Replit用AI接管客户支持初筛，人类专注决策与打补丁

在TechCrunch Disrupt大会上，Replit CEO Amjad Masad分享了一个已经落地的工程工作流改造案例：AI程序负责客户支持请求的初步分诊，人类开发者则把精力集中在架构设计、判断决策和具体补丁实现上。这套模式并非实验室里的概念，而是Replit内部正在运行的日常。

一套“AI初筛 + 人类决策”的协作流程

据Masad介绍，当客户请求到达时，AI程序会先行介入，检查请求内容，并从公司的代码库和文件中自动收集相关数据。员工拿到的不是原始工单，而是已经整理好的信息包。在此基础上，员工只需点击一下，就能指令第二个AI程序去实施具体的解决方案。

这个流程的关键在于分工：AI承担了信息搜集与初步分析这类重复性劳动，人类则负责判断问题性质、决定采取什么行动，以及审查AI给出的补丁是否合理。Masad将这种配合描述为“改变工作目的”，而不是简单替代人力。

AI分诊（Triage） 一词源自医疗急救场景，指在资源有限时按紧急程度和类别对患者进行优先级排序。在软件工程和客户支持领域，AI分诊指的是由模型自动读取工单或告警、判断其类型与严重程度、并关联相关上下文（如代码、日志、历史记录），从而决定该请求应交给谁、以什么优先级处理。Replit流程中的AI初筛本质上就是分诊：它不直接给出最终答案，而是把非结构化请求转化为结构化信息包，降低后续人工判断的认知负担。

人的位置变了，但没有消失

Masad反复强调，目标不是裁掉员工，而是重新定义他们的职责。Replit的员工如今花更多时间在讨论、规划和策略层面，而不是消耗在重复性任务上。在他看来，人类的判断力依然是整个流程中不可或缺的核心环节。

这种观点回应了业界对AI取代工程师的普遍焦虑。从Replit的实践看，AI更像是一个高效的前置处理层——它把噪音过滤掉，把结构化信息推给人类，让后者在更高的抽象层次上工作。这与其他公司用AI处理安全告警的思路有相似之处：机器负责筛，人负责断。

AI Agent（智能体） 与普通的代码补全或聊天机器人不同，它被赋予目标后可以自主调用工具、读取文件、执行多步操作并观察结果，再决定下一步。Replit案例中“第二个AI程序去实施具体解决方案”描述的就是一种Agent行为：它接收人类确认后的指令，在代码库中定位问题并生成补丁。Agent的关键特征是具备感知—决策—行动的循环，而非单轮问答，这也是它能够嵌入真实工作流、承担端到端子任务的前提。

企业界的认知仍然滞后

尽管Replit已经在内部跑通了这套模式，Masad指出，商业世界中大部分组织尚未意识到工作方式即将发生的变化。这种认知落差并非个案——很多企业仍把AI当作辅助工具，而非重新设计流程的起点。

Replit的案例提供了一个具体参照：AI进入工作流的位置，不应该只是“帮你写代码”或“帮你回工单”，而可以是重构整条任务链的触发点。当AI负责初筛、人类负责决策和落地时，团队的角色分配、技能要求乃至绩效衡量方式都会随之改变。

对于正在考虑引入AI Agent的工程团队来说，Replit的经验指向一个务实的方向：先找到流程中最适合自动化的“信息收集与初步分析”环节，让人类从那里开始接手判断，而不是一上来就追求端到端的全自动。

工作流重构（Workflow Redesign） 与单纯的工具引入有本质区别。工具引入是在现有流程中塞入一个新软件，流程本身不变；工作流重构则是先识别任务链中哪些环节适合机器处理、哪些环节必须由人判断，再据此重新划分角色和交接点。Replit的做法属于后者：它没有让AI去“辅助写代码”，而是把信息收集和初步分析整段交给AI，人类从判断和补丁审查开始接手。这种思路要求管理者先画出完整的任务链，而不是从某个孤立的痛点出发采购AI工具。