小白程序员必看：从支付宝AFX拆分看懂大模型时代前端工程师的未来！

支付宝AFX团队拆分，前端工程师转型Agent开发全栈工程师，标志着“纯前端”独立价值的退场。AI推动工种边界模糊，前端需提升业务理解、问题定义及AI编排能力，转型为“定义问题、编排AI”的角色。普通技术人应关注能力组合提升，而非单一工种标签，主动拥抱AI，拓展跨领域技能，以适应技术行业不断变化的趋势。

号称国内前端天花板的支付宝体验技术部（AFX）拆了。有人说「前端已死」这次终于应验。但真正值得琢磨的，不是前端有没有死，而是这个工种正在变成什么。

前言：从一条不算意外的消息说起

7 月底，一条消息在技术圈里传开：支付宝体验技术部（蚂蚁体验技术部，AFX）已于近期拆分，员工分散到支付宝各条业务线。

比「解散」更值得注意的是后半句——这些人的身份，从「前端工程师」变成了「Agent 开发全栈工程师」。

如果只看「大厂又一次组织调整」，这条消息平平无奇。但当主角是 AFX，味道就不一样了。因为这不是一个普通的前端团队，它一度被视作国内前端的天花板。天花板塌了，很多人自然会问一句：

前端，是不是真的凉了？

平时我把这类行业消息分享给同事，他们总会说我「太焦虑了」。但说实话，我关注这些变化，并不是为了制造焦虑，更不是想预言下一个会消失的岗位。

恰恰相反，我一直觉得：只有主动了解正在发生的变化，才能更早看清行业趋势，知道自己的能力该往哪里补、下一步该往哪里走。如果等趋势变成了所有人都能感受到的结果，再开始反应，往往已经晚了。了解趋势不是盲目跟风，而是让自己在变化真正到来之前，多一点判断，也多一点选择。

所以，这篇文章不打算贩卖焦虑，也不想强行安慰。我更想把这件事拆开看看：死的到底是什么，活下来的又是什么，以及作为一个普通技术人，我们该从中读出什么。

一、先把事情说清楚

先还原一下事实，避免被标题带节奏：

• AFX 被拆分，人员打散进各业务线，而不是集体裁撤；
• 员工的职能定位变了，从纯前端转向「Agent 开发全栈」；
• 团队的核心人物玉伯（王保平）早在 2023 年 5 月就已离开蚂蚁，先去字节飞书，后来出来创业。

所以准确地说，这更像是一个中台技术部门完成历史使命后的谢幕：主心骨先走，业务重心转移，AI 又重新划了一遍工种的边界，最后水到渠成地被打散。

它不是某一天被谁一刀切掉的，而是慢慢失去了单独存在的理由。这一点，比「解散」两个字本身更值得琢磨。

二、AFX 是谁？为什么它的解散格外刺痛

要理解这件事的分量，得先知道 AFX 在国内前端圈是什么地位。

它由玉伯在 2015 年创建。玉伯是蚂蚁当时唯一的 P10 前端专家，2008 年从淘宝 UED 起步，一路见证了阿里前端从「做页面的」成长为「用技术解决产品体验问题」的整个过程。

在 AFX 期间，这个团队产出的东西，几乎每一个前端都用过或听过：

• Ant Design——国内影响力最大的企业级 UI 组件库，撑起了无数中后台系统；
• AntV——数据可视化解决方案；
• Egg.js——企业级 Node.js 框架；
• 语雀——从内部工具孵化成对外服务的知识协同平台。

一句话：它是国内前端开源和工程实践的标杆之一，是很多人心里的「前端黄埔军校」。

正因如此，它的解散才格外有冲击力。如果是一个默默无闻的小组被合并，没人会多看一眼。但当那个定义了「前端能做到多好」的团队都不再单独存在，大家的第一反应就是：连它都撑不住了，那前端还有未来吗？

这种情绪可以理解，但情绪不等于事实。我们接着往下看。

三、「前端已死」，到底死的是什么

最近技术圈里有一句很扎眼的调侃：

这句话能迅速传播，不只是因为它足够扎心，也因为它说中了很多技术人的不安：AI 会写页面了，大厂又在拆纯前端团队，自己多年积累的能力是不是突然不值钱了？

但情绪越强烈，越需要把问题说准确。「前端已死」这个说法喊了很多年，每次喊，指的其实都不是同一件事。

没有死的是：

• 用户依然需要界面、交互和好的产品体验；
• Web、小程序、跨端、可视化这些技术领域并没有消失；
• 「把复杂信息组织成易于理解和使用的界面」仍然是一种重要能力。

正在退场的是：

• 「切图仔」式的纯执行工作——拿到设计稿，机械地还原页面、调整样式、拼接接口；
• 作为独立建制的「纯前端」组织——只负责技术链条中的一段，与业务、后端、数据和 AI 隔着一道道墙。

所以更准确的说法不是「前端死了」，而是：

前端作为一门手艺没有死，但「只会前端」这件事，正在失去独立存在的价值。

AFX 的谢幕，谢的是后者。它是一个时代组织形态的产物——那个「前端强到需要单独成军」的时代。当技术红利见顶、AI 又开始重划能力边界，这种高度专业化的中台建制，自然会首先被重新审视。

四、为什么偏偏是现在？因为 AI 推倒了工种之间的墙

时间点不是巧合。真正的催化剂，是 AI Coding。

前端恰恰是 AI Coding 最容易展示效果的领域之一。原因不难理解：

• 页面结构和组件模式相对清晰，重复性工作较多；
• 生成结果可以直接渲染，反馈链路很短；
• 开源项目和公开代码丰富，模型拥有大量可参考的模式。

这意味着，从明确需求到常规代码之间的距离，正在被 AI 快速压缩。过去需要从头手写的页面，现在可以先由 AI 生成，再由工程师校验和调整。

但这并不等于复杂性消失了。复杂性只是换了位置：以前主要难在记住 API、熟悉框架和完成实现；现在更多难在给足上下文、划清权限、连接真实系统、处理异常，并证明最终结果符合业务要求。

于是我们看到的不是「前端消失」，而是工种之间的墙被推倒：

• 前端工程师开始接触 Agent 工作流、工具接口和业务编排；
• 一个人借助 AI，可以跨越前端、后端、数据和自动化流程的部分边界；
• 「我只负责这一段」的分工方式，正在被「我对整个结果负责」取代。

AFX 员工身份的转变，就是这堵墙倒下时一个很直观的信号。这也不是前端独有的遭遇——Android、iOS、后端，谁都不能假装这件事与自己无关。

AI 真正压缩的，是单一环节中重复、可模式化的执行工作，而不是某一种语言、平台或者产品体验本身。

五、Agent 开发全栈，到底「全」在哪里

先说明一点：目前公开信息只告诉我们岗位名称发生了变化，并没有给出「Agent 开发全栈工程师」的完整职责说明。下面更多是我结合 AI 开发趋势做出的理解，而不是蚂蚁官方对这个岗位的定义。

传统意义上的全栈，强调一个人同时掌握前端、后端、数据库和部署。Agent 时代的全栈，不一定要求工程师把 Java、Go、数据库调优和运维全部重新学一遍，更像是一种以业务结果为中心的应用层全栈。

两种工作模式可以这样理解：

过去，前端通常在设计稿和接口文档都准备好之后进入流程，负责把确定的方案实现出来。现在，工程师可能需要从一个仍然模糊的业务目标出发，让 Agent 获取上下文、调用工具、串联多个系统，并为错误处理和最终结果负责。

这里的 MCP 负责让模型以统一方式发现和调用外部工具、数据与业务能力；Tool Calling 负责把模型的决策转化为具体操作；而我在《GPT-5.6 Prompt 升级指南：不是越短越好，而是别再教模型走路》中提到的「结果契约」，则负责说明 Agent 应该完成什么、不能越过什么边界，以及拿什么证明任务真的完成了。

当前端开发者开始连接这些环节时，他承担的就不再只是页面实现，而是业务目标、模型能力、工具系统和验收标准之间的连接工作。

过去的全栈，是一个人掌握更多技术；Agent 时代的全栈，是一个人借助 AI 对更完整的结果负责。

六、从「写页面的人」到「定义问题、编排 AI 的人」

工种之间的墙一旦倒下，能力的重心也会跟着转移：

这张表的重点不是说过去的能力没用了。扎实的工程基本功依然是底座，因为没有基本功，就无法判断 AI 给出的代码究竟是正确实现，还是一本正经地制造问题。

变化在于：当「实现」这一环被 AI 大幅加速，一个人的价值会越来越取决于实现之外的部分。你能不能识别真正的问题，能不能把模糊需求变成清晰约束，能不能知道哪些操作必须由人确认，又能不能通过测试、日志和业务数据验证结果。

换句话说，「会写代码」仍然重要，但它不再足以单独构成护城河。「知道该写什么、为什么这样写，以及写出来到底对不对」，正在变得更重要。

七、作为普通技术人，我该慌吗

说点实在的。看到天花板团队被拆分，慌一下很正常，但别停在慌的层面。与其猜测下一个消失的岗位，不如做几件更具体的事。

1. 别为一个「工种标签」焦虑，要为自己的「能力组合」投资。

把自己只定义成「前端工程师」或「Android 工程师」，标签一旦贬值就会很被动。更稳妥的方式，是把自己培养成「能把一类问题从需求到落地整体解决的人」。

2. 不要只在聊天框里使用 AI，试着打通一个真实闭环。

找一个日常工作中的小问题，让 Agent 读取真实上下文、调用一个工具、产出结构化结果，再用测试或人工规则验收。真正拉开差距的，不是会不会写几句 Prompt，而是能不能把 AI 可靠地放进工作流。

3. 横向多走一步，但不必盲目追求什么都会。

前端可以向接口设计、数据模型、Tool Calling、MCP 和可观测性多走一步；移动端也可以理解服务端链路和 AI 编排。目标不是把所有技术重新学一遍，而是打通离自己最近的那堵墙。

4. 把趋势当作坐标，而不是把每条新闻都当作判决书。

关注趋势，不等于每天被行业消息牵着情绪走。它真正的价值，是帮助我们定期校准：市场正在奖励什么能力？自己的工作中哪些部分正在被压缩？下一步应该主动补上哪块短板？

前端没有在一夜之间消失，变化的只是一种旧的组织方式和一部分旧的工作内容。技术行业会不断重划边界，这不是第一次，也不会是最后一次。

写在最后

AFX 的故事，其实是一个很典型的技术叙事：一个团队因为「前端强到需要单独成军」而诞生，又因为「AI 让单一工种的墙不再必要」而谢幕。它的兴衰，几乎完美对应了「纯前端」作为独立建制的一生。

所以回到最初那个问题——前端真的凉了吗？

我的答案是：作为一门手艺，前端活得好好的；作为一个可以躲在墙后、只管自己那一段的独立工种，它确实在退场。

一个时代的黄昏，往往也是另一种角色的黎明。与其纠结「前端还行不行」，不如问自己一句：当实现变得廉价，我还能为这个世界提供什么无法被轻易替代的判断？

想清楚这个问题的人，无论顶着什么工种标签，都不会太凉。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？