这个问题，其实已经不是“怎么分级”的问题了，而是：

在 AI 工具普及之后，研发人员的“价值结构”发生了什么变化？职级评定应该怎么重构？

你朋友的直觉是对的：
传统“写代码多少”“掌握多少语言”已经不再是核心维度。

现在的核心，正在从：

代码生产能力 → 系统设计能力 → 认知建模能力 → AI协作能力 → 影响力

下面我给你一份：

这是一个“可落地的初版框架”。

一、先看几个大厂的真实结构（简化抽象）

1️⃣ 华为

特点：

• 强技术纵深

• 强工程体系

• 强流程规范

• 职级和贡献强绑定

核心维度：

• 技术深度

• 架构能力

• 解决复杂问题能力

• 体系建设能力

2️⃣ 腾讯

特点：

• 强业务结合

• 强跨团队协作

• 强产品导向

核心维度：

• 技术方案落地能力

• 业务理解能力

• 跨部门推动能力

• 影响力

3️⃣ Google

特点：

• 工程标准化

• Code Review文化

• 影响力导向

核心维度：

• 系统设计能力

• 技术影响范围

• 提升团队效率能力

4️⃣ OpenAI

特点：

• 前沿研究导向

• 模型理解能力

• 解决未知问题能力

核心维度：

• 抽象建模能力

• 快速实验能力

• AI协作效率

5️⃣ Anthropic

特点：

• 强思辨能力

• 安全性

• 长期主义

核心维度：

• 风险识别能力

• 复杂系统推理能力

• 多维度思考能力

二、AI时代研发能力模型（重构版）

我帮你抽象成 6 个维度：

① 技术基础能力（仍然重要，但权重下降）

• 数据结构算法

• 架构理解

• 代码质量

• 性能优化

👉 权重：30%

② AI工具协作能力（新增核心维度）

• Prompt设计能力

• 代码生成验证能力

• AI输出审查能力

• 多模型比较能力

• 自动化工作流设计能力

👉 权重：20%

③ 系统设计能力（权重上升）

• 架构抽象能力

• 模块边界划分

• 数据流设计

• 可扩展性设计

👉 权重：20%

④ 问题建模能力（认知能力）

• 把模糊需求结构化

• 把业务转化为技术模型

• 拆解复杂问题

👉 权重：15%

⑤ 效率杠杆能力

• 提升团队效率

• 构建工具链

• 自动化程度

👉 权重：10%

⑥ 技术影响力

• 推动跨团队协作

• 技术布道

• 培养新人

👉 权重：5%

三、基于AI时代的职级划分（示例）

我们设计一个 L1 - L7 体系。

L1 初级工程师

特征：

• 会使用AI辅助写代码

• 能完成明确需求

• 需要指导

AI能力：

• 会用，但不懂原理

• 不能判断AI是否正确

L2 中级工程师

特征：

• 能独立完成模块

• 能验证AI输出

• 知道Prompt怎么优化

L3 高级工程师

特征：

• 能设计子系统

• 会设计AI工作流

• 能发现AI错误

L4 资深工程师

特征：

• 架构设计能力

• 能用AI提升团队效率

• 能制定编码规范

L5 技术专家

特征：

• 解决复杂跨系统问题

• 构建自动化工具链

• 提升组织整体效率

L6 首席专家

特征：

• 定义技术方向

• 设计组织级AI协作体系

• 决定技术演进路线

L7 Fellow级

特征：

• 影响行业

• 推动技术范式升级

• 参与底层模型或核心架构

四、AI时代的本质变化

传统：

谁写代码多 → 谁厉害

AI时代：

谁能定义问题 + 设计系统 + 利用AI放大效率 → 谁厉害

编程从“生产力”变成“验证力”。

五、给你朋友一个落地建议

如果你们公司要重做评级体系，可以：

第一步：把“写代码多少”从核心维度降权
第二步：增加“AI协作能力”考核
第三步：增加“效率提升贡献值”
第四步：明确“系统设计”大于“具体实现”

六、一个更现实的趋势

未来研发分为三类人：

1️⃣ 纯执行型（被AI替代风险最大）
2️⃣ AI放大器型（会用AI倍增效率）
3️⃣ 结构设计型（最有价值）

真正高职级的人，正在从：

技术专家 → 结构设计师 → 认知建模师

转变。