超兔CRM开发思考：代码之外，工程师的新价值领地

七十年前，有人预告了你正在做的事

1950 年，诺伯特·维纳在《人有人的用处：控制论与社会》里画了一条分界线：第一次工业革命的机器是肌肉的延伸，替代体力；而正在到来的第二次，自动机和计算机是大脑的延伸，开始替代计算、记忆和逻辑。

今天坐在 IDE 前，让 AI 生成整段功能代码的工程师，正活在这条分界线的延长线上。维纳当年的推演工具是控制论：一切系统依靠信息与反馈对抗熵增，机器和人在这个框架里都是信息处理系统，但分野清晰——机器擅长重复、计算、执行；人独有价值判断、共情、面对全新未知情况的创造性选择。

七十多年过去，这条分野变了位置，但方向没变。变的是：大模型不再是维纳想象中那种"人把每一步规则预先写死"的自动机——它是从海量数据里拟合出模式的统计系统，能做未经预设的推理和生成。没变的是：它依然没有内在目的，没有价值主体，不承受决策的现实后果。

被推翻的，和没被推翻的

大模型确实推翻了一些东西。老式硬编码的 if-then 范式被颠覆了：模型自己拟合隐含模式，遇到没见过的输入也能给出回答。它的"续写"本质，是基于统计信息预测下一个最合理的 token——有分析和推理的形态，普通水平的组合式创造，它常常比人做得更好。

但有一样东西，从维纳的时代原封不动地传了下来：责任闭环。无论机器处理信息的能力多强，它的目标、评价标准、输入信息，根源都来自人；它不承受自己输出造成的现实代价，出问题也不会自我反思——修正它，靠的还是人。

落到开发一线，这件事具体得不能再具体。我们有一组关于 AI 编程的追问，叫它部署三问：你用 AI 手搓的系统，部署在哪？放在自己电脑上，别人用不了；放在公司服务器上，出了公司用不了；放上云服务器，这套代码的安全性谁来评审？见过有人晒自己 AI 生成的一套系统，评论区一针见血——这等同于暴露在互联网上，客户资料谁都能拿到。

这三个问题，AI 一个都替你回答不了。所以我们对 AI 编程的定位始终清晰：它是给专业程序员的更顺手的工具，给非技术人员的是思路、方法和原型。工具接管了重复编码，接管不了架构决策、安全评审和上线责任——这些从来不是打字环节，是判断环节。

knowhow：AI 拿不走的私有语料

维纳在第三章里区分过两种系统：定型系统按预设规则反应，蚂蚁和简单自动装置都属此类；学习型系统则能接收新信息、修改自身行为。今天的大模型显然是后者——但它的"学习"，学的只是公开语料里已有的模式。而工业工贸这个领域，恰恰藏着大量公开语料里没有的东西。

超兔有一个观点："中小企业即便是同行业里面，它的管理逻辑、业务场景、使用习惯等等也是千差万别的。"同样是加工厂，这家按批次排产、那家按项目走单；计价规则、跟单习惯、对账口径，家家有一套自己的活法。这些差异不会出现在任何公开数据集里——它们是每家企业用几十年攒出来的私有语料，也是工业工贸 CRM 真正的难度所在。

超兔应对这件事的方式，是独创的面标二开——面向标准化的抽象开发逻辑：由专家团队把客户A、客户B、客户C的相似场景逻辑做整合，做标准化的抽象，变成系统的能力沉淀下来，而不是定制化实现。比如把某家五金代工厂"急单插不进排产"的抱怨，抽象为"插单场景下的产能重排问题"，再做成可配置的通用能力。AI 可以帮工程师把这个能力更快写出来，但"这一类场景的本质是什么"——这个判断不在任何语料里，它来自二十余年从一线客户层拿需求、总结场景、开发能力、再反馈到一线的循环。

私有语料的另一层含义，是数据。大模型正式发布前两年，机器学习刚可用时，超兔就开发了客户行动记录的正负意向判断引擎：1500 条数据训练，70% 准确率，历时 8 个月。70% 在大厂语境里不算惊艳，但放到中小微企业的真实数据量上，它已经能正常使用。这段实践暴露了一个行业级事实：中小企业做海量机器学习，没有基础数据储备。所以数智化不能只靠"喂数据"这一条路——能补足数据劣势的，恰恰是 knowhow：把业务逻辑翻译成系统规则，让有限的每个字节都长在该长的地方。

认知外挂：工程师的自我强化

维纳反对的从来不是使用工具，而是出让主体性。用他的控制论语言说：工具本来就该延伸人的信息处理能力，帮助人对抗熵增。关键只有一条——目标与价值的锚点，是否仍然握在人手里。

握住锚点的工程师，把 AI 用成了三件套：检索器、草稿生成器、对手。检索，用它扫过海量实现方案；草稿，让它先出可运行的初版；对手，拿它的方案碰撞自己的判断、暴露盲区。主框架始终在自己手里——架构怎么分层、性能边界在哪、安全怎么兜底，这些"往哪看"的问题，AI 只负责把手电筒递过来。

超兔自己的开发实践就是这个路径。库存台账 3.0 把数据处理能力放大了 100 倍——以前跨月查询都受限，现在跨年、跨 24 个月、数据量再大都没有压力。这个跃迁的起点不是某段代码，是一个价值判断：客户在真实场景里被卡住了，值得重写底层。做什么、做到什么程度、值不值得投入，是工程师的判断；AI 和技术负责把判断兑现成代码。AI 创建数据、多表复合查询这些新能力也一样——人在场景里看见问题，工具把答案变成现实。

这条闭环在产品层还有一个更细的落法，超兔叫它 SCN 逻辑：AI 能力不脱离业务单独成平台，而是直接嵌在销售跟单、采购对账、开单匹配这些真实环节里；AIGC 可能产生的幻觉，不靠事后纠错去补救，而是在流程控制当中就被约束和消除——AI 只在流程允许它发挥的位置发挥作用，业务运转永远有确定性的保障。这正是维纳反馈思想的产品化表达：把 AI 放进闭环里受约束的位置，而不是放在闭环外做不受检的主意。

滑向矮化的三个信号

同一个工具，用法错了就滑向另一边。维纳担心的从来不是机器造反，而是人主动自我矮化：把判断外包出去，把责任推给"系统自动得出的结果"。在工程师身上，矮化有三个好认的信号。

三个信号的共同点，是人的内部反馈回路被旁路了：接收 AI 的输出，跳过自己的校验和权衡，直接变成决策。健康的工程师是完整的信息闭环——接收信息、独立校验、做出取舍、承受反馈，用 AI 放大每一步，而不是替代任何一步。能力被放大，不等于主体性变强；不刻意维护，判断力会在顺手中悄悄退化。

代码之外，工程师的新价值领地

所以重读维纳，工程师读出的不是危机，是一次价值的上移。

当写代码这件事被 AI 接管了大半，工程师的新价值领地恰恰从代码里浮出来：定目标——判断什么值得做、为客户解决什么问题；守边界——架构、性能、安全，替用户守住他们看不见的底线；担责任——上线那一刻的决策权和后果承担。这三件事，模型一件也接不走，因为它们都不发生在代码里，而发生在代码之外。

维纳在七十年前写下书名的那一刻，答案已经在了：人有人的用处。机器越强，这句话越不是安慰，而是分工——把重复交给机器，把判断留给人，把责任守在人这里。这既是超兔团队在工业工贸 CRM 开发一线的感知，也是我们对每一位客户的承诺：系统里跑的是 AI 加持的技术，系统背后站着负责的人。