留给初中阶程序员的时间不多了-优快云博客

AI 的发展速度远比想象的快，程序员需要重新定义自己的价值，从代码的「制造者」转变为AI的「引导者」和「创新者」。未来一片光明，焦虑毫无意义。

我们正在经历一场百年不遇的技术大变革，过去需要一整个工程团队通力才能完成的复杂工作任务，现在可能只需要一位技术专家搭配合适的辅助编程软件 —— 如 Cursor，就可以在短时间内完成。这背后是生成式 AI 正以前所未有的速度渗透并重塑软件开发的各个层面，全面提升软件开发效率，而这必然引发了一种广泛的焦虑：曾经赖以生存技能似乎正在被快速迭代的 AI 工具挑战，程序员的职业护城河似乎变得摇摇欲坠，在新技术革命下，谁能活到下个黎明呢？

AI Coding 现状

这一轮生成式 AI 革命，要比过去所有计算机技术革命都来得快、来得猛，从 ChatGPT 3.5 开始，到 Gemini，到 Claude，模型一个比一个强，迭代一个比一个快，说是“瞬息万变”都不为过。例如，Anthropic 最新发布的 Claude Opus 4 模型，甚至已经能拿下 SWE-bench Verfied 72.5% 的高分，这意味着AI能够独立解决超过7成的真实编程问题，剩下3 成才需要人工介入！这是何等恐怖的数据。

直观地说，这个模型已经能够独立完成日常编码场景里的大多数常规页面开发、解决工程问题、自动生成单测并修复常规 Bug 等，虽然它还无法从零到一在毫无人力介入的情况下独立完成完整应用 —— 毕竟专业的软件工程里还涉及复杂的需求分析、功能设计、交互设计、发布运维等节点，但单就“编码”能力而言，Claude 等模型在体感上恐怕已经超过一般的工程师。

更可怕的是，在模型日新月异的迭代之外，业界还在结合工程手段积极创造进一步提升编码效率的方案，例如比较成熟的 Cursor、WIndsurf、Cline 等辅助编码类工具，能切切实实代替人类完成许多重复性或中低阶编码任务，而且全程基本由“粗糙”的自然语言驱动，响应也特别快。结果就是，同样的需求由有经验的工程师搭配这类工具，工作效率相比于经过复杂沟通之后交付给初级工程师协作完成，要高出许多，这就很大程度挤压了初、中级工程师的生存空间了。

但这还没完，事实上许多公司正在尝试创造一些能部分代替人类工程师的完全自动化编码工具 —— 甚至是 Agent 集群，且不论真实性与具体效果如何，这种趋势可谓是蔚然成风了：

阿里巴巴在内部高调推行 AI 编程，让自家的代码助手“通义灵码”正式上岗（员工号 AI001），并透露未来公司 20% 的代码将由 AI 编写(出自此文: https://news.qq.com/rain/a/20240402A0982400)；
百度同样宣布其 AI 代码助手 Comate 已经产出公司四分之一的代码，且推广到一万多家企业使用，平均代码采纳率超过 50%(出自此文: https://news.qq.com/rain/a/20240403A05BY100)；
微软方面也在加速拥抱 AI，据报道微软内部已有大约 20%-30% 的代码由 AI 生成，公司高层反复强调要“利用人工智能提高工程等岗位的生产率”，甚至将此作为近期裁员、精简团队的策略之一(出自此文: https://finance.sina.com.cn/roll/2025-05-18/doc-inewymyy8835003.shtml)；
。。。

这种局面将导致两个结果：

低水平、重复性的编程工作非常容易被 AI 替代，一个技术专家搭配 AI 工具就能抵得上之前 3-5 人团队的生产效率 —— 而 AI 工具的成本要比“人”便宜的多，因此在出现新的商业增长点之前，许多科技公司已经不需要那么多程序员，就业市场体量必将缩小；
未来(其实当下已经是)工程师角色的主要职责必然发生极大转变，多数时候不再聚焦于具体编码，而转换为“ AI 指导者 + 质检 + 软件项目管理”角色，相比于纯粹的编码，这些新的职责需要站在更高维度 Review 人与 AI 协作的过程与常务，因此反而更需要深厚的计算机功底、泛计算机知识、编码与软件工程经验等等。

但这就延伸出了先有鸡还是先有蛋的困境：操作 AI 需要更高维度的能力，但 AI 在提升软件工程效率的同时也在不断抬高计算机行业的入职门槛，多数新人或资历较浅的工程师正被 AI “替代”并挤压出劳动力市场，这些新鲜血液并没有机会与实践积累足够经验与技能。我认为，结果将很悲观地导向一个被说烂了的词：马太效应，当下具备深厚计算机知识且熟练使用 AI 编码的人将获得更多的职业机会与实战经验，逐渐成为“超级个体”，而经验薄弱且并不熟悉 AI 工具的新手越来越难以获得高价值的项目经验，职业窗口可能会越来越小。

未来 3-5 年的就业趋势

过去几年，许多互联网公司都在研究所谓“去肥增瘦”，某种程度上就是意图通过优化流程、工具等方式提升单位生产力，再去除不必要的组织“负担”，达到降本目的。而这一波 AI 发展算是送上了一把最最锋利的刀，毕竟使用得当的情况下，一个人已经能顶一个团队来使，在存量市场与经济整体低迷的大环境下，这必然会引发大幅度的岗位紧缩潮。

虽然从过去社会发展经验来看，技术创新整体是“向善”的，在“未来”必然会创造出更多新岗位 —— 例如马车被汽车替代后，虽然马夫职业消失了，却衍生出汽修、汽车工程师等职业；AI 的发展也很可能会延伸出“AI 训练师”、“AI 应用体系设计”等岗位。但当下在没有找到新的商业增长点之前，经济上最理性的优化策略必然是进一步“去肥增瘦”，执行更严格的“节流”策略，这就意味着短期内行业很可能还会处于较大的下行压力。

可以说，所有程序员都必将受这一波 AI 革命所影响，虽然除了算命先生外谁都无法预测未来，但按照上述“马太效应”大致可以推断出一种命中率比较高的发展模型：螺旋向下。如果我们将业内所有程序员按经验与技能水平笼统归类为一个金字塔模型，大体上可以总结为：

顶端是那些具备丰富经验，是某些技术方向公认的行业专家，有能力突破技术极限，创造新的技术方法；
第二层是高度专业的职业技术人(or 技术经理)，有能力带领团队克服各种工程、管理、技术问题，完成复杂项目开发，在各大尖端科技公司都是名副其实的领导者；
第三层是具备较丰富项目经验，某些技术上的熟手，能够遵从指示在既定上下文下将需求转换为可运行的系统组件，在多数公司中都属于中流砥柱角色；
第四层是具备一定编码经验，但需要较多外部协助才能完成上下游对接或模块开发任务，通常是工作经验在3-5年左右的群体；
而底端可能是刚从高校毕业，还没有多少实际项目经验但有一定发展潜力的新鲜血液；

那么在 AI 普及之后的未来极有可能出现向上的路径会越来越窄，不得不逐层向下挤压的趋势：“中级”工程师的效率会被大幅提升，许多重复性低价值的工作不再需要依赖“新手”支援，首先将大部分新手排挤出行业之外 —— 这是当下正在发生的事儿；同时大部分“熟练者”将承担更多开发工作，在 AI 模型与应用层进一步成熟之后，熟练者在弱监督的情况下就能独自完成复杂、大型系统开发，中级工程师又会部分地、逐渐地被排挤出体系之外。整体形成一种螺旋向下的发展趋势，毕竟“一个年薪 10w 的工程师，可能真的比不上月薪 20 刀的 Cursor”。

不要觉得这是危言耸听，资本都是逐利的，要么开源要么节流，在行业已经普遍验证、认可了 AI 编程能力，工程师个体效率被极力放大的情况下，大概率会倾向于将成本方在研究怎么更好地使用 AI 继续提升效率，而不是招募更多工程师。

不过，这都是基于“存量”思维推导出来的结论，事实上我们也很容易推导，或者观察到一个新的巨大增长点：AI 以及 AI Agent 方向，基于此，我认为未来有两个比较稳妥的破局方向。

破局一：AI + 计算机专家

如上所述，AI 的发展迭代必然会代替人工完成大多数重复且复杂度并不高的工作，但这里面有一个隐含前提 —— 或者说当前阶段还必须具备的条件：需要一位经验足够丰富的工程师指导 AI 正确完成编码任务，并 Review 对应代码识别出可能存在的缺陷给予恰当的修正。

那么自自然然地可以推导出，业界还是需要经验丰富，有专精方向同时又有较广泛的计算机知识储备的高级工程师，我个人甚至觉得，无论 AI 模型如何迭代发展，都不可能做到 L5 级别的全自动编码，始终需要这么一个角色，才能真正生产出企业级的应用程序。简言之，行业已经不需要那么多“人力”，但依然需要高端人才。

虽然留给大家的时间可能不会很多，但“技术专家”这个方向至少还是一条比较妥当且保险的职业发展路径，向后承袭已有知识储备，不会出现 Breaking Change；向前按已有的学习方式，继续沉淀更多、更深、更广的计算机知识，逐渐向上突破能力边界并成长为某个方向的技术专家。

不过，这个方向所需要的能力模型可能与过去我们所理解的形态有一些些差异，具体来说：

技术基础：我们依然需要深度掌握各种框架、工具的应用与底层原理 —— 甚至比过去的要求还要高出许多，否则你无法识别出 AI 生成代码的潜在缺陷，也就无法从编码阶段遏制质量风险；
AI学习与应用能力：在具体的技术方向之外，还需要熟练掌握与 AI 交互的能力，具体来说就是对各类 AI 编程工具的应用能力、对模型的熟悉度、Prompt Engineering 等等，本质上就是能更快更好地批量生产出满足需求的代码；
顶层抽象与架构设计：AI 虽然能够顺利接手具体编码工作，但目前依然无法设计出更具扩展性与可维护性的架构 —— 毕竟它没法儿预测现实世界未来会发生怎么样的变化，也没法预测你给出的几句简单 Prompt 背后可能潜藏着怎样的扩展需求，因此工程师的注意力必然从编码转移到更高维的架构抽象与设计上，基于业务本质定义出稳定的技术架构和灵活的扩展路径。举个例子，过去我们可能需要纠结用怎样的代码实现插件架构，但未来我们更需要从各种架构模式中选取出更适合需求场景的插件架构设计。不过，这并不意味着编码变得不重要，这依然是最重要的基本功；
泛计算机知识：最近出现了一个比较火的词：技术平权，大致上是因为 Cursor 等软件出现之后许多并没有编程基础的人也能借助这类工具迅速搭建出产品原型，技术结果变得唾手可得，技术本身不再阻碍创意落地。这个词同样适用于技术领域，假定你是一个前端工程师，即使之前完全没接触 Go、Supbase、Docker 等技术栈也能借助工具迅速写出相关代码 —— 但也仅仅是“写出”，远达不到“优秀”水平，因为你并不具备对这些技术点的甄别能力，为此需要放下预定角色的约束转而尽可能拓宽你的技术边界，更广泛地学习好各类计算机技术；
适应能力：依然是基于“技术平权”逻辑，当技术不再阻碍创意落地时，你在职场里的角色大概率会经常发生变化，从前端到后端到运营，甚至到模型训练，都有可能。“角色分工”逻辑依然成立，但个体所对应的“角色”却很有可能因为这样那样的商业因素经常变动，我最近半年已经见证过许多这类例子了。诚然能长期 Focus 在一个自己感兴趣的领域里是一件很幸运的事情，但在这个大变革时代，这并不是普通打工人所能把控的，因此我更建议工程师们可以打开自己的边界，放下“角色”预设，接纳一切合理不合理的变化，然后在新的角色里借助 AI 工具做好商业产出，不要一味“绑死”在某个技术角色里白白失去职业上升机会。
工程化能力：相比于人类，AI 的产出要快出许多，能在几分钟内生产出大量内容，主打一个量大管饱，但缺陷也很明显：不够稳定，你无法预测下次改动会不会导致系统 Crash 或引入一些隐晦的 Bug，因此需要及时验证结果的正确性。具体的解决方案有很多，例如代码 Code Review、回归测试等，但这些方案都比较依赖人力，验证的速度很可能跟不上 AI 生产的速度，更好的方案是搭建一套完善的自动化质检体系，以尽可能低的成本、尽可能快的速度验证结果的正确性 —— 这正是“工程化”所擅长的范畴。具体来说，可以在合码、发布等关键节点上设置若干卡口，执行完整性检测、类型检测、单测、E2E 测试、性能防劣化检测等任务，确保代码质量。总之，AI 解决了代码生产效率问题，而工程化则能有效解决质量验证的效率问题，可以预料未来行业内会越来越关注在这方面的投入；
等等吧。

絮絮叨叨了许多，关键点在于：“替代你的不是 AI，而是那些更会用 AI 也更懂计算机的人”，既然如此，那就顺应时代，成为 AI + 计算机专家吧。

破局二：AI Agent 开发工程师

我始终坚定地相信着一个论调：“AI 必然会重构所有行业，就像上一轮信息化改造一样”。AI 的最大作用就在于它能真正实现知识与技能“平权”，这种平权意味着即使从未受到过相关训练的人“可能”也可以一定程度胜任某个专业领域里面的某些具体任务 —— 甚至比专业人士更快完成任务，例如我本身是一个从未学习过平面设计的纯程序员，却能借助 Lovart 设计出一些足够满足我需求的插图：

这无疑在引诱世界上各种极具创造力的人，想方设法将 AI 带到各种具体行业、具体场景里实现“平权”与“提效”，而上位者自然也是非常乐意看到这些生产工具变革所带来的生产力大爆发的，结果可能会引发类似“互联网大爆发”时代帮的全民创业热潮。虽然这股热潮尚未到来，但从目前各家大厂大力布局 AI 领域，以及市面上逐渐出现许多 AI 型创业公司这两个现象已经足见端倪。

因此，综合上述内容可以推导出，未来(或许已经是现在)市场急需两类人才：

AI训练师：不断打磨模型效果，并且不断降低成本，让模型成为廉价易得且质量稳定的基础设施；
AIAgent 开发工程师：光有模型是不够的，还需要结合场景上下文，以最恰当的方式为具体场景构建出效率最大化的具体软件 —— 例如 Cursor、V0.dev、Lovart 等；

对于像我这种来自“上个世代”的程序员而言，“AIAgent 开发工程师” 无疑是更具可操作性与可行性的方向。这是叠加在“软件工程师”基础上的新角色分工 —— 就像过去细分出的前端、后端、DBA 等，整体能力模型还不甚清晰，且处于快速生长迭代中，不过基于当前各类知名 AI Agent 应用的底层逻辑，大致可以推导如下能力需求：

架构能力：AI Agent 工程师底色依然是“软件工程师”，因此依然需要掌握高超的系统设计能力，依然需要处理好并发、性能、成本、观测、运维等主题；
Agent 编排与多体协作：能够设计、构建、调度、监控多个子 Agent （或人-机混合团队）的任务流(A2A)，这被称为称为未来最被低估却最值钱的技能之一(出处)；
大模型 **& 微调/**PE调优：熟悉各大主流大模型（OpenAI、Claude、Gemini、Llama 3 等）的长处和局限，能用 LoRA/SFT 这种轻量方式给模型“加小灶”做微调；并熟悉 PE(Prompt Engeneering) 工程，能够根据具体需求调整出效果更好的 PE；
检索与上下文管理：理解 Chunk、Embedding 等技术，能够将信息转换存储到数据库，供大模型消费 —— 也就是 RAG 架构，解决上下文长度约束与记忆问题；
工具调用：把外部 API、数据库、代码执行环境暴露为可调用工具，处理模式化输出和错误恢复。具体来说，包括：OpenAI Function Call、JSON-RPC、LangChain Tools 等，以及近几个月爆火的 MCP 协议(MCP 全解，从理解到深度开发: https://aicoding.feishu.cn/wiki/SVhxwVWQei9jJLklXhFcNk3EntO)；
安全、隐私与伦理：AI Agent 领域里，用户必须把信息完整地暴露给模型才能获取预期结果，因此更需要开发者做好通讯链路与端点的信息安全保障，事实上许多领域依然拒绝 AI 的原因，很大一部分就在于信息安全的担忧，这一点我觉得 Cursor 做的特别好，详见：《聊聊 Cursor 的安全模型》(https://aicoding.feishu.cn/wiki/TRuJwXGvpiFjAQkvGdrcaWmangg)；

每一个点展开都有极其复杂的知识体系，并不是三言两语能讲清楚的，不过也可以提供一些基本的学习建议：

巩固基础：还是那句话，AI Agent 工程师底色依然是“软件工程师”，基础很重要，泛化计算机知识很重要，我认识的一位智者(狼叔)说过：“有很多笨功夫还是要下的”；
学会用LLM：会调 OpenAI / Claude / Gemini API；掌握 Prompt 基础与输出解析；用 LangChain、Vercel AI SDK 等框架着手学习如何开发一个 AI Agent 应用，领悟里面的门门道道；
多工具 Agent：学习让 AI 自主调用工具(通过 MCP、Function Call 等协议)，形成一个能自主决定执行逻辑的真正“智能体”；
多 Agent 编排：在多工具 Agent 基础上，学会让 Agent 与 Agent 之间互相调用 —— 这实际上已经是一个比较复杂的形态，以这种架构方式设计出若干具备专家能力，各司其职，同时又能协作解决更复杂的问题的 Agent 集群；
评测与监控：会写自动化单元评估 (accuracy, cost)；上线后用监控仪表板追踪 token 用量、错误率等；
等等

这也是我目前比较聚焦的方向，感兴趣的同学私信我，加入社群一起讨论学习。

结语

最近一两年，我算是切身感受到强烈的 AI 冲击，从 GPT，到Claude，到 Cursor，每个产品都带来极大的编码效率提升，甚至 Cursor 以及 Claude 已经给人一种“媲美 P6 工程师”的感觉，并且这种迭代速度越来越快，最近半年有明显超速现象。

不过，并不需要为此感到过度焦虑，未来必然会有计算机专家的一席之地，技术能力依然重要，但 AI 会彻底改变「程序员」这个职业的内涵和外延，未来工作的形态和内容必然会发生翻天覆地的变化。记住，替代你的不是 AI，而是那些更会用 AI 也更懂计算机的人，因此当下最值得做的，就是积极拥抱 AI，快速学习成长，成为未来需要的人才。

啰啰嗦嗦说了许多，感谢能读到这里的同学，我最近正在梳理一个免费、开发的 AI 编程知识库，地址：深入 AGI 编程，期望完整覆盖从 Cursor 到 Agent 开发的内容，打造全网最有价值的 Cursor 使用手册，实现 80% 编码替代率！