我现在很兴奋，因为我看到了 AI 如何改变了我们的工作方式，而我也恰巧参与其中。
我每天都在接触新的需求，探索新的可能，思考如何将 AI 的能力融入现有的工作流程。
2026，我觉得更多人会感受到这种改变。
一
2025 年，程序员的工作已经被彻底改变。
我已经好几个月没有手敲代码了，每天就是和 AI 聊需求、聊设计、然后 review AI 写的代码。很少会出现聊不通，只能自己改的情况了。
现在已经没人质疑 AI code agent 了，大家都已经意识到，这就是未来的发展趋势。
不是 AI 会淘汰人，而是会用 AI 的人淘汰掉不会用 AI 的人。
但这个认知的转变并不是一蹴而就的，在没有实际见识过 AI 的能力前，很难抛弃掉自己多年的工作习惯。
最开始用 GitHub Copilot 的时候，最有用的地方就是补全日志，当时对我的工作并没有太大的改变。
当开始用 Cursor 的时候，发现它可以读懂代码库，一次生成大量代码的时候，我才意识到 AI 对我工作方式的改变。
最近，我意识到这种改变不只发生在编程领域，而是在通过另一种方式更快更广泛地发生在各种岗位上。
二
大模型在公共知识领域很棒，但还不足以改变我们的工作方式。
因为公司内部有很多系统和数据，很多工作需要在内部系统中完成。而大模型即使能力再强，却无法访问内部系统和数据，也就无法替我们完成这些工作。
直到 MCP 的出现，这种问题得以解决。
MCP (Model Context Protocol) 是用于将 AI 与外部系统连接的开源标准。有了 MCP，就可以让 AI 调用内部平台，实现更多可能。
比如你有一个取数需求，大模型可以给你一个很棒的 SQL，但这个 SQL 是架空的，因为大模型不了解上下文，不知道该查哪些表，用哪些字段，所以只能自己假设，这就限制了其应用场景，不能直接拿来用。
有了 MCP，我们可以让大模型直接在内部系统中找到对应的表，获取表结构，直接编写出可以实际运行的 SQL，然后提交 SQL 查询，并对结果进行分析，生成报告。
有了 MCP，大模型很自然地融入了我们日常的工作流程中。
三
现在很少有人还怀疑大模型的能力了，但是不知道它能在自己的工作中帮上什么忙。
我最开始把 MCP 文档发给一些业务方的时候，很多人也不知道怎么用，反应平平。但当我面对面地进行一次现场演示，他们就马上会发现这是很有价值的。
我觉得大家都可以想想 AI 能帮助自己解决什么问题。比如产品经理，不再需要对着文档空想，而是可以让 AI 直接读取内部的需求文档，生成可交互的原型；运营也不用再手动导表，而是让 AI 获取后台数据，自动统计并分析出最新的运营报表。
最近有研发问我有没有埋点（用户行为追踪）的 MCP，我们之前做的埋点可以自动生成埋点方法的代码，而他们想更进一步，直接集成到 MCP 中，让 AI 知道这个代码该如何写，并添加到自己的代码库中。
埋点对于研发来说，是一个额外的开发任务，因为没有什么逻辑，但却又很重要。对于人员频繁变更的开发团队来说，了解埋点并不是一件容易的事，所以经常出现问题，而如果能让 AI 来实现这些，出现问题的概率会减少，开发人员的负担也变轻了。
四
现在的 MCP 很好，但还有一些限制。比如上下文长度控制，以及需要依赖 Cursor 或者 Claude Code 这些 MCP 客户端集成。
对于更广泛的人群来说，Cursor 和 Claude Code 这种偏开发的工具对他们来说并不友好。即使对于开发人员来说，如果只为了实现一个能力切换到 Cursor 或 Claude Code ，而不是整个工作流都可以在这里实现，也不是很方便。
在一个统一的入口完成所有的工作，只需要语音跟 AI 沟通，AI 调用各种平台能力自行处理，我们只需要喝着咖啡等着 AI 给结果就行了，这一天并不会太远。
这并不意味着 AI 可以完成所有工作，只是每个人的工作都被 AI 改造了，从每一件事都需要自己去干，到 AI 帮我们完成大部分，我们只需要提出需求和评价结果。
