套系统的底牌。 根本没有什么科幻电影里的超级中央大脑。 核心构件只有极其基础的几样东西： 一份用 Markdown 写的技能规范与操作指令； 几个用来记录上下文与运行状态的文本文件； 外加一套在后台自动轮询、定时触发的任务调度机制。 这甚至就是很多普通程序员天天都在用的基础工具。

把这些平平无奇的零件拼起来，凭什么能顶掉 100 个经验丰富的工程师？ 胜负手根本不在模型的智商有多高。 真正拉开天壤之别的，是评测闭环。

一个工程师团队一旦扩大到 100 人，最大的时间成本往往花在沟通和协同上。 做个功能，要开需求对齐会、定架构规范、分工拉齐、互相等进度。 代码写完了提交上去，等同事抽空审查，经常一等就是一两天。 人会疲劳，会遗忘上下文，还要处理各种琐碎的协调摩擦。 一个上百人的团队折腾一整周，真正落地的核心迭代可能只有几十轮。

但换成 AI 智能体集群，整个运转逻辑被彻底重写了。 前提是人类必须先搭好一套极为严格的自动化评测系统。 任务交给智能体之前，通关指标必须定得清清楚楚：所有的单元测试必须全过，编译不能有一处报错，性能跑分不能出现任何下滑。 智能体写完一段代码，测试脚本直接在几秒钟之内全量跑完。 如果报错，系统瞬间把具体的出错堆栈和错误日志丢回给它。 智能体看懂报错，立刻调整代码，再次发起测试。 这里不需要开会，不需要走审批，也不用等别人有空了来给你挑毛病。 几十个智能体在后台并行狂奔，一天 24 小时能跑几千次甚至上万次试错和自我纠偏。 人类团队需要拉扯几天的代码调整，这套闭环几分钟就能迭代几十遍。

Wang 在对话里点出了这套打法的硬性前提： 必须建立起正确的智能体闭环，并且拥有精确的评估系统与优化指标。 如果评测标准本身是模糊的，AI 集群只会在错误的方向上以光速制造海量垃圾。 但只要评估标准能够被机器自动验证，剩下的就是纯粹迭代速度上的物理碾压。

未来决定研发效率的，可能不再是谁招了更多程序员。 谁能把业务目标拆解成无歧义的自动评测体系，谁就能让后台的智能体夜以继日地跑出上百人的产能。