LinkedIn有1.1万名员工，70%的代码仓库是十年前写的。到2030年，这些工程师、设计师、PM需要的技能，70%会和今天不一样。
如果你还在等设计师出图、等工程师排期、等数据团队跑SQL查询，你可能正在用传统工厂的方式造火箭。
Tor Cohen在LinkedIn工作了14年。2024年底，他做了一个决定——取消公司运行多年的APM项目，推出「全栈构建者计划」。用户研究员开始提交代码PR，商务拓展负责人自己搭建开发者门户，PM不再等设计资源直接上手做Dashboard。
这不是鸡汤式的「人人都该学编程」。这是一场用AI工具重新定义产品角色的实验。
Tor的履历里没有太多非职业细节，但他有句话反复出现在采访中：「我可能错了，但我不困惑。」这句话在LinkedIn内部流传很广。他的团队知道，老板可以接受失败的实验，但不能容忍模糊的判断。
这次判断的起点是一组数据。LinkedIn内部统计显示，构建一个小功能需要「多个团队、多个代码库、多个冲刺周期」。团队把产品开发流程画成图表，发现一个简单需求要经过15个信息源验证、至少6种评审流程——设计评审、隐私评审、安全评审、增长评审……
每个环节都有存在的理由，但叠加在一起就成了官僚主义的温床。
更致命的问题是组织结构。流程复杂度催生了职能碎片化。设计团队内部分出交互设计师、动效设计师、内容设计师、用户研究员。工程团队按技术栈切分前端、后端、数据、基础设施。每个子角色都有专人负责，但没人能独立交付一个完整功能。
「我们把构建者变成了流水线工人，」Tor说，「变化速度超过了响应速度。」
但这不是重点。
转折发生在2024年初。Tor组建了一个核心团队，目标是「让任何角色的人都能独立完成从创意到上线的全流程」。他们给这个计划起名「全栈构建者」（Full Stack Builder）。
关键决策是：不再试图优化现有流程，而是直接用AI重构底层能力。
第一步是平台改造。LinkedIn花了4个月时间，将核心代码库重构为「AI可推理」的架构——把UI组件模块化、给每个组件标注语义、建立服务端API文档库。这不是为人类开发者服务的，而是为Cursor、Copilot、Windsurf这些AI编码工具准备的。
「没有任何一个第三方工具能直接在LinkedIn的代码库上工作，」Tor说。他们尝试过让Cursor直接读取代码仓库，失败了。AI生成的代码要么调用了废弃的API，要么违反了内部安全规范。解决方案是与工具厂商深度合作，定制「LinkedIn专用版」的AI开发环境。
第二步是构建专有Agent。Tor的策略是「为每个职能建一个智能助手」，由该领域的顶尖专家来训练。
信任Agent（Trust Agent）是第一个投入使用的工具。LinkedIn的信任与安全负责人亲自参与训练，将过去所有安全事件、攻击向量、漏洞案例喂给模型。现在，当PM写完产品规格文档，直接丢给Trust Agent审查。它会标出潜在的数据泄露风险、钓鱼攻击面、滥用场景。
团队拿2021年的「Open to Work」功能做测试——那个绿色的求职标签。当年上线前，团队识别了3个主要风险点。Trust Agent重新分析这份文档，不仅找到了当年发现的所有问题，还指出了两个后来在灰度测试中才暴露的漏洞。
增长Agent存储了LinkedIn所有A/B测试历史、用户增长漏斗数据、病毒传播模型。产品经理提交一个想法，它会直接输出「预估影响用户数」「需要优先测试的指标」「类似实验的历史成功率」。用户研究团队开始用它来筛选哪些需求值得深度调研。
研究Agent训练了LinkedIn的用户画像语料库——小企业主、求职者、招聘HR、内容创作者——每个角色的痛点、行为模式、使用场景。一个团队在做营销工具的新功能，把PRD发给Research Agent。Agent从「小企业主」视角挑战了方案，建议优先集成某些第三方工具，而不是自研功能。团队采纳后，开发周期缩短了一半。
最反直觉的是数据分析Agent。LinkedIn的数据图谱有10亿+节点，传统查询需要懂SQL、懂数据仓库架构、懂业务指标定义。现在PM直接用自然语言提问：「过去三个月，哪些行业的招聘需求增长最快？」Agent自动生成查询、跑数、输出可视化报表。
这不是拼凑开源工具。LinkedIn用的是Copilot Enterprise和ChatGPT Enterprise作为底层，但花了大量时间「清洗黄金样本」——筛选出高质量的历史文档、成功案例、最佳实践，而不是直接让AI访问整个Google Drive。Tor的原话是：「就像十年前我重建LinkedIn Feed时，手工标注什么是『好的职场内容』一样。」
这套系统最巧妙的地方是Agent之间的协同。Trust Agent会自动调用Growth Agent，评估一个安全措施对增长的影响。Research Agent的输出会流入Growth Agent，用真实用户反馈修正预测模型。这是一个「Agent编排层」的雏形。
有意思的是，不同团队喜欢不同的设计工具。有人用Figma Make，有人用Subframe，有人用Magic Patterns。Tor最初想统一工具栈，后来放弃了。「工程师出身的人更喜欢代码优先的工具，设计师出身的人更习惯可视化界面。强行统一会扼杀积极性。」
问题出在下一步。
工具准备好了，但没人用。
Tor低估了变革阻力。工程师说「AI写的代码不符合我们的规范」，设计师说「我不需要学写代码」，PM说「我太忙了，没时间学新工具」。
核心矛盾是：学习新工具的短期成本vs长期收益，个人很难算清这笔账。尤其是在大公司，按部就班也能完成KPI，何必冒险？
Tor的解决方案是改变激励机制。他做了三件事：
**第一，把「AI代理能力」写进绩效评估标准。**不是硬性要求，而是在晋升评审时明确加分项。设计师会被问「你用过哪些AI工具加速迭代？」，工程师会被评估「你是否能跨职能交付功能？」。下一次绩效周期，LinkedIn全员都会看到这条标准。
**第二，制造成功案例的FOMO效应。**语义搜索团队用这套工具把开发周期缩短了30%，在全员大会上展示。一个用户研究员转岗做增长PM，她的故事被写进内部通讯。商务拓展负责人自己搭建了合作伙伴开发者门户，不再等工程师排期。
这些故事的共同点是：不是高管推动的，而是个人主动尝试。Tor说：「如果你在等公司宣布重组才开始改变，你已经晚了。」
**第三，创建新职级「全栈构建者」，任何职能都能申请。**这不是改名字，而是独立的晋升通道。评审标准是「能否独立交付完整功能」，而不是「你的title是什么」。第一批获得这个title的人里，有PM、工程师、设计师，还有一个商务拓展经理。
最激进的动作是关闭APM项目，启动「准全栈构建者」计划。2025年1月开始，LinkedIn招聘的应届生不再按PM、工程师、设计师分类，而是统一培训——三个月内学会写代码、做设计、写PRD。他们毕业后加入「小分队」（Pods），而不是传统的职能团队。
小分队模式是这样的：3-5人组成临时团队，锁定一个问题，干一个季度，然后解散重组。成员不再按「前端+后端+PM+设计师」配置，而是找「能跨职能协作的人」。有个小分队的PM在等设计资源时，直接用Figma Make自己做了原型，跑完用户测试再请设计师优化细节。
维护Agent是另一个意外收获。LinkedIn的CI/CD流水线每天有数百次构建失败——依赖冲突、单元测试挂掉、环境配置错误。以前工程师要停下手头工作去修。现在Maintenance Agent自动处理，成功率接近50%。Tor说：「你可以慢慢喝完咖啡再去看问题，大概率已经修好了。」
测试Agent也在灰度中。它会根据代码变更自动生成测试用例，覆盖边界条件。QA团队的角色从「手工测试」变成「设计测试策略」。
六个月后，试点团队的数据出来了：平均每人每周节省4-6小时重复性工作。更重要的是质量提升——因为Trust Agent、Growth Agent提前拦截了大量低级错误，返工率下降了。
但最大的变化是心态。参与试点的人开始主动学新工具、主动认领跨职能任务。Tor观察到，顶尖人才的使用频率最高。「不是AI让弱者变强，而是让强者更强。顶尖人才有持续精进的驱动力，他们会把工具用到极限。」
这是赌注还是必然？
想想你上次装修房子——你不是在买瓷砖和水泥，你是在买「一个温馨的家」。LinkedIn的全栈构建者计划也一样，它不是在推销工具，而是在交付「更快响应变化的能力」。
传统产品开发流程默认「分工提高效率」。但这个假设成立的前提是「任务边界清晰、需求稳定」。当外部环境变化加速，交接成本开始超过分工收益。全栈构建者的本质是降低「协调税」——不需要开会同步、不需要等别人交付、不需要解释上下文。
这背后是一个更深层的洞察：AI的价值不是「替代人」，而是「压缩技能学习曲线」。以前一个PM要3年才能学会基础编程，现在用Cursor可能只需要3周。设计从入门到做出可用原型，从6个月缩短到6天。
但这不意味着专业性贬值。恰恰相反，当执行门槛降低，判断力变得更值钱。Tor反复强调五个不能被AI取代的能力：愿景（对未来的洞察）、共情（理解用户痛点）、沟通（说服他人）、创造力（超越显而易见的答案）、判断力（在模糊情况下做决策）。
这也是为什么顶尖人才最受益。他们擅长的不是执行层面的技能，而是「知道什么值得做」。AI帮他们省下执行时间，让他们有更多精力思考方向。
两个字：不够。
这套模式不适合所有人。Tor明确说：「有些人就是想做专家，这完全没问题。我们仍然需要系统架构师、深度学习专家、品牌设计大师。」
全栈构建者更适合这些场景：早期探索、快速试错、跨领域创新。但如果你在做底层基础设施、安全加密、大规模系统优化，专业纵深仍然不可替代。
另一个局限是文化适配成本。LinkedIn花了6个月才让一小部分团队接受这套模式，预计推广到全公司需要2年。Tor回顾时说，最大的失误是「前期保密太久」。核心团队闷头干了几个月，其他部门一直在问「你们在搞什么」。如果重来，他会更早地公开进展、邀请反馈。
最大的风险是工具依赖。如果Cursor、Copilot、ChatGPT某一天大幅涨价或服务中断，这套体系会不会崩溃？Tor的答案是「平台层的投入就是为了降低供应商风险」。LinkedIn的Agent编排层可以随时切换底层模型，从OpenAI换到Anthropic或自研模型。
还有一个没人问出口的问题：如果每个人都能做全栈构建者，LinkedIn还需要多少人？
2024年底，Tor宣布离开LinkedIn。他在内部信里写：「我可能错了，但我不困惑。我知道自己要去哪里。」
他没说下一站是什么。但采访最后，他提到一个想法：「现在是建设的最佳时机。」
全栈构建者计划仍在LinkedIn推进。APM项目的最后一批学员在2024年毕业，2025年1月的新人将全部进入「准全栈构建者」培训。更多的Agent正在开发中——产品路演Agent、竞品分析Agent、用户访谈Agent。
Tor离开时留下了一句话：「不要等公司宣布变革。如果你的公司不做，就加入一个正在做的公司。」
这不是终点，而是一场持续迭代的开始。2030年的产品开发流程，可能和今天LinkedIn的实验完全不同。但方向已经清晰：让判断力值钱，让执行力便宜。
故事到这里结束。但你办公桌上那份等了三周的设计稿，也许不用再等了。