前后端一起消失：AI Coding正在改写大厂工程师分工
大厂研发组织调整信号
美团 CLC 食杂零售 Keemart 研发团队本周完成架构调整，前端与后端团队正式合并，新组织架构已生效。相关前端人员提前一个多月进行后端开发训练。蚂蚁网商也宣布推动测试岗位整体转向研发岗位，设置半年缓冲期，过渡期结束后原测试人员转型为全栈工程师。
Claude Code 之父 Boris Cherny 发帖分享了其对未来岗位分工的思考。通过对 Claude Code 团队的观察，Boris 看到的不是传统职能划分，而是五类角色原型：
- 原型探索者（Prototyper）：提出全新想法，快速产出大量创意，大多数最终不会上线。
- 构建者（Builder）：迅速把原型或想法转化为生产级产品或基础设施。
- 系统清理者（Sweeper）：打磨 UI、简化代码和系统、下线不必要功能、优化性能。
- 产品增长者（Grower）：产品做出来后持续迭代，提升 Product-Market Fit。
- 系统维护者（Maintainer）：负责成熟系统长期运转，保持安全、可靠、快速和高效。
Boris 强调，这些角色不严格绑定某个具体职能——在 Anthropic 内部，设计师、工程师、产品经理、数据科学家都可能横跨其中两到三类角色。
字节、阿里招聘释放的信号
"前端和后端的分工边界已经消失了。大多数团队现在想要的是能够端到端负责的人。"有开发者表示，那种只做前端、遇到后端任务就退缩的"纯前端工程师"对大多数团队已不再适用。
谷歌全栈应用工程师：偏业务应用方向，前端只是其中一部分，职责覆盖完整软件交付链路——从需求进入、方案落地、上线交付到后续运营支持，甚至承担 BA、产品经理、解决方案工程师角色。
字节跳动"AI 全栈工程师"：挂在"前端"名下，但职责边界扩展到 AI 产品工程化、Agent 服务编排、多端 SDK、音视频底层能力、云平台等方向。
字节 Commercial AI 团队"高级/资深前端研发工程师"：负责即创平台 Web 端业务研发，业务范围涵盖数字人、AIGC 口播、视频生成、Agent 等创意工具链路的产品化落地，还要参与 AI 产品形态探索。
腾讯前端工程师：要求从业务页面实现转向 Agent 工程平台建设，负责面向 Agent 的沙盒、数据、调试和可视化 Web 产品体系，推动传统后台研发工具向现代化、高质量产品体验转型。
"2026 年的前端就业市场竞争更加激烈，但并非没有机会。它更看重深度而非广度，更看重解决问题的能力而非死记硬背，更看重适应能力而非对特定工具的依赖。"软件工程师 Gawande Sakshi 说道。
后端岗位同样在脱离传统范畴
阿里淘天 AI Agent 应用开发：在电商场景中建设大模型智能化比价辅助决策等工具，基于大模型调度多领域智能体实现商家运营全链路提效；还要开发 AI 代码生成工具、智能提效平台及企业员工办公场景的智能体架构。要求候选人既懂服务端工程、又懂大模型应用栈，还能把模型、工具、知识库和业务系统编排成可落地的 AI 产品。
字节"AI Agent Memory Infrastructure"：处于大模型、数据系统和上下文工程交叉点，负责构建下一代 Agent 记忆基础设施，优化大规模、低延迟、高可用环境下的数据摄取、存储、索引、检索、更新、压缩和遗忘机制。
Stripe 全栈工程师：不拆前后端，要求候选人设计、构建并维护用户可见体验、服务、API 和系统，在商业优先级、用户体验和可持续技术基础之间做有效权衡，直接与早期创业者交流，跨服务、跨技术栈排查生产问题。
"写代码只是软件工程中的一环，软件工程不会消失。但以岗位边界为中心的软件工程组织，正在转向以交付闭环为中心的软件工程组织。"某公司研发总监韩雨（匿名）向 InfoQ 表示。不止大厂，中小厂也在这么做——单纯靠某一层技术栈吃饭的岗位价值正在下降，以前公司买的是"某一层的编码劳动力"，现在更需要的是"能借助 AI 把一个问题稳定解决掉的人"。
AI 编程工具就是在消除边界
前后端边界松动的背后，是 AI 编程工具正在改变软件开发流程。
OpenAI 关于 Codex 的最新论文显示，Codex 用户已把代码实现、代码理解、验证、配置、文档和工程运维交给同一套 Agentic workflow。2026 年上半年，Codex 周活用户增长超过五倍，提交超过 8 小时人类工程师工作量任务的个人用户比例较年初增长近 10 倍。在 OpenAI 内部，Codex 已占 Codex 与 ChatGPT 合计输出 token 的 99.8%。近三成用户曾在一周内同时管理五个或更多 Agent，最重度前 1% 用户一天累计运行约 71 小时 Agent turns。
AI Coding 正从"补全代码"转向"接任务"。
当前能力边界：
- 前端页面和交互实现：表现已不错，尤其组件库、样式规范和设计模式清晰时，已不再是全栈任务的难点。
- 后端接口和业务逻辑：能完成中低复杂度任务，但涉及复杂权限、事务一致性等时表现明显不稳定——难以完全理解业务隐含约束。
- 数据库和状态管理：当前 coding agent 的明显短板，FullStack-Agent 论文专门把 frontend、backend、database 分开测试。
跨文件重构和依赖升级是 Claude Code 和 Codex 的强项之一，但远不到可靠自动化——当前 Agents 难以在不破坏现有功能的情况下完成连续包升级。
PR 级任务完成方面，任务类型对接受率影响很大：文档任务接受率 82.1%，新功能只有 66.1%。Codex 在九类任务中都有较高接受率，Claude Code 在文档任务和 feature 任务上领先。
结论：AI 编程工具已具备一定后端执行能力，但在系统边界、数据风险、架构取舍、线上稳定性和业务正确性等方面，仍然需要资深工程师兜底。
AI 编程工具已成为初创公司的"全栈工程师"
Wordsmith AI CTO Volodymyr Giginiak 表示，该公司代码"几乎 100%"由 AI 生成。"现在的区别不再是谁来写代码，而是 AI 拥有多大的自主权。"目前完全自主完成的任务约占工作量的 10%，但他预计一年后 80%~90% 的任务将实现完全自主。
"工程岗位并没有消失，而是在被根本性地重构。未来杠杆最高的工程师，将是那些能够为 AI 设计正确运行环境和上下文的人。"
Boris 认为，健康的团队需要根据产品所处阶段配置不同人才组合：产品还很新、尚未找到 PMF 时，需要更多第 1、2、3 类角色；产品增长且已找到 PMF 时，更需要第 2、3、4 类角色加一部分第 5 类；产品具备很强 PMF 时，则更需要第 3、4、5 类角色并保留一部分第 2 类。
"也许，未来的产品角色会不再按照具体职能领域来划分，而是围绕产品阶段、创造方式和系统责任重新组织。"
AI Native 下的全栈开发者是什么样
AI coding 时代，传统前后端等知识依然重要——这是开发者的"判断力和控制权"。全栈开发者能力清单：
- 前端能力：基础，响应式设计仍重要。
- 后端能力：关键补充。
- 数据库能力：必备项，掌握 SQL，能做性能调优和查询优化；大数据场景下 Hadoop、Spark、Kafka 可能成为加分项。
- 云计算和安全：各云平台、Docker、Kubernetes、Serverless，以及身份访问管理、加密、网络安全、合规框架。
- 基础设施：Git、CI/CD 流水线、Docker 容器化、服务器部署、Linux/Shell 脚本、Nginx 反向代理和负载均衡——正在成为全栈岗位的重要分水岭。
- AI 技术掌握：更重要的新能力维度。
一位全栈 React & Node / Next.js 开发者分享经历：有两年经验，参加各种线下活动，LinkedIn 上投了所有能投的岗位都没结果。通过内推在 SAP 初级全栈岗位第三轮面试失败——第三轮要求根据业务相关方 Slack 消息示例给大模型写提示词，然后对全栈 React & Node 应用做代码审查。
成本问题给全栈工程师带来新机遇
AI Coding 的成本问题让全栈能力的含义变成了"懂产品、模型、系统和成本"。
Gartner 预测，到 2028 年 AI coding 成本可能超过一名普通开发者的平均薪资——token 消耗上升，供应商转向基于消耗量的授权模式。Uber 等公司数月内耗尽年度 AI 预算，微软、Palo Alto Networks、Coinbase 等公司高管开始强调"更便宜、更小的模型"可以覆盖多数企业任务。
未来值钱的工程师，是那些知道什么时候该用大模型、什么时候该用小模型，什么时候该用规则系统，什么时候该把 Agent 拆成 workflow，如何控制上下文、缓存、调用次数、评测成本和线上延迟的人。
"在称工程师为全栈工程师之前，应该先精通一项技术。应该循序渐进、稳步提升。"有网友评价道。