发展的思维看 AI 编程
如果你最近投过前端岗位，你多半有过这种感觉：投递变难了，回复变少了，简历上不写两三个 AI 项目好像就过不了筛，面试官问的问题也跟以前不一样了。
然后你在社交媒体上看到的消息是——"AI 两年内取代所有程序员"。
于是你开始怀疑自己：这几年攒的经验，是不是要作废了？
先别急。我要把一份数据摆在你面前，因为它同时是坏消息和好消息，而这两种解读，取决于你从哪个角度看。
坏消息：斯坦福数字经济实验室用美国最大薪酬处理商 ADP 的真实薪资记录（覆盖 350 万到 500 万工人）做了一项研究。结论是：22 到 25 岁的软件开发人员，就业人数比 2022 年末的峰值低了将近 20%。同期 30 岁以上的开发者，就业涨了 6% 到 12%。
好消息：同一份研究还发现，软件开发岗位的招聘总数从 2025 年 2 月底以来上涨了近 15%——而同期全市场的岗位发布是下降 7%。这个岗位还在增长，只是长高的地方和以前不一样了。
同一个事实，可以读成"AI 完了"，也可以读成"刻度换了"。
这篇想帮你做的，就是把这两句话之间的信息差拆掉：不是你的经验过期了，是"经验值钱的方式"换了一种。
1、先把问题问对
关于 AI 和就业，外面最吵的两个说法，恰恰都不准确。
第一种说法是："AI 要取代程序员了。"
数据不支持。纽约联储 2026 年的企业调查显示，61% 的服务型企业已经在用 AI，但真正因为 AI 而裁员的比例只有 4%——而且受访者说得很直白：对已经在岗的同事，公司更倾向于再培训，而不是替换。 高盛测算下来，AI 一年压低了美国每月约 1.6 万个岗位的净增长，但同期的算力基础设施建设又造出了新岗位。
AI 确实在吃掉一些活，但吃掉的是某些活，不是整个职业。
第二种说法是："我这种普通前端完了。"
这个也不准确，但准确起来会有点扎心。
同一份斯坦福研究里有一个特别关键的发现：影响集中发生在 AI 用来"替代"工作的场景，而不是用来"增强"工作的场景。 在主要是拿 AI 来帮忙的岗位里，年轻人的就业是持平甚至上升的。
这背后有一个机制，我觉得比任何数字都值得你记住：
入门级岗位，本质上是一层学徒制。
公司招一个新人，不是为了让他第一天就写出最漂亮的架构，而是为了让他做完那些"有明确答案、边界清晰、有标准做法"的活——写样板代码、搭 CRUD、调简单 bug——在做的过程中，慢慢学会判断力。
而这批"有明确答案"的活，恰恰是 AI 现在最擅长的。
所以被抽走的不是"初级工程师这个职业"，而是初级工程师当初学手艺的那个入口。
研究里作者说得很直接：AI 替代得掉的是书本上的知识——大学里教的那套、书上写的那套；替代不掉的是没人写下来的那些经验。一个新人卖的就是前者，一个老手攒的就是后者。
于是你就明白斯坦福计算机科学家 Jan Liphardt 说的那句为什么扎心了：毕业生在"难以找到入门级工作"上挣扎，这是和三年前的一次剧烈反转。
WARNING
但请注意一个细节：PwC 2026 年的调查发现，在 AI 暴露度高的入门级岗位里，要求"高级技能"的概率是普通岗位的 7 倍。
也就是说，入门岗位没有消失，它被升级了。公司还是要招人，但不再招一个只会写样板代码的人了。
这个"升级"，才是你真正需要焦虑的地方——也是你真正能努力的地方。
所以，回到那个更值得问的问题。用发展的眼光看 AI，我们要问的从来不是"它会不会取代我"，而是：
当 AI 编程真的足够强的时候，还剩下哪些瓶颈，是它要付出极大代价才能突破的？又有哪些瓶颈，是它无论发展到哪一步都跨不过去的？
这四道坎，我下面逐一道给你看。搞清楚了，你就知道自己的价值该往哪儿放。
2、AI 的底层，是在玩概率
关于 AI 的底层，其实只有一句话：它做的唯一一件事，是预测下一个词。
它不像人那样思考，也不像编译器那样给出一个确定的结果。它能写出能跑的代码，是因为在海量训练里记住了"语法"这种高概率的结构相关性。
这就直接推出一个结论：它存储知识的方式，一定是有损压缩。
而有损，就意味着它会在上下文被干扰时给出错误结果——这就是幻觉。它会一脸笃定地告诉你：这个 API 叫 useUserProfile，参数是 userId。它不知道这是不是真的，它只是觉得这话最像它训练数据里的样子。
顺着这个底座往下推，会撞上四道坎。而这四道坎，恰好就是人类护城河的位置。
2.1 上下文越多，它反而越不稳
这件事非常反直觉。
我们写提示词的本能是"给得越多越好"——把相关文件贴上、把历史约束抄上、把规范整段粘上。但实际效果常常是：给得越多，输出越飘。
原因不复杂。写一个 400 行的功能，相当于让模型连续做几百道题，而且每道题都只有一个正确答案。任何一道答偏，后面的推导就全歪了。你看到的是一段整体上很顺的代码，但它内部某一步，早就悄悄走偏了。
所以会出现一个很割裂的现象：当提示词很小、限制更少的时候，AI 表现出的能力反而更稳。
很多人在 Cursor 里都有过这种体会：Rules 写了一长篇，输出好像和没写也差不多。不是 Rules 没用，是你在用"堆上下文"的方式，解决一个"注意力被摊薄"的问题。
2.2 冲突是隐形的
自然语言没有长度限制，于是提示词越长，互相打架的要求出现的概率就越高。而这类冲突最麻烦的地方在于：它不在提示词里。
举个前端天天会碰的例子。同一份需求，你加两条约束：
一、别过度设计，就改这一行。 二、顺便把这个组件抽成通用的。
AI 不会回你一句"这两条是矛盾的"。它会老老实实给你做出一个既没有只改一行、也算不上通用的东西——因为在它眼里，这两条要求单独看都成立。
现实里最常见的隐性冲突，其实来自人。产品经理在第三季度说"这个能力要通用"，第四季度又说"就这一页用，别抽象了"。这类要求天然带着时间标签，很少有人会把它们同时写进同一份文档。AI 也不会像工程师那样皱眉说"这个不合理"——它会照做。
WARNING
这听上去像优点，结果却是不可预测。
不懂编程的人也许能用 AI 做出几个短平快的玩具项目。但一旦进入真正的工程化、长期迭代，隐性的冲突会随着需求变更不断累积，最后项目会变成谁都不敢碰的一团乱麻——而每一步看起来都"做对了"。
2.3 它给不了你最佳实践
如果你的项目对性能、稳定性和可维护性有硬要求，那么很遗憾：这些你没法直接从 AI 那里拿到。
高明的技巧、成熟的架构、项目该怎么组织的经验，基本都攥在少数人手里。而 AI 写代码的策略，永远是输出概率最大的那个答案。于是它会给你一段看起来相当不错的代码——能跑、风格统一、命名规范——但里面埋着隐患。
这些隐患有个共同特点：不会当场爆炸。 它们可能在几个版本迭代之后才浮出水面，而那时候，已经没人记得当初为什么那么写了。
判断"这段代码虽然能跑，但给未来留了雷"，需要的是一种手感——你看到某个模式就会心里发紧的那种直觉。AI 不会在看代码的时候心里发紧。这份手感，是它把整个互联网的数据都吃完了也学不会的，因为它从来没有为一个错误的后果负过责。
2.4 同样的输入，换不来同样的结果
编程追求的是确定性的：输入 A，一定得到 B。
AI 写代码不是这样。同一个提示词跑两次，出来两个结果。既然不同，就必然有好有坏。
这里出现了一个特别有意思的感知差：
新手看到的是"能跑"。他点一下，页面出来了，测试绿了，需求也满足了。对他来说，这就是完整的成功。
资深工程师看到的是另外三件事：这代码三个月后还维护得动吗？里面有没有埋雷？它哪一次会发疯？
这两组人盯着同一段代码，看到的却是完全不同的东西。跑起来，和值得留下，中间隔着一整条鸿沟。
METR 找了一批资深开源开发者做过一个对照实验：同一批真实任务，随机分成"允许用 AI"和"不许用 AI"两组。结果是——开始之前他们预期会快 24%，做完之后感觉快了 20%，而仪器实际测出来的是慢了 19%。
中间那个 39 个百分点，就是资深和新手的那道鸿沟。
新手的时间花在了"看它跑通"上，资深工程师的时间花在了"确认它是对的"上。在 AI 让前者趋近于零之后，后者的权重就被无限放大了。
3、所以，资深工程师进入了黄金时代
先说清楚：这不代表资深工程师要放弃 AI 编程。
恰恰相反，AI 时代是资深工程师的黄金时代——因为我们可以同时握有 AI 的效率，和十几年攒下来的技术判断力。这是新人无论怎么努力都追不上的双重优势。
而且数据也站在这一边：资深开发者的就业在涨，软件开发岗位的总数在涨，起薪在涨（2026 年 CS 本科起薪 81535 美元，同比 +7%），AI 支出最猛的公司反而在扩编。IBM 更是直接宣布 2026 年要把美国的入门级招聘翻三倍——因为今天的新人，就是五年后的资深。
你的经验没有过期，过期的是"经验的表现形式"。
过去你的价值长在"我写得比你快、我懂得多"上；现在这两样正在变成基础设施。真正开始值钱的，是另外三样东西。
WARNING
这里有一个正在发生的危险。
AI 编程太顺了，顺到我们会本能地觉得思考是多余的。而在这种高度依赖里，新手几乎不可能再培养出对糟糕代码的鉴别能力——因为从来没有人逼他去看懂，也从来没有人告诉他这里有问题。
你没法靠一个自己不认识的工具，来学会鉴别这个工具的产出。
4、怎么努力，才不会被淘汰
那么，具体该怎么做？
用发展的眼光看 AI，意味着先认下它的超强能力，然后在它之上找到人类的位置。
我觉得这个位置可以用一句话概括：AI 是一个效率高到惊人的施工队。它可以在半天之内把图纸变成毛坯。但图纸、验收标准，以及最后那句"这不能用，重来"——必须有人说。
第一，把问题定义清楚
这是老话，但它是全部前提。AI 不知道该往哪盖房子，它只会照着施工图砌墙。能精准描述问题、划清边界条件的人，才真正掌握着方向。
这不只是"提示词工程"。它考的是你的逻辑能力和结构化表达能力——你必须比它更清楚自己要什么，才能让它的算力真的为你所用。
这也正好是那份就业研究给出的方向：Brynjolfsson 的建议很直接，"会有效使用 AI 的年轻人，可以有高得多的产出；但如果你只是在做 AI 已经能替你做完的事，你就没有多少可增加的价值。"
第二，做那个挑方案的人
当 AI 能在几分钟内给你十种实现方式时，生产的成本塌到了零，选择的成本却开始暴涨。
我们的价值会集中在这些地方：架构怎么切、方案之间怎么权衡、哪种交互更顺、哪种取舍更符合业务实际。这些判断，恰恰是 AI 目前最不擅长的。
而"挑方案"这件事有一个非常具体的能力要求，就是知道什么时候该拒绝 AI 的建议。研究里对"AI 熟练"的定义，早就已经从"能不能用"变成了"能不能看出它哪里错了"。
第三，把判断练成肌肉
判断力不会自动长出来，它只能被练出来。
如果你的团队里 AI 在写代码，那你至少应该做到下面这几件具体的事：
- 每天 review 一段 AI 产出的代码，专门找它留下的隐患。 不是看它能不能跑，是看它三个月后会不会咬人。
- 维护一份自己的"方案库"和"决策记录"。 同一个问题，你当初为什么选了 A 而不是 B，三个月后你还记得吗？写下来，这是 AI 拿不走的东西。
- 在会议上做那个"说出来的人"。 团队里最值钱的角色，是能把"我觉得这里有问题"讲清楚并给出替代方案的那个人。
- 每周留一段代码自己手写。 你的手感需要维护。全程让 AI 写，半年后你连"哪里不对劲"都说不出来了。
- 选一个行业，往深里扎。 通用软件工程师是最容易被自动化的一段；而"懂金融的前端"、"懂医疗系统的工程师"、"懂某个垂直基础设施的人"不是。
最高境界不是把 AI 当搜索框，而是把它当成你的一部分——你出方向，它出产能；你守底线，它不越界。
NOTE
这一篇是整个专栏的起点，它想解决的是"怎么看"的问题。而"怎么做"，是下一篇要展开的：AI 底层原理——我们把"预测下一个词"这件事，从分块、注意力一直拆到采样和缓存，看看那些让你抓狂的现象，到底发生在链路的哪一环。
想清楚链路，才谈得上驾驭。
5、最后
回到开头那份数据。
22 到 25 岁的软件开发就业，比三年前低了近 20%。30 岁以上的，同一个行业，涨了 6% 到 12%。
同一件事。
所以答案是：不是 AI 淘汰了谁，是 AI 淘汰了"不用思考"这件事。
那些被抽走的，是过去新人练手的入口。那些在涨的，是能看懂 AI 在想什么、并且知道它想错了什么的人。
你现在焦虑的，大概是"我是不是掉队了"。但这份数据真正在说的是另一件事——你的位置，取决于你在这个分工里站在哪一层。 站在"写代码"那一层，会紧张；站在"定义问题"和"验收结果"那一层，反而是这两年最抢手的位置。
AI 编程没有把工程师这个职业拆掉。它只是把职业里的那部分工作重新分了一次工。
而这一次分工，主动权在你手里。