AI 时代工程师的能力模型，别用工具数量打分

会用多少个 AI 产品很容易统计，却不能说明能否交付软件。更稳定的能力，是把模糊问题拆成约束，验证结果，并在工具失败时继续推进。

四个可观察的维度

问题定义看是否写清目标和不做什么；上下文工程看能否给出相关代码与证据；验证能力看是否覆盖失败路径；责任边界看是否识别权限、隐私和外部影响。

growth_review: problem_definition: evidence_required context_selection: evidence_required verification: evidence_required risk_ownership: evidence_required

学习任务要有产出

与其安排“掌握某工具”，不如完成一个小型改造：定位真实问题，先手工解决，再让 AI 辅助，比较返工与验证成本。记录哪一步节省了时间，哪一步引入了错误。

不编造效率倍数

不同任务差异很大。没有样本、基线和统计口径，就只讨论工作方式变化。成长评估以代码、设计记录和复盘为证据，不用模糊的“AI 熟练度”。

工具会快速更替，判断和验证不会。能力模型围绕后者设计，工程师才不会被版本更新牵着走。