AI 浪潮下的锚与帆:工程师文化的变与不变 | 架构师夜生活

目录:
一、那些让程序员焦虑的"假消息"
二、我们理解的工程师文化
三、AI到底改变了什么
四、程序员需要学什么新技能
五、80后程序员 vs 00后程序员
六、最好的时代永远在前方

引言

公司食堂里,一个产品经理和一个程序员正在讨论一个让行业都焦虑的话题:

"AI 来了,你们程序员还有什么用?我直接对着机器说需求,它就能给我做出来,我还要你干嘛?你还要给我排期!"产品经理显得有些得意。

"你对它说的话它听得懂吗?它生成的代码你看得懂吗?出了 bug 你能修吗?"程序员反击道。

这个场景,可能正在全国无数个办公楼里上演着。

席卷而来的 AI 浪潮,让整个科技行业都感受到了前所未有的震动与变革。从 ChatGPT 的惊艳问世,到各类 AI 编程工具如雨后春笋般涌现,机遇与挑战扑面而来,兴奋与焦虑交织在每个从业者的心头。“我会被 AI 替代吗?”——这已不仅仅是程序员的疑问,更是整个时代抛给我们的共同命题。

在 6 月 25 日由腾讯云架构师技术同盟举办的《架构师夜生活》直播中,我们和几位资深技术专家聚在一起,共同探讨 AI 时代工程师文化面临的挑战与机遇。

希望在这股浪潮之下,本文能通过一群资深技术专家的深度对话,带大家拨开眼前的迷雾,对我们身处的当下和即将奔赴的未来,看得更真切、更清晰。

| 本文基于《架构师夜生活》直播整理,在保持原意的基础上进行了编辑优化。

关于嘉宾

一、焦虑的“真相”

1.1 美国大厂裁员,真的是因为AI吗?

从 AI 发展以来,一条条新闻不断刺激着科技从业者的神经:

"Meta 裁员 1.1 万人"、"亚马逊裁员 1.8 万人"、"微软裁员 1 万人"...这些硅谷巨头的大规模裁员,似乎与 AI 技术的快速发展形成了某种令人不安的时间重合。

更让人焦虑的是,AI 编程工具的能力正在以惊人的速度提升。GitHub Copilot 能自动补全代码,ChatGPT 能写出完整的程序,各种"AI 一键生成"的工具层出不穷。有人开始计算:如果 AI 能完成大部分编程工作,那还需要这么多程序员吗?

社交媒体上,"程序员 35 岁危机"的讨论愈演愈烈,"AI 取代 xxx"的话题屡上热搜。焦虑情绪像病毒一样传播,不仅仅是程序员,产品经理、设计师、甚至很多传统行业的从业者都在问同一个问题:我会被 AI 替代吗?

但事实真的如此吗?

1.2 推荐算法如何制造焦虑

"大家都被媒体给误导了。"C.C.(范维肖)直言不讳地指出了问题的关键。

"美国这一波裁员,根本原因是 2017 年的税法改革。The Tax Cuts and Jobs Act ("TCJA") 新税法规定,企业不能再把研发成本一次性抵扣,必须分 5 年摊销。这意味着今年 100 万的研发投入,只能抵扣 20 万成本,企业要多交很多税。最简单的办法就是控制研发支出,所以才有大规模裁员。"

这项税法改革成为了科技行业裁员的重要推手之一。原来,看似相关的两个现象——AI 发展和大厂裁员——实际上并没有很直接的因果关系。

"问题是,错误的信息传播得更快。"黄良懿补充道,"推荐算法喜欢推送能引发情绪反应的内容,'AI 要取代程序员'这种标题天然就比'税法改革导致裁员'更吸引眼球,大家看到的信息本身就是被筛选过的。"

这种信息错配带来的认知偏差,也是当前焦虑情绪的重要源头。

1.3 焦虑的真正原因:预期与现实的差距

作为一位从普通工程师到 leader、CTO,也曾经管理过数百人的技术团队,黄良懿对焦虑有着深刻的理解。

"焦虑其实有一个很简单的公式,"黄良懿总结道,"焦虑 = 预期 - 现实。你的预期越高,现实又很难改变,你就越焦虑。"

这个公式揭示了一个重要问题:在快速变化的时代,我们的预期往往是基于过去的经验,但现实却在加速演变。

"为什么 00 后会出现'躺平'文化?"黄良懿继续分析,"因为与其努力去追赶那些被社会不断抬高的预期,不如调整心态来得更容易。这不是网红现象,而是时代的缩影。"

他指出了一个关键的代际差异:70 后、80 后在成长过程中习惯了通过努力改变命运,因为他们确实通过技术这个行业获得了巨大的回报。但 00 后面临的是一个完全不同的环境——很多东西生来就有,信息获取也是个性化的,而不是统一的。

"在这种情况下,管理好自己的预期变得格外重要。"黄良懿建议,"更重要的是,要找到自己热爱的事情。当你对工作有使命感、意义感的时候,那个预期与现实之间的 gap 就会被这些看不见但真实存在的东西填补。"

二、我们理解的工程师文化

2.1 工程师文化的三个层面

当谈到工程师文化的本质时,C.C. 提出了一个系统性的框架:

"我觉得工程师文化由三个维度构成:第一是于自己,第二是于他人,第三是于公司。"

第一维度:于自己 - 尊重与要求"对自己的尊重和要求,这是工程师文化最内核的部分。"C.C. 强调,这种自我要求体现在对代码质量的执着、对技术细节的较真、对个人能力的持续提升上。

第二维度:于他人 - 信息素与认同"这是我们工程师之间的信息素。你见了一个人,喜不喜欢他?其实完全就是那种感觉。"这种特殊的群体认同感,让工程师们能够快速建立连接,形成协作关系。

第三维度:于公司 - 文化驱动的管理 C.C. 特别提到了 Amazon 和 Netflix 的例子:"公司推广工程师文化,是最低成本、最高效的管理公司的方式。没有任何一个组织去管理创新协作型的企业能用技术和制度保证。技术、制度、文化这三大法宝中,最高层和最有效的永远是文化。"

这个三维度框架为我们理解工程师文化提供了完整的视角,也解释了为什么这种文化在 AI 时代依然重要——它不仅仅是技术层面的,更是价值观和协作方式的体现。

2.2 对自己的要求:质量、优雅、坚韧

Jeff(揭光发)也进一步细化了工程师对自己的核心要求,用三个关键词来描述:质量、优雅、坚韧。

质量:交付质量是个人名片

"我一直跟团队强调,交付的质量就是你个人的名片。"Jeff 的语气中带着一种职业自豪感,"你做的需求运行得好不好,有没有问题,这关乎别人对你的评价。"

他坦诚地分享了自己的"质量耻感":"只要有业务或用户反馈一点点不好,我都觉得很难受,觉得挂不住面子。这可能听起来有点夸张,但我觉得这就是工程师的本能反应。"

这个看似微不足道的细节,反映了程序员对细节的极致追求。"我们是手艺人,"王晓波总结道,"所以我们也是注重口碑的。"

优雅:在约束中追求美感

Jeff 继续解释第二个关键词:"优雅包括架构设计的简洁程度、可扩展性,甚至各种维度的考量。如果你没有审美,没有美感,你就不会追求优雅。而追求优雅,意味着你要热爱这件事。"

但优雅不是为了炫技。Jeff 强调:"我们交付的是工业品,不是手工艺品。过度的'艺术性'可能会让代码变得不可复制,这对项目来说是危险的。"

一个流传在工程师圈子里的故事很好地诠释了这种优雅:某个工厂检测空盒子,复杂的设备总是出故障,后来一个老师傅拿了个电扇往流水线上一吹,轻的空盒子直接被吹走了。

"这就是优雅,"Jeff 笑着说,"不是技术越复杂越好,而是用最简洁的方式解决问题。"

坚韧:在困难中保持成长

"很多人 30 岁就开始喊焦虑,觉得已经见底了,没有精进的空间了。但其实不是这样的。"Jeff 分享了自己的体验,"我今年早就不是三字头了,但还是觉得有很多东西需要学习。如果你放松了,很快就会跟不上时代的洪流。"

这种坚韧不仅体现在技术学习上,更体现在解决问题的态度上。"真正优秀的工程师,大部分问题都能自己解决。当遇到实在解决不了的问题时,他们会想方设法找到办法,而不是轻易放弃。"

2.3 对他人:程序员的"暗号"和认同感

"程序员之间有一种特殊的'信息素',"C.C. 分享了一个令人印象深刻的故事:" 2016-17 年我在硅谷,在一个咖啡厅写代码。旁边一个人观察了一会儿,过来问我:'你的 CapsLock 也是 Ctrl 键对吗?'我说是。他说:'你是用 Emacs 的?'我说不是,只是觉得这样更高效,但我把它搬到了 Vim 上。"

"就因为这个话题,我俩聊了 4 个多小时。到最后,我们互相不知道对方叫什么名字,也没留任何联系方式,连邮箱都没有。但就是能聊起来。"

C.C. 还分享了他早期编程时的一个细节:"我 98 年开始写代码,还在上高中。那时候学习资源很少,我是买电脑报的合订本自学的。后来在论坛上认识了一个网友,他给我邮寄了几本学习 ASP 语言的编程书籍。我至今还记得他的名字叫杨党校,虽然后来再也没有联系过。"

这个故事体现了工程师文化中一个重要特质:愿意帮助他人。"我们这个群体有个特点,就是愿意把自己会的东西分享出来。为什么?因为只有这样,整个行业才能更快发展。"

王晓波进一步阐释了这种文化的深层含义:"程序员的本质是让世界数字化。我们每天面对的是真实的问题,代码不会撒谎,bug 总要有人修。这种直面真实的工作性质,塑造了我们直接、真诚的文化特质。"

2.4 为什么程序员爱分享?

黄良懿观察到一个有趣的现象:"为什么程序员愿意写博客?愿意开源代码?这看起来是在'教会徒弟饿死师父'。"

答案在于时代背景的改变。"以前市场就那么大,你教会了别人,可能真的会饿死师父。但现在不一样了,市场需求远远没有得到充分满足。每个人都能创造更大的生产力时,相互交流让每个人的生活都变得更好。"

C.C. 回忆起早期的开发经历:"2000 年代初,我下班后不愿意走,就看别人写的代码。那时候用 SVN 管理代码,我发现公司有个文化,就是别人会改你的代码,跟他的本职工作没关系,就是看着觉得可以改得更好。"

"那种感觉很奇妙,"C.C. 的眼中闪烁着怀念的光芒,"人与人的关系很近,大家都愿意看看别人的代码,也愿意让别人看自己的代码。公司有技术大神,我们会去看大神写得不好的地方,发现原来大神也有写得不完美的时候。"

开源文化的深层意义

这种分享文化最终催生了开源运动。Jeff 指出:"开源不仅仅是代码的开放,更是一种协作方式的革命。它证明了在合适的激励机制下,分布式协作可以创造出比任何单一组织都要优秀的产品。"

黄良懿补充道:"开源文化体现了工程师群体的一个核心信念:技术应该让所有人受益,而不是少数人的特权。这种理念在 AI 时代变得更加重要。"

2.5 程序员的使命:让世界数字化

王晓波提出了一个深刻的观点:"工具本身应该是加速生产力的,不可能让这个职业消失。程序员的本质是什么?我们在让世界数字化。"

他进一步解释:"我们不在乎写的是 Java、JavaScript、Python 还是 C++,我们解决的是如何让世界数字化的问题。这个使命不会因为工具的改变而消失。"

C.C. 也表达了类似的观点:"我们工程师的文化,最内核的部分是对自己的尊重和要求。这是不会改变的。"

真实与直接的价值观

在写代码时,我们要避免陷入错误,因为我们每天都在面对它。只要发现问题,就必须及时修复。”王晓波用这个例子说明了工程师文化的本质——注重解决问题和责任感。“这正是我们文化的核心所在。

AI 可以生成代码,但 AI 没有文化。文化是什么?文化是价值观,是做事的方式,是面对问题时的本能反应。这些东西,AI 学不会。

黄良懿进一步阐述:"工程师文化在 AI 时代不仅不会消失,反而会变得更加重要。因为当技术变得更加强大时,我们更需要有人来决定这些技术应该被如何使用,应该创造什么样的价值。"

工程师文化的内核——对质量的执着、对优雅的追求、面对困难的坚韧,以及让世界变得更好的使命感——这些都不会因为 AI 的出现而改变。相反,它们会成为指导我们使用 AI 的价值准则。

三、AI到底改变了什么

3.1 AI编程能力飞速提升

"最近这两年,AI 生成代码的速度和质量,几乎每半年就翻倍。"黄良懿分享了他的切身体验。

作为一位经常需要验证新技术的 CTO,黄良懿从 GPT-3.5 开始就一直在测试 AI 编程能力。"最初的时候,AI 生成的代码质量很差,调试修改的时间比自己写还要长。但从 GPT-4 开始,这个情况发生了根本性改变。"

他举了一个具体的例子:"我有一个练手项目,做数码相框的软件程序。从 GPT-3.5 到现在的各种 AI 工具,我都用它们来写过。最近 Cursor 取消了 500 条限制后,我发现基本上可以做到日产千行代码了。"

这个数字听起来很惊人,但黄良懿强调:"重点不是代码数量,而是质量的提升。现在 AI 生成的代码,在小规模项目中已经可以直接使用,而且能够考虑到一些基本的工程规范。"

Jeff 也有类似的观察:"我发现不仅是国外的工具在快速进步,国内的混元 CodeBuddy 这些工具也在快速迭代。很多完全不懂编程的人,现在都能通过 AI 做出不错的小应用。"

3.2 代码变"负债"?逻辑才是资产

王晓波提出了一个很有意思的观点:"在人类写代码的时代,代码是资产。但在 AI 大量自动生成代码之后,代码可能真的会变成债务,而真正的资产会变成人类对这件事情描述逻辑。"

这个观点初听起来有些反直觉,但仔细思考确实有道理。王晓波解释:"原来我们的逻辑存在代码里,我们认为这是资产。但现在,我们描述问题的逻辑反而成了资产,而代码可能变成了需要维护的负债。"

王晓波进一步提出了一个现实问题:"AI 生成的代码出了 bug,谁来改?"

"一定是人改,"黄良懿肯定地回应道。这意味着,虽然代码生成的效率提高了,但对程序员解决问题能力的要求并没有降低,反而在某些方面变得更加重要。

王晓波用一个比喻来说明这种变化:"就像工厂的自动化程度越高,对维修工程师的要求反而越高。机器能干活,但出了问题,还是需要真正懂原理的人来修。"

3.3 行业分化:小白+AI vs 专家+AI

Jeff 对行业未来的发展趋势有着清晰的判断:"我觉得会出现两极分化。一端是小白加 AI,可以完成中小型应用;另一端是资深架构师加 AI,处理大规模复杂系统。"

他进一步解释:"本来需要初中高级程序员才能完成的项目,现在可能小白用 AI 就能搞定。但是大规模、严肃的生产系统,还是需要非常有经验的工程师。"

黄良懿补充了一个重要观点:"这种分化能持续多久不好说,可能两年,甚至更短。但从另一个角度看,市场实际上变大了。原来只有程序员能做的事,现在更多人都能参与。"

这种观点在几位嘉宾中形成了共识:AI 编程工具不是在缩小市场,而是在降低门槛的同时扩大了整个数字化的应用场景。

四、程序员需要学什么新技能

4.1 新技能一:如何"管理"AI

Jeff 提出了一个新颖的视角:"现在我们跟 AI 合作,实际上是在带领 AI 团队进行协同。这需要我们提升的是 AI 领导力。"

他详细解释了这个概念:"过去我们自己写代码,现在你要带着 AI,就像带几个小弟一样。你要教它,告诉它你要做什么,质量要求是什么,如何验收。这本质上就是管理工作。"

Jeff 分享了一个生动的案例:"我最近经常在开会时给 Cursor 下指令,让它在后台跑代码,我继续专心开会。等到我可以分神的时候,再看看结果,给它下一条指令。整个过程的产出效率很高。"

这种"AI 领导力"的概念揭示了一个重要趋势:程序员的角色正在从纯粹的代码编写者转变为 AI 协作的指挥者和质量把控者。

4.2 新技能二:架构思维比写代码更重要

C.C. 分享了一个关键观察:"虽然 AI 能生成代码,但优秀的工程师、有架构意识的人,确实能做出更好的交付,项目的长期可维护性也更强。"

他举了一个具体例子:"当你的项目是 1000 行、1 万行代码时,AI 生成的代码可能都能正常运行。但当项目达到 10 万、50 万行时,没有良好架构设计的代码就会变得不可维护。"

黄良懿补充道:"很多规范性要求、接口设计、可测试性、可维护性的要求,是普通用户想都想不到的。这些需要专业训练和长期积累。"

Jeff 从管理角度分析:"这就是为什么在技术出身的管理者更容易成为 CTO。架构师需要最全面的视角,因为你对各个方面都了解,才能做好权衡取舍。"

4.3 新技能三:表达能力决定AI协作效果

一个有趣的现象是,AI 时代对程序员的表达能力提出了更高要求。

王晓波观察到:"以前程序员可能不太需要跟人打交道,但现在你要跟 AI '对话',这考验的是你的语言组织能力和逻辑表达能力。"

C.C. 分享了一个案例:"我见过一个产品经理和程序员的争论。产品经理说:'以后我直接跟 AI 说需求就行了。'程序员反击:'你说的话 AI 听得懂吗?'这个问题很关键,思维清晰、表达准确的人在 AI 时代反而更有优势。"

黄良懿进一步分析:"这种表达能力不仅仅是语言技巧,更重要的是逻辑思维能力。你能把复杂的需求分解成清晰的步骤,能把抽象的概念具体化,这些都是 AI 需要的输入。"

4.4 技术管理:不懂技术就out了

Scott Guthrie 的启发故事

C.C. 分享了一个让他印象深刻的经历:"2008 Scott Guthrie 来中国,他当时是微软负责开发工具的高管。"

"我去听 Scott 的演讲,他现场给我们演示 Visual Studio 的新功能。演示过程中程序崩了,然后他直接打开源代码,现场改 bug,改完后程序正常运行,继续演讲。"

这个故事让 C.C. 深受震撼:"他管理着 6000 多人的团队,50 多岁了,还能现场写代码、改 bug。这让我明白,技术和管理并不冲突,真正优秀的技术管理者都保持着对技术的敏感度。"

Jeff 补充道:"这个例子说明了一个重要问题:技术管理者不应该完全脱离技术。在 AI 时代,这一点变得更加重要,因为技术变化太快,如果你不了解最新的技术发展,很难做出正确的决策。"

无职权领导力

黄良懿提到了一个重要概念:"无职权领导力。这是指在没有正式管理权限的情况下,如何通过影响力让他人配合你的工作。"

他详细解释了这种能力的重要性:"在现代企业中,很多工作都需要跨部门协作。你不能靠命令,只能靠影响力。这需要三个核心技能:表达、倾听、共情。"

"表达是让别人清晰无误地理解你的想法,倾听是正确的理解别人字面上和潜台词里的需求,共情是站在对方角度思考问题和感受背后的情绪。这三个能力的组合,就能让你在没有职权的情况下推动事情的进展。"

C.C. 也分享了类似的体验:"我在做技术骨干时,经常需要推动其他团队配合。你不能用命令的方式,只能通过专业能力获得认可,通过沟通技巧达成共识。"

4.5 基础知识还要学吗?

关于是否还需要学习基础知识,王晓波用了一个生动的比喻:"每一个顶级咖啡师,都必须去看咖啡豆是在什么地方、什么环境下生长的。他不可能坐在办公室里看着咖啡豆就想出一款咖啡来。"

"同样,数控机床操作员其实就是程序员,但他们必须懂机械原理。编程只是工具,你还在做机械的活。"

C.C. 表达了类似观点:"如果我们还在做计算机相关的工作,那么计算机原理就是必须掌握的。这些基础知识的进一步发展,还是需要人来推动,而不是 AI。"

黄良懿补充道:"基础知识就像地基,AI 可以帮你建高楼,但地基必须你自己打牢。而且越高的楼,对地基的要求越高。"

AI 辅助学习的新可能

黄良懿分享了一个令人印象深刻的案例:"我身边有朋友用 AI 辅助学习,90 多天通过了 CFA 考试。这在以前是很难想象的。"

"重点不是 AI 替代了学习,而是 AI 让学习变得更加高效。它可以根据你的学习进度调整内容,可以回答你的疑问,可以帮你制定学习计划。"

Jeff 也表达了类似观点:"学习能力在 AI 时代变得更加重要,因为变化的速度更快了。但同时,学习的工具也变得更强大了。关键是要掌握如何利用这些工具。"

4.6 全球化视野下的新机会

中国程序员的全球优势

C.C. 观察到一个有趣的现象:"疫情之前,中国程序员要做全球产品,通常需要找外国人帮忙。但现在情况不一样了,中国程序员在 AI 领域的能力得到了全球认可。"

"特别是在 AI 时代,华人、韩裔这些亚洲程序员更被信任,因为大家觉得他们能把技术做得更好。"

黄良懿分析了这种变化的原因:"中国程序员有几个优势:技术基础扎实、学习能力强、工作态度认真。在全球化的 AI 时代,这些优势会更加明显。"

王晓波提到了一个重要趋势:"现在很多优秀的中国程序员开始向海外市场发展,不再局限于国内的 14 亿用户,而是面向全球 70 亿用户。这是一个巨大的机会。"

市场思维的转变

Jeff 指出了思维方式的重要转变:"以前我们总是盯着现有的蛋糕,但 AI 时代应该考虑如何把蛋糕做大。当编程变得更容易时,会有更多的需求被释放出来。"

C.C. 补充道:"我们这一代程序员经历过从无到有的过程,知道如何在蛮荒时代开拓。这种经验在面对新的全球机会时,会是很大的优势。"

AI 时代的程序员需要升级的不仅仅是技术技能,更重要的是软技能——沟通能力、管理能力、学习能力。那些能够适应这种变化的程序员,将获得比以往更大的发展空间。

五、80后程序员 vs 00后程序员

5.1 成长环境差异

王晓波提出了一个深刻的观察:"我们 80 后程序员走向这个职业时,面对的是一片蛮荒之地。00 后程序员看到的,已经是钢筋混凝土的高楼大厦。"

他详细解释了这种差异:"我记得很清楚,当时我不知道架构师和程序员的区别,问了很多人都没人能回答。但现在这些概念都很清晰了。我们经历的是从 0 到 1 的过程,00 后面对的是从 1 到 100 的挑战。"

C.C. 补充道:"这种差异不是好坏问题,而是时代背景不同。我们那时候有垦荒的兴奋感,每做出一个东西都觉得是开创性的。但 00 后可能觉得这些都是理所当然的。"

黄良懿从更宏观的角度分析:"00 后最大的不同在于,他们成年时移动互联网已经爆发,信息获取方式是个性化的。他们不像我们这样有统一的信息来源,而是千人千面的,这也让他们的成长轨迹更为丰富和多元。"

5.2 技术情怀在消失吗?

C.C. 分享了一个有趣的对比:"我们那个年代,两个程序员可能因为都喜欢 Vim,或者都把 CapsLock 改成 Ctrl,就能聊 4 个小时。但现在的年轻程序员,可能没有这种共同的技术情怀。"

Jeff 表达了类似的感受:"以前大家会主动看别人的代码,会写技术博客分享经验,会为了一个技术细节争论半天。现在这种氛围确实少了很多。"

王晓波分析了原因:"这可能是因为现在的技术栈更加标准化,工具更加成熟。很多东西都有现成的解决方案,不需要从头开始摸索。"

但黄良懿提出了不同的观点:"我觉得不是情怀消失了,而是表达方式变了。现在的年轻人可能更关注产品影响力,更关注用户体验,这也是一种技术情怀。"

六、最好的时代永远在前方

6.1 工程师文化不会消失

最后,几位专家达成了一个共识:无论技术如何变化,工程师的精神内核不会改变。

正如王晓波所说:"我们是那群让世界数字化的人。AI 的到来不是终结,而是新的开始。我们依然是那个相信技术能够改变世界的少年。"

真正的程序员永远不会失去对技术的热爱和对未来的好奇。这种热爱是超越工具和语言的,是一种改变世界的使命感。在 AI 时代,这种精神不仅不会消失,反而会更加重要。

6.2 市场在变大,机会在增加

从这场深度对话中,我们可以提炼出几个关键洞察:

AI 是工具,文化是根本。 技术工具会不断演进,但工程师文化的核心——对质量的执着、对优雅的追求、面对困难的坚韧——这些都不会改变。

焦虑来自对自身价值的不确定。 黄良懿的公式"焦虑 = 预期 - 现实"揭示了问题的本质。当我们重新认识程序员的价值时,就会发现 AI 不是威胁,而是助力。

代码可能变成负债,逻辑才是资产。 这个观点提醒我们,真正重要的不是写代码的能力,而是解决问题的思维。

行业会分化,但市场会扩大。 Jeff 预测的两极分化趋势表明,虽然某些岗位可能会消失,但新的机会也在涌现。关键是要站在变化的前沿,而不是被动等待。

6.3 保持那份改变世界的热爱

程序员不仅仅是一个写代码的人,更是一个用技术改变世界的人。你的价值不在于能写多少行代码,而在于能解决多少现实问题。你的意义不在于掌握多少种编程语言,而在于能为人类社会创造多少价值。

AI 时代的到来,不是要消灭程序员,而是要让程序员变得更强大。它让我们从重复性劳动中解放出来,去专注于更有创造性的工作。它让我们的想象力得到更好的工具支撑,让我们的梦想有了更大的实现可能。

在技术的洪流中,愿你我都能保持那份最初的热爱,继续做那个用代码编织未来的人。

最好的时代,永远在前方。

相关推荐

大模型的Agent Skill功能,在LLM HTTP底层交互流中是怎么承载的?

网络文章文本的 skill,昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用,我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills,是如何在底层的 HTTP 中,与大模型——这个只会嘴遁的工具交互的呢?

QcloudCommunity的博客 407

万字入门AI Infra:深入理解大模型中的数学与Infra优化

关注腾讯云开发者,一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ~~ 不到 5 万字,带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕,我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了,而我则是因为无知者无畏。不过仔细想想,大模型推理中的数学逻辑确实不复杂,很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢?本文将拆解大模型中几个核心操作(RMSNorm、Softmax、Causal Mask、Sampling)背后的数学与

QcloudCommunity的博客 1169

平平无奇的源码,竟藏着Agent的核心秘密?

System Prompt 是剧本,Skill 是剧本的扩展包,Agent Loop 是演员按剧本行动。欢迎留言,我们将邀请作者针对性回复你的评论,我们将选取1则优质的评论,送出腾讯云定制文件袋套装。,让 Agent 能主动"巡逻",而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线",任何 Skill 或用户命令都无法覆盖它。精华 2:Skill 的"按需加载"避免 token 浪费。精华 1:System Prompt 是"分层乐高积木"

QcloudCommunity的博客 426

QQ音乐Harness Engineering实践

一个看似简单的需求,背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码,真正的瓶颈就不再是"写不出来",而是"看不完、想不清、管不住"。在对话式编码阶段,一种典型的工作模式逐渐流行:开发者把需求丢给 AI,扫一眼输出"看起来对"就直接采纳,不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例,一个需求可能从 TAPD 单开始,经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线,最后才进入稳定运行。

QcloudCommunity的博客 716

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 719

让Skill自己训练自己:8阶段Loop、3层评测、5维AND门控,从此实现自进化

所以每一轮改动都是有据可查的,不是「感觉这里可以优化」,而是「Case 41 挂了,因为 agent 把离职问题路由到了邮箱分类,但正确答案在通讯录,所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的,不是这的个「吸收」过程,而是它真的在替我探索我不想费脑力触达的边界,这看起来更像是一个机器智能应该有的样子。不准跨层,每轮只改一层的东西。但我经过这 19 轮之后觉得,更准确的描述是互补——你在明处看着,AI 在暗处替你试错,你看不见的那一半就是 AI 能贡献的地方。

QcloudCommunity的博客 1128

只加两行代码,为什么要两天?一文深度理解业务系统的复杂性

关注腾讯云开发者,一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间,而是在增加一个需求后带来的蝴蝶效应:其它功能会不会受到影响、要如何去找到这些影响,最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么?程序员日常工作中应该如何提升开发效率?敏捷开发、瀑布流式开发孰是孰非?欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候,我所在团队 Leader 曾讲过一段话:“我担

QcloudCommunity的博客 713

从零设计生产级 Multi-Agent Harness:架构、评估、记忆、成本与 MCP 工具接入全拆解

在 AI Agent 领域,Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三,Agent 路由。一个输入框,一个大模型,几个工具,一段写得很漂亮的 System Prompt,再配上一个炫酷的前端,看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

QcloudCommunity的博客 710

拆完Hermes源码,我发现Agent的“自我进化“根本不需要训练模型

两个月 5.2 万 Star,Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重,只改"怎么用模型"的策略。OpenClaw(社区昵称"龙虾"🦞)是 2025-2026 年最火的开源 Agent 框架,30 万+ Star,插件市场 ClawHub 里有数千个插件,能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的,Memory 是英语写的,审查 Prompt 也是英语写的。

QcloudCommunity的博客 911

AI Infra 其实没有多少新东西

传统 Infra 追求横向扩展,而 AI Infra 呈现 “AI 大型机”特性,是因为传统后台服务的可以容忍毫秒级延迟,但 AI 集群不行,GPU 的算力是 CPU 的数百倍,微秒级的延时等待也会造成很大的算力损耗,需要硬件的高度集成。在可预见的1-3年的未来,这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似,模型推理的批处理就是将多个输入样本打包(batch),将原本串行的 N 次轻量的推理计算,合并为 1 次重量的计算,实现单位时间内处理更多的请求,提高了 GPU 利用率。

QcloudCommunity的博客 826

程序员越早想通这些越好

永远没有正确架构,你永远无法偿还完所有的技术债务,如同你永远不会设计出完美的界面,请避开完美主义的陷阱,永远没有完美的代码,能够满足当前需求,又为未来不管是自己还是他人留有扩展空间,就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中,这就需要用户自定义类型,如果你的代码中包含类似 trader portfolio 这样的概念,你就可以使用他们的名称来建模,而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看,代码里的注释都是补丁,是碎片化的,局部的注释很难推导模块整体的顺序及耦合关系。

QcloudCommunity的博客 466

RAG已死?不,是Grep回归了!

这样一来可以直接复用已有的计算缓存,只为新增的增量部分付全价,前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的:Grep(默认模式)→ Read 是最常见的路径,但 Grep(content 模式)可以独立使用,LLM 也可以直接调 Read(如果已经知道文件路径),或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史,不继承主对话的消息,这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里,主对话只收到一段总结性的文本结论。

QcloudCommunity的博客 576

深入浅出Harness Engineerring之核心模式与理念

在智能体生命周期的关键节点(如会话开始、工具调用后)自动触发预设动作(如代码格式化),由系统确保关键流程被执行,不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术,来实现模糊检索,原理是:即使字面不同,但语义相近的文本,其向量在数学空间中的位置也很接近。根据命令类型、参数和影响,自动评估其风险等级(安全、有风险、危险),并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身,允许你改变、允许情况复杂,通过不断观察、思考、调整,越来越懂真实的你。

QcloudCommunity的博客 625

Harness Engineering实践心得:如何高效驾驭AI?

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图,我的PM会很顺利的调度其他agent分别负责不同的事项,遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做",Skill 管"怎么操作",MCP 管"能看到什么、能碰到什么"。

QcloudCommunity的博客 843

从第一性原理思考 Agentic Engineering

需要注意的是,这一结论是有条件的:如果 AI 缺乏领域知识,过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给(实践 1)是 AI 全链条参与的前提,而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正(用户否定了 AI 的输出并给出了正确方向),它自动评估这个错误的根因,搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上,越是复杂的项目,工程师的认知负担越重(公理 3),AI 分担认知负担的潜在边际价值也越大。

QcloudCommunity的博客 757

万字干货!Harness Engineering如何工程化落地?

关注腾讯云开发者,一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了,全网很多文章基本都是在讲理念,讲为什么今天做 AI 开发,不能只靠一段提示词,也不能把模型当一个“更聪明的代码补全”。但与此同时,一个问题也在持续地发酵:这个问题特别重要。因为 Harness 这个词听上去很大,很像一个抽象的方法论,但它如果不能落到工程、目录、文档、脚本、工作流里,那它最后就只是一句漂亮的话。事实上,不同项目落地出来的 Harness,表面上可能完全不一样。有的项目是 CI 很强,有的

QcloudCommunity的博客 1171

全方位对比:Hermes VS OpenClaw

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人,现在可以快速构建一个垂直领域的AI助手:比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes",直接通过微信提供服务,积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成,需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

QcloudCommunity的博客 1218

一文讲透:Harness Engineering即控制论!

而研发模式的升级我认为将会是一个飞跃的过程,之所以现在我们仍然需要需要参与编码,一个非常大的原因就是缺乏传感器和基建,仍然需要人来串流程,比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范,因此在有些场景我们仍然感觉 AI 完成的很吃力,但这不是 AI 能力不行,而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾,如果质变中经历的中间过渡态是不稳定的,那么他就是一个飞跃的过程,如果中间过渡态是稳定的,那么他就是一个渐变的过程。但是这些阶段要解决的。

QcloudCommunity的博客 1204

神级开源插件!一句话让QClaw变3D小镇,Agent工作可视化,赛博云监工

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩,后面我停下来换了思路,推翻原有的架构,按照“意图+回传”的架构进行重构,之前的问题一次性全部解决。15 天,我和 AI 吵了 185 次架, 4.5 万行代码,开发了一款 QClaw / OpenClaw 的UGC游戏插件,这可能是人类跟 Agents 交互的新范式,插件已完全开源,有需要的欢迎自取~我天天用,用着用着我就在思考,Agent 产品现在的交互体验,基本都一个样。

QcloudCommunity的博客 1197

一文搞懂Hermes:新顶流Agent如何从经验中自我进化

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent,它提出了 "Skill Library"(技能库)的概念——Agent 将成功的行为序列编码为可复用的技能函数,存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准,或者用户的任务描述与 Skill 的触发条件有语义差距,Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃,目标文件要么是旧内容(还没被替换),要么是新内容(替换已完成),绝不会出现写了一半的损坏文件。

QcloudCommunity的博客 2637

自掏腰包一万元,拥抱AI这一年,我的工具、实践和思考

其实也很好理解,过往的每个领域(比如前端、后端、设计、测试等等)都主要是这个领域的从业者在为它添砖加瓦,但是大模型时代的 AI 应用领域却几乎是所有使用 AI 的人类一起在迭代,无分领域,无分文理,无分老少。因为每个时期的 AI 都有着不同的特点,很多时候当我费尽心思去钻研,自以为有点弄明白 AI 应该怎么玩的时候,基座模型和行业范式常常就会迎来颠覆式的变革,很多过往的经验都会倾覆,然后只能从头再来。过去一年多,被热议的 AI 范式大概是沿着四个阶段递进演化,每一个阶段其实都在解决前一个阶段的核心问题。

QcloudCommunity的博客 627

办公Agent的CI/CD时刻到来了

核心观点是:企业给员工配了一堆 AI 工具,试点跑了几百个,但真正拖慢 AI 转型速度的瓶颈不在模型能力,在"最后一公里":AI 输出和实际工作流之间的那道鸿沟。代码写完,打个 tar 包,开 FTP 传到服务器上,SSH 进去解压,改配置文件,重启服务,刷一下页面祈祷别 500。你复制,切窗口,粘贴到腾讯文档里,发现 Markdown 格式全乱了,手动调标题层级,代码块重新标记语言类型,表格散架了重排一遍。模型是越来越聪明了,但"生成"到"落地"之间那段路,还是你自己在走,一步一步,手动搬运。

QcloudCommunity的博客 608

4亿token买来5个教训:让6个AI Agent连写4天代码发生了什么?

Watchdog 检测到崩溃 → 启动诊断 Agent 分析原因 → 诊断 Agent 跑满 20 轮没搞定 → Watchdog 判定“已修复”,重启系统 → 重启的系统因为诊断 Agent 留下的环境变量被继承,连续 3 次拒绝启动 → 触发连续失败保护退出 → Watchdog 第 3 次巡检,发现进程和记录文件都没了,尝试手动重启,自己也停了。启动前我翻了论文、做了架构设计、写了监控+修复异常的脚本。这个发现让我的情绪从沮丧变成了兴奋——不是那种"终于修好了"的释然,是"我找到根因了"的快感。

QcloudCommunity的博客 584

赛博斗蛐蛐:9大模型决战三国志,天命在谁?

我猜是这样的,当Gemini面临决策的时候,一系列关键词比如 守城,劣势,粮草,三国等等,在语义层面的关联性中LLM发现了竖壁清野这个关键词概率非常高,所以以此为策略,然后再根据这个策略完美执行操作。MiMo 的外交是三方中最精明的。Kimi作为国产模型,也同样颠覆了我对他的看法,最后的比赛他甚至一度是优势者,存在很多夺冠的可能性,要知道他的对手可是claude和gemini,而他经常出兵慢,回过头来想想或许正是他的策略,毕竟中后期他的优势都来自于稳健的发展和较少的战斗频率(和claude比).

QcloudCommunity的博客 875

Claude Code是怎么知道你在骂他的?这 12 条发现值得关注

确实存在——5,500+ 行,集成了消息队列、工具装配、MCP 编排、会话状态、权限、分析、文件持久化和优雅关闭,基本上一个文件干了所有事。对抗虚假声明——"不要在输出显示失败时声称所有测试通过,不要压缩或简化失败的检查来制造绿色结果"。完整的 KAIROS 是一个持续驻留的守护进程,能感知你在不在电脑前、主动寻找有用的工作做,更像是住在终端里的全职同事。源码里藏着一个叫 "Buddy" 的电子宠物系统,完整度令人惊讶——这不是一个 TODO,而是一个从数值系统到 ASCII 动画都实现了的完整功能。

QcloudCommunity的博客 701

逆向深扒Claude Code源码,我发现了什么!?

Anthropic 内部用户获得更严格的质量控制 prompt、更好的验证机制(独立 Verification Agent)、以及针对 model 弱点的专门对策(如 Capybara v8 的 29-30% 错误声明率对策)。这不是代码混乱的标志——它是整个 Agent Loop 的心脏,所有的流式处理、工具调度、上下文压缩、子代理管理都在这个文件中协调。这种"胖核心"设计是刻意的:保持核心循环的原子性,避免分散到多个模块导致的协调复杂度。核心价值:Fork 代理的工具输出不会回到主代理的上下文窗口。

QcloudCommunity的博客 892

一文讲透如何构建Harness——六大组件全解析

本文将从"裸模型的四个硬伤"出发,逐一拆解 Harness 的六大组件——文件系统、Bash + 沙箱、记忆(AGENTS.md)、Web Search + MCP、上下文工程、编排 + Hooks——带你看清 AI Agent 真正的竞争壁垒,不在模型层,而在 Harness 层。如果你用过 Agent 做复杂任务,你一定有过这样的体验:一开始 Agent 的表现很好,但随着对话变长,它开始"变笨"——遗忘之前的约定,重复之前犯过的错误,甚至对同一个问题给出前后矛盾的回答。对于简单的问答场景,这无所谓。

QcloudCommunity的博客 761

Harness Engineering 来了,SDD 还有意义吗?

他们的解法是把「品味」编码进规则,然后用一个定期运行的「doc-gardening」Agent 自动扫描漂移、发起修复 PR——「技术债务就像一笔高息贷款,不断地以小额贷款的方式偿还,总比让债务不断累积要好」。代码仓库本地的、已版本化的工件,才是 Agent 所能看到的全部。在 Vibe Coding 模式下(即不做规划、随意向 AI 提需求的开发方式),大量设计决策、跨服务约定、「为什么不选另一个方案」的讨论,全部停留在一次性的 AI 对话里——下一个人,或者下一次 AI 会话,完全无从获取。

QcloudCommunity的博客 419

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 711

距离AI把小编我裁掉还有72小时

这是一个基于 OpenClaw 开源生态打造的本地化 AI Agent 助手,已于上周开启全量公测,无需复杂配置,三步即可上手,自带安全防护,支持微信直连绑定,内置多款优质国产大模型,现阶段也是完全免费使用,基本上前面提到过的痛点都可以靠它解决。对了,这里特别强调一点,上面的截图让产品同事汗流浃背,再三找我确认 QClaw 思考过程中优美的“草”字说法,不会是默认出现的吧?AI 好,AI 得学,但更重要的是,在你的工作和生活里,哪些东西是能结构化地被 AI 所接入的,不要死守着那些脏活累活不放。

QcloudCommunity的博客 674
上一篇: 程序员核心竞争力:怎么做需求才能有成长?
下一篇: 每个程序员都应该了解的GPU工作原理:从硬件到架构
腾讯云开发者
腾讯云开发者 企业官方账号 企业官方账号
博客等级 码龄10年 6291粉丝 1962原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值