已经半年基本没有手写代码了，我很焦虑

“现在 AI 都能自动写代码了，前端是不是快没了？”

这几个月我一直在思考这个问题。 从 Copilot 到 Cursor，再到 Claude Code，AI 写代码的能力越来越强。以前需要工程师查文档、写函数、改 Bug，现在只要描述需求，AI 就能生成页面、接口，甚至把项目部署上线。 于是很多程序员开始焦虑： “以后还需要前端吗？” “如果代码都让 AI 写了，我是不是失业了？” 但真正用 AI 完整做过项目的人，往往会得到一个不太一样的答案： AI 可能正在拿走“写代码”这件事，但它还没有拿走“判断什么代码值得写”。 这两件事，看起来只差几个字，实际上隔着整个工程能力。 AI写得越快，方向错得越贵 很多人想象中的 AI 编程是这样的： 你描述需求，AI 自动生成代码；你点击运行，项目完成上线。 现实通常没有这么顺利。 AI 的确可以很快写出代码，但“能写出来”和“写对方向”之间，仍然隔着一道很高的门槛。 比如做一个股票分析平台。 AI 可以快速生成计算 PE、ROE、RSI 等指标的代码，也可以把数据展示页面做得很漂亮。 但如果你直接让大模型自己计算财务指标，结果可能看起来很专业，数字却完全不可靠。 PE 算错了，营收对不上，技术指标被模型“猜”出来。页面没有报错，接口也能正常返回，用户甚至很难第一时间发现问题。 这时你会意识到： 大模型很会解释数字，但不应该负责计算数字。 更合理的做法，是让 TypeScript 或其他确定性代码完成财务指标计算，再把计算结果交给大模型进行解读。 也就是说： 代码负责事实，模型负责判断。

这不是 AI 自己想出来的，而是工程师在踩坑之后做出的架构决策。 再比如，一个系统需要从多个维度分析同一只股票。 AI 很可能会为每个分析维度分别编写一套数据获取逻辑。功能上没有问题，程序也能正常运行，但同一份数据可能被外部接口重复请求了多次。 这不是语法错误，也不一定会立刻引发 Bug。 它属于架构问题。 更好的方式是先获取一次数据快照，再让多个分析模块共享这份数据。 AI 可以在你指出问题后迅速完成重构，但它未必会主动意识到：这个系统未来会遇到接口限流、性能下降和数据不一致。 所以，AI 编程最真实的样子，往往不是“坐着等 AI 交付”，而是： AI 写代码 ↓ 人发现方向不对 ↓ 推翻重来 ↓ AI 再实现 ↓ 人继续判断和纠偏 真正消耗时间的，不是让 AI 多写几百行代码，而是判断哪些代码根本不应该这样写。 AI替代的，首先是“代码翻译员” 过去，程序员的大量工作，其实是在做一件事： 把人的想法翻译成机器能够执行的代码。 产品经理说： “我希望用户能实时看到分析进度。” 工程师需要把这句话拆成接口、状态、事件流、前端渲染、异常处理和断线重连。 AI 的优势，就是正在快速接管这部分“翻译工作”。 它可以把自然语言需求转成组件、接口、数据库结构和部署脚本，而且速度比人工快得多。 但问题是，需求本身经常是不完整的。 “实时展示”到底是每隔几秒刷新一次，还是服务端推送？ “分析完成”是所有任务完成后统一返回，还是哪个维度先完成就先展示？ 用户断网后，重新连接时应该从头开始，还是继续上一次进度？ 这些问题，AI 不一定能替你做决定。 因为它缺少的不是代码能力，而是业务上下文和工程责任。 它可以给出多个方案，却不知道哪一个最符合你的用户、团队、预算和未来维护成本。 因此，AI 时代最危险的程序员，不是不会使用 AI 的人，而是只会让 AI 写代码，却不会判断代码是否值得保留的人。 前端不会消失，但“只会切页面”会越来越危险 前端工程师过去的核心竞争力，常常体现在：

• 页面还原得准不准
• 组件写得快不快
• CSS 调得熟不熟
• 交互细节处理得好不好
• 能不能快速解决浏览器兼容问题 这些能力不会一夜之间失效，但它们正在被 AI 快速压缩。 一个页面从设计稿到可运行代码，过去可能需要几天，现在可能只需要几个小时。 如果一个人的能力边界只停留在“把设计稿还原成页面”，那么他的工作确实会越来越容易被替代。 但前端真正有价值的部分，从来不只是写页面。 它还包括：
• 如何设计复杂交互
• 如何组织前端状态
• 如何处理性能和异常
• 如何理解真实用户行为
• 如何和后端、产品、设计协作
• 如何把模糊需求变成可执行方案
• 如何判断哪些逻辑应该放在前端，哪些应该放在服务端 AI 可以分别帮你写页面、接口和 SQL，但它不会自动替你建立完整的系统视角。 未来更有价值的前端工程师，不一定是写代码最快的人，而是能够看见整个系统的人。 AI时代，最值钱的是三种能力 第一种：架构判断力 架构判断力并不是会背多少设计模式，也不是能画出多复杂的架构图。 它更像一种提前发现问题的能力： 这段代码现在能跑，但三个月后会不会变成无法维护的“屎山”？ 这个状态应该放在组件里、全局状态里，还是服务端？ 这次接口调用是否应该缓存？ 数据应该实时拉取，还是使用快照？ 面对一个需求，AI 通常会给你一个“能实现”的方案。 而工程师需要判断的，是这个方案是否适合真实世界。 所谓高级工程能力，很多时候不是把系统做得更复杂，而是知道什么时候不能继续堆代码。 第二种：跨栈的全局视野 AI 可以分别帮你写前端、后端和数据库代码。 但真实项目里，很多问题并不属于某一个技术栈。 例如：
• 这个逻辑放前端还是后端？
• 这个数据放数据库还是缓存？
• 接口是否需要异步队列？
• 这次计算应该实时完成还是后台处理？
• 这个功能如何保证权限和数据安全？
• 页面卡顿到底是前端渲染问题，还是后端接口问题？ 如果只熟悉前端页面，很难做出完整判断。 这也是为什么，前端工程师在 AI 时代反而更应该补齐服务端、数据库、部署和工程化能力。 不是为了强行转成后端，而是为了看懂一个系统如何完整运行。 第三种：把模糊需求变成清晰规格 AI 最怕的不是复杂，而是模糊。 如果你只说： “帮我做一个好看的数据分析页面。”

AI 可以快速生成一个页面，但它不知道数据从哪里来、用户是谁、异常怎么处理、页面要支持多大规模的数据，也不知道什么叫“好看”。 但如果你能明确描述：

• 用户是谁
• 核心任务是什么
• 输入和输出分别是什么
• 哪些状态需要展示
• 哪些错误必须处理
• 交互边界在哪里
• 性能指标是什么
• 什么结果才算完成 AI 的产出质量就会大幅提高。 这说明一个问题： AI 编程的上限，很大程度上取决于使用者能否把需求讲清楚。 而把模糊需求变成清晰规格，本质上是产品能力、工程能力和业务理解的结合。 它不是打字速度，也不是提示词技巧。 别只学“怎么调用 AI”，要用 AI 做完整项目 很多人学 AI 编程时，停留在几个简单动作： 让 AI 写一个组件； 让 AI 生成一个接口； 让 AI 修复一个报错； 让 AI 解释一段代码。 这些当然有用，但还不够。 真正能让你建立判断力的，是完整做出一个真实项目。 从需求开始，自己决定：
• 项目解决什么问题
• 用户如何使用
• 数据从哪里来
• 系统如何拆分
• 哪些逻辑必须确定性执行
• 哪些部分适合交给大模型
• 如何处理失败和异常
• 如何部署、监控和迭代 在这个过程中，你可以大量使用 AI，甚至让 AI 完成绝大部分代码。 但架构方向、技术取舍和最终验收，必须由你负责。 因为只有当你真正承担过一次完整交付，才会知道“能跑”和“能用”之间有多远。 给前端工程师的三条转型建议 一、补齐后端和工程化基础 不必一开始就研究复杂分布式系统，但至少要真正理解：
• Node.js 核心机制
• HTTP 和接口设计
• 数据库基础
• Redis 等缓存系统
• Docker
• CI/CD
• 日志和监控
• 基础权限控制 当你能看懂一个系统从浏览器到数据库的完整链路，AI 才真正有机会成为你的放大器。 二、独立完成一个端到端项目 不要只做 Demo 页面。 尝试完成一个真正闭环的项目： 需求定义 ↓ 产品设计 ↓ 前端实现 ↓ 后端接口 ↓ 数据存储 ↓ 部署上线 ↓ 监控与迭代 项目不一定要大，但必须足够完整。 你会在真实问题中遇到很多 AI 无法替你决定的事情： 数据是否可信，架构是否合理，接口是否需要缓存，错误应该如何提示，用户中断后如何恢复。 这些经历，才是判断力的来源。 三、向 AI 应用层靠近 前端工程师进入 AI 应用领域，往往比完全没有工程经验的人更有优势。 因为你已经熟悉用户交互、状态管理、接口调用和产品体验。 接下来需要补上的，是：
• LLM API 调用
• 流式输出
• 工具调用
• Agent 工作流
• 记忆与上下文管理
• RAG
• 模型路由
• 评估与监控 这条路径并不是从头开始，而是把原本的前端能力，延伸到新的应用层。 未来企业真正需要的，可能不是“会调用 AI API 的人”，而是能够用 AI 重构业务流程的人。 你不需要和AI比写代码速度 如果 AI 每分钟可以生成几百行代码，那么和它比赛谁写得快，几乎没有意义。 工程师真正应该和 AI 比的，不是输入代码的速度，而是：
• 谁更早发现方向错了
• 谁更清楚用户真正需要什么
• 谁能更快识别风险
• 谁能做出更合理的架构选择
• 谁能把复杂问题拆成可执行步骤
• 谁能对最终结果负责 AI 可以把执行成本降得很低，但这也意味着错误决策会被更快放大。 以前一个错误方案可能要几天才能写出来，现在 AI 几分钟就能帮你搭完。 如果方向错了，返工速度也会变得更快。 所以 AI 时代最重要的能力，不是让 AI 少写代码，而是让 AI 尽量少走弯路。 结语：前端不会消失，但岗位的评价标准会变化 “AI 会不会让前端消失？”这个问题，可能问错了。 更准确的问题应该是： 当 AI 可以快速完成代码实现后，前端工程师还能提供什么独特价值？

答案可能是： 架构判断、系统视野、业务理解、需求拆解，以及对结果负责的能力。 AI 拿走的，是把想法翻译成代码的那一段。 它暂时还拿不走的，是判断这个想法是否正确、这个方案是否可靠，以及这个系统是否值得长期维护。 过去，很多人靠写代码证明自己的价值。 未来，代码会越来越容易获得，真正稀缺的反而是做决定的能力。 所以，前端工程师真正需要担心的，不是 AI 会不会写代码。 而是当 AI 把代码写得足够快之后，除了写代码，你还会什么？