我們正在經歷一場百年不遇的技術大變革，過去需要一整個工程團隊通力才能完成的復雜工作任務，現在可能只需要一位技術專家搭配合適的輔助編程軟件 —— 如 Cursor，就可以在短時間內完成。這背后是生成式 AI 正以前所未有的速度滲透并重塑軟件開發的各個層面，全面提升軟件開發效率，而這必然引發了一種廣泛的焦慮：曾經賴以生存技能似乎正在被快速迭代的 AI 工具挑戰，程序員的職業護城河似乎變得搖搖欲墜，在新技術革命下，誰能活到下個黎明呢？

AI Coding 現狀

這一輪生成式 AI 革命，要比過去所有計算機技術革命都來得快、來得猛，從 ChatGPT 3.5 開始，到 Gemini，到 Claude，模型一個比一個強，迭代一個比一個快，說是“瞬息萬變”都不為過。例如，Anthropic 最新發布的 Claude Opus 4 模型，甚至已經能拿下 SWE-bench Verfied 72.5% 的高分，這意味著AI能夠獨立解決超過7成的真實編程問題，剩下3 成才需要人工介入！這是何等恐怖的數據。

圖片

直觀地說，這個模型已經能夠獨立完成日常編碼場景里的大多數常規頁面開發、解決工程問題、自動生成單測并修復常規 Bug 等，雖然它還無法從零到一在毫無人力介入的情況下獨立完成完整應用 —— 畢竟專業的軟件工程里還涉及復雜的需求分析、功能設計、交互設計、發布運維等節點，但單就“編碼”能力而言，Claude 等模型在體感上恐怕已經超過一般的工程師。

更可怕的是，在模型日新月異的迭代之外，業界還在結合工程手段積極創造進一步提升編碼效率的方案，例如比較成熟的 Cursor、WIndsurf、Cline 等輔助編碼類工具，能切切實實代替人類完成許多重復性或中低階編碼任務，而且全程基本由“粗糙”的自然語言驅動，響應也特別快。結果就是，同樣的需求由有經驗的工程師搭配這類工具，工作效率相比于經過復雜溝通之后交付給初級工程師協作完成，要高出許多，這就很大程度擠壓了初、中級工程師的生存空間了。

但這還沒完，事實上許多公司正在嘗試創造一些能部分代替人類工程師的完全自動化編碼工具 —— 甚至是 Agent 集群，且不論真實性與具體效果如何，這種趨勢可謂是蔚然成風了：

• 阿里巴巴在內部高調推行 AI 編程，讓自家的代碼助手“通義靈碼”正式上崗（員工號 AI001），并透露未來公司 20% 的代碼將由 AI 編寫(出自此文: https://news.qq.com/rain/a/20240402A0982400)；
• 百度同樣宣布其 AI 代碼助手 Comate 已經產出公司四分之一的代碼，且推廣到一萬多家企業使用，平均代碼采納率超過 50%(出自此文: https://news.qq.com/rain/a/20240403A05BY100)；
• 微軟方面也在加速擁抱 AI，據報道微軟內部已有大約 20%-30% 的代碼由 AI 生成，公司高層反復強調要“利用人工智能提高工程等崗位的生產率”，甚至將此作為近期裁員、精簡團隊的策略之一(出自此文: https://finance.sina.com.cn/roll/2025-05-18/doc-inewymyy8835003.shtml)；
• 。。。

這種局面將導致兩個結果：

1. 低水平、重復性的編程工作非常容易被 AI 替代，一個技術專家搭配 AI 工具就能抵得上之前 3-5 人團隊的生產效率 —— 而 AI 工具的成本要比“人”便宜的多，因此在出現新的商業增長點之前，許多科技公司已經不需要那么多程序員，就業市場體量必將縮小；
2. 未來(其實當下已經是)工程師角色的主要職責必然發生極大轉變，多數時候不再聚焦于具體編碼，而轉換為“ AI 指導者 + 質檢 + 軟件項目管理”角色，相比于純粹的編碼，這些新的職責需要站在更高維度 Review 人與 AI 協作的過程與常務，因此反而更需要深厚的計算機功底、泛計算機知識、編碼與軟件工程經驗等等。

但這就延伸出了先有雞還是先有蛋的困境：操作 AI 需要更高維度的能力，但 AI 在提升軟件工程效率的同時也在不斷抬高計算機行業的入職門檻，多數新人或資歷較淺的工程師正被 AI “替代”并擠壓出勞動力市場，這些新鮮血液并沒有機會與實踐積累足夠經驗與技能。我認為，結果將很悲觀地導向一個被說爛了的詞：馬太效應，當下具備深厚計算機知識且熟練使用 AI 編碼的人將獲得更多的職業機會與實戰經驗，逐漸成為“超級個體”，而經驗薄弱且并不熟悉 AI 工具的新手越來越難以獲得高價值的項目經驗，職業窗口可能會越來越小。

未來 3-5 年的就業趨勢

過去幾年，許多互聯網公司都在研究所謂“去肥增瘦”，某種程度上就是意圖通過優化流程、工具等方式提升單位生產力，再去除不必要的組織“負擔”，達到降本目的。而這一波 AI 發展算是送上了一把最最鋒利的刀，畢竟使用得當的情況下，一個人已經能頂一個團隊來使，在存量市場與經濟整體低迷的大環境下，這必然會引發大幅度的崗位緊縮潮。

雖然從過去社會發展經驗來看，技術創新整體是“向善”的，在“未來”必然會創造出更多新崗位 —— 例如馬車被汽車替代后，雖然馬夫職業消失了，卻衍生出汽修、汽車工程師等職業；AI 的發展也很可能會延伸出“AI 訓練師”、“AI 應用體系設計”等崗位。但當下在沒有找到新的商業增長點之前，經濟上最理性的優化策略必然是進一步“去肥增瘦”，執行更嚴格的“節流”策略，這就意味著短期內行業很可能還會處于較大的下行壓力。

可以說，所有程序員都必將受這一波 AI 革命所影響，雖然除了算命先生外誰都無法預測未來，但按照上述“馬太效應”大致可以推斷出一種命中率比較高的發展模型：螺旋向下。如果我們將業內所有程序員按經驗與技能水平籠統歸類為一個金字塔模型，大體上可以總結為：

• 頂端是那些具備豐富經驗，是某些技術方向公認的行業專家，有能力突破技術極限，創造新的技術方法；
• 第二層是高度專業的職業技術人(or 技術經理)，有能力帶領團隊克服各種工程、管理、技術問題，完成復雜項目開發，在各大尖端科技公司都是名副其實的領導者；
• 第三層是具備較豐富項目經驗，某些技術上的熟手，能夠遵從指示在既定上下文下將需求轉換為可運行的系統組件，在多數公司中都屬于中流砥柱角色；
• 第四層是具備一定編碼經驗，但需要較多外部協助才能完成上下游對接或模塊開發任務，通常是工作經驗在3-5年左右的群體；
• 而底端可能是剛從高校畢業，還沒有多少實際項目經驗但有一定發展潛力的新鮮血液；

圖片

那么在 AI 普及之后的未來極有可能出現向上的路徑會越來越窄，不得不逐層向下擠壓的趨勢：“中級”工程師的效率會被大幅提升，許多重復性低價值的工作不再需要依賴“新手”支援，首先將大部分新手排擠出行業之外 —— 這是當下正在發生的事兒；同時大部分“熟練者”將承擔更多開發工作，在 AI 模型與應用層進一步成熟之后，熟練者在弱監督的情況下就能獨自完成復雜、大型系統開發，中級工程師又會部分地、逐漸地被排擠出體系之外。整體形成一種螺旋向下的發展趨勢，畢竟“一個年薪 10w 的工程師，可能真的比不上月薪 20 刀的 Cursor”。

不要覺得這是危言聳聽，資本都是逐利的，要么開源要么節流，在行業已經普遍驗證、認可了 AI 編程能力，工程師個體效率被極力放大的情況下，大概率會傾向于將成本方在研究怎么更好地使用 AI 繼續提升效率，而不是招募更多工程師。

不過，這都是基于“存量”思維推導出來的結論，事實上我們也很容易推導，或者觀察到一個新的巨大增長點：AI 以及 AI Agent 方向，基于此，我認為未來有兩個比較穩妥的破局方向。

破局一：AI + 計算機專家

如上所述，AI 的發展迭代必然會代替人工完成大多數重復且復雜度并不高的工作，但這里面有一個隱含前提 —— 或者說當前階段還必須具備的條件：需要一位經驗足夠豐富的工程師指導 AI 正確完成編碼任務，并 Review 對應代碼識別出可能存在的缺陷給予恰當的修正。

那么自自然然地可以推導出，業界還是需要經驗豐富，有專精方向同時又有較廣泛的計算機知識儲備的高級工程師，我個人甚至覺得，無論 AI 模型如何迭代發展，都不可能做到 L5 級別的全自動編碼，始終需要這么一個角色，才能真正生產出企業級的應用程序。簡言之，行業已經不需要那么多“人力”，但依然需要高端人才。

圖片

雖然留給大家的時間可能不會很多，但“技術專家”這個方向至少還是一條比較妥當且保險的職業發展路徑，向后承襲已有知識儲備，不會出現 Breaking Change；向前按已有的學習方式，繼續沉淀更多、更深、更廣的計算機知識，逐漸向上突破能力邊界并成長為某個方向的技術專家。

不過，這個方向所需要的能力模型可能與過去我們所理解的形態有一些些差異，具體來說：

1. 技術基礎：我們依然需要深度掌握各種框架、工具的應用與底層原理 —— 甚至比過去的要求還要高出許多，否則你無法識別出 AI 生成代碼的潛在缺陷，也就無法從編碼階段遏制質量風險；
2. AI學習與應用能力：在具體的技術方向之外，還需要熟練掌握與 AI 交互的能力，具體來說就是對各類 AI 編程工具的應用能力、對模型的熟悉度、Prompt Engineering 等等，本質上就是能更快更好地批量生產出滿足需求的代碼；
3. 頂層抽象與架構設計：AI 雖然能夠順利接手具體編碼工作，但目前依然無法設計出更具擴展性與可維護性的架構 —— 畢竟它沒法兒預測現實世界未來會發生怎么樣的變化，也沒法預測你給出的幾句簡單 Prompt 背后可能潛藏著怎樣的擴展需求，因此工程師的注意力必然從編碼轉移到更高維的架構抽象與設計上，基于業務本質定義出穩定的技術架構和靈活的擴展路徑。舉個例子，過去我們可能需要糾結用怎樣的代碼實現插件架構，但未來我們更需要從各種架構模式中選取出更適合需求場景的插件架構設計。不過，這并不意味著編碼變得不重要，這依然是最重要的基本功；
4. 泛計算機知識：最近出現了一個比較火的詞：技術平權，大致上是因為 Cursor 等軟件出現之后許多并沒有編程基礎的人也能借助這類工具迅速搭建出產品原型，技術結果變得唾手可得，技術本身不再阻礙創意落地。這個詞同樣適用于技術領域，假定你是一個前端工程師，即使之前完全沒接觸 Go、Supbase、Docker 等技術棧也能借助工具迅速寫出相關代碼 —— 但也僅僅是“寫出”，遠達不到“優秀”水平，因為你并不具備對這些技術點的甄別能力，為此需要放下預定角色的約束轉而盡可能拓寬你的技術邊界，更廣泛地學習好各類計算機技術；
5. 適應能力：依然是基于“技術平權”邏輯，當技術不再阻礙創意落地時，你在職場里的角色大概率會經常發生變化，從前端到后端到運營，甚至到模型訓練，都有可能。“角色分工”邏輯依然成立，但個體所對應的“角色”卻很有可能因為這樣那樣的商業因素經常變動，我最近半年已經見證過許多這類例子了。誠然能長期 Focus 在一個自己感興趣的領域里是一件很幸運的事情，但在這個大變革時代，這并不是普通打工人所能把控的，因此我更建議工程師們可以打開自己的邊界，放下“角色”預設，接納一切合理不合理的變化，然后在新的角色里借助 AI 工具做好商業產出，不要一味“綁死”在某個技術角色里白白失去職業上升機會。
6. 工程化能力：相比于人類，AI 的產出要快出許多，能在幾分鐘內生產出大量內容，主打一個量大管飽，但缺陷也很明顯：不夠穩定，你無法預測下次改動會不會導致系統 Crash 或引入一些隱晦的 Bug，因此需要及時驗證結果的正確性。具體的解決方案有很多，例如代碼 Code Review、回歸測試等，但這些方案都比較依賴人力，驗證的速度很可能跟不上 AI 生產的速度，更好的方案是搭建一套完善的自動化質檢體系，以盡可能低的成本、盡可能快的速度驗證結果的正確性 —— 這正是“工程化”所擅長的范疇。具體來說，可以在合碼、發布等關鍵節點上設置若干卡口，執行完整性檢測、類型檢測、單測、E2E 測試、性能防劣化檢測等任務，確保代碼質量。總之，AI 解決了代碼生產效率問題，而工程化則能有效解決質量驗證的效率問題，可以預料未來行業內會越來越關注在這方面的投入；
7. 等等吧。

絮絮叨叨了許多，關鍵點在于：“替代你的不是 AI，而是那些更會用 AI 也更懂計算機的人”，既然如此，那就順應時代，成為 AI + 計算機專家吧。

破局二：AI Agent 開發工程師

我始終堅定地相信著一個論調：“AI 必然會重構所有行業，就像上一輪信息化改造一樣”。AI 的最大作用就在于它能真正實現知識與技能“平權”，這種平權意味著即使從未受到過相關訓練的人“可能”也可以一定程度勝任某個專業領域里面的某些具體任務 —— 甚至比專業人士更快完成任務，例如我本身是一個從未學習過平面設計的純程序員，卻能借助 Lovart 設計出一些足夠滿足我需求的插圖：

這無疑在引誘世界上各種極具創造力的人，想方設法將 AI 帶到各種具體行業、具體場景里實現“平權”與“提效”，而上位者自然也是非常樂意看到這些生產工具變革所帶來的生產力大爆發的，結果可能會引發類似“互聯網大爆發”時代幫的全民創業熱潮。雖然這股熱潮尚未到來，但從目前各家大廠大力布局 AI 領域，以及市面上逐漸出現許多 AI 型創業公司這兩個現象已經足見端倪。

因此，綜合上述內容可以推導出，未來(或許已經是現在)市場急需兩類人才：

1. AI訓練師：不斷打磨模型效果，并且不斷降低成本，讓模型成為廉價易得且質量穩定的基礎設施；
2. AIAgent 開發工程師：光有模型是不夠的，還需要結合場景上下文，以最恰當的方式為具體場景構建出效率最大化的具體軟件 —— 例如 Cursor、V0.dev、Lovart 等；

對于像我這種來自“上個世代”的程序員而言，“AIAgent 開發工程師” 無疑是更具可操作性與可行性的方向。這是疊加在“軟件工程師”基礎上的新角色分工 —— 就像過去細分出的前端、后端、DBA 等，整體能力模型還不甚清晰，且處于快速生長迭代中，不過基于當前各類知名 AI Agent 應用的底層邏輯，大致可以推導如下能力需求：

• 架構能力：AI Agent 工程師底色依然是“軟件工程師”，因此依然需要掌握高超的系統設計能力，依然需要處理好并發、性能、成本、觀測、運維等主題；
• Agent 編排與多體協作：能夠設計、構建、調度、監控多個子 Agent （或人-機混合團隊）的任務流(A2A)，這被稱為稱為未來最被低估卻最值錢的技能之一(出處)；
• 大模型 **& 微調/**PE調優：熟悉各大主流大模型（OpenAI、Claude、Gemini、Llama 3 等）的長處和局限，能用 LoRA/SFT 這種輕量方式給模型“加小灶”做微調；并熟悉 PE(Prompt Engeneering) 工程，能夠根據具體需求調整出效果更好的 PE；
• 檢索與上下文管理：理解 Chunk、Embedding 等技術，能夠將信息轉換存儲到數據庫，供大模型消費 —— 也就是 RAG 架構，解決上下文長度約束與記憶問題；
• 工具調用：把外部 API、數據庫、代碼執行環境暴露為可調用工具，處理模式化輸出和錯誤恢復。具體來說，包括：OpenAI Function Call、JSON-RPC、LangChain Tools 等，以及近幾個月爆火的 MCP 協議(MCP 全解，從理解到深度開發: https://aicoding.feishu.cn/wiki/SVhxwVWQei9jJLklXhFcNk3EntO)；
• 安全、隱私與倫理：AI Agent 領域里，用戶必須把信息完整地暴露給模型才能獲取預期結果，因此更需要開發者做好通訊鏈路與端點的信息安全保障，事實上許多領域依然拒絕 AI 的原因，很大一部分就在于信息安全的擔憂，這一點我覺得 Cursor 做的特別好，詳見：《聊聊 Cursor 的安全模型》(https://aicoding.feishu.cn/wiki/TRuJwXGvpiFjAQkvGdrcaWmangg)；

每一個點展開都有極其復雜的知識體系，并不是三言兩語能講清楚的，不過也可以提供一些基本的學習建議：

• 鞏固基礎：還是那句話，AI Agent 工程師底色依然是“軟件工程師”，基礎很重要，泛化計算機知識很重要，我認識的一位智者(狼叔)說過：“有很多笨功夫還是要下的”；
• 學會用LLM：會調 OpenAI / Claude / Gemini API；掌握 Prompt 基礎與輸出解析；用 LangChain、Vercel AI SDK 等框架著手學習如何開發一個 AI Agent 應用，領悟里面的門門道道；
• 多工具 Agent：學習讓 AI 自主調用工具(通過 MCP、Function Call 等協議)，形成一個能自主決定執行邏輯的真正“智能體”；
• 多 Agent 編排：在多工具 Agent 基礎上，學會讓 Agent 與 Agent 之間互相調用 —— 這實際上已經是一個比較復雜的形態，以這種架構方式設計出若干具備專家能力，各司其職，同時又能協作解決更復雜的問題的 Agent 集群；
• 評測與監控：會寫自動化單元評估 (accuracy, cost)；上線后用監控儀表板追蹤 token 用量、錯誤率等；
• 等等