十年编程生涯三根支柱崩塌：当AI时代来临，程序员该转向木工吗？

徽声在线编辑部

在AI技术迅猛发展的当下，职场人士正经历着前所未有的职业转型阵痛。当我们将目光聚焦于个体命运时，这种变革带来的冲击显得尤为真切。

近日，Hacker News上一篇题为《大语言模型正在侵蚀我的软件工程生涯，我该如何破局？》的帖子引发广泛关注，道出了技术从业者的集体焦虑。

这位拥有十年经验的资深工程师，其职业轨迹堪称教科书级：从前端开发起步，成功转型后端架构，在金融支付领域深耕细作，积累了PCI合规认证、双重记账体系、幂等性防重复扣款、支付全生命周期管理等核心专业知识。他曾坚信，这些用无数项目淬炼出的专业积淀，是自己在IT江湖安身立命的根本。

然而，近两年的职业体验却让他用「三根支柱接连崩塌」来形容自己的处境。

第一根支柱：专业领域知识体系

去年，他加入一家金融科技公司，这家全面拥抱AI的企业为他配备了ChatGPT和Claude企业版账号，鼓励在研发全流程中使用AI工具，但明确要求对生产环境代码承担最终责任。入职初期，公司交给他重构混乱的在线支付系统的重任，正是看中其过往的同类项目经验。

与传统企业不同，新东家要求设计文档既要满足工程师的技术深度需求，又要让产品经理能够理解。在几乎未借助AI的情况下，他完成了首份架构视图文档——当时他甚至将大语言模型贬为「随机鹦鹉」——并成功交付项目。

他始终坚信，自己积累的专业知识是AI无法替代的财富。

直到主管提出质疑：「代码交付速度尚可，但设计文档耗时过长。为什么不用AI辅助？应该加大AI应用力度。」

尽管内心抗拒，他还是尝试了AI工具。虽然当时模型能力有限，但确实显著提升了文档撰写效率，甚至在方案决策中提供了有价值的参考。这让他开始意识到：自己引以为傲的专业知识，正在被AI快速解构。模型虽然需要引导，但已经能够自主串联系统设计要点——这正是需要多年实战经验才能形成的核心能力。

他自我安慰道：模型的优势源于训练数据中包含大量技术文档和行业案例，人类需要长时间积累的知识，对模型而言只是数据输入问题。但调试分布式系统的经验，总该是人类的护城河吧？

第二根支柱：调试与分布式系统专长

当大语言模型开始展现编码能力时——从2025年Claude Code的兴起，到Codex等工具的普及——他虽然每天使用AI生成单元测试，但仍坚持亲自完成核心实现。他享受编码过程，也乐于看到产品上线后的用户反馈，这种工作方式的转变并未让他感到不适。

尽管AI编码能力不断提升，但在调试领域，他仍保持着不可替代性。生产环境中的竞态条件、分布式系统故障等复杂问题，需要丰富的实战经验才能解决，这曾是他职业安全的坚实保障。

然而，MCP、智能体工作流和Claude 4.5的出现，彻底改变了游戏规则。

Claude 4.5虽然不够完美——给定堆栈跟踪和上下文时，约能解决60%的缺陷，有时还会给出看似合理但错误的方案——但他不得不承认，AI已经展现出惊人的调试能力。过去需要全天专职调试的问题，现在被AI一次性解决的情况越来越多。

随着4.6、4.7、GPT 5.5、Opus 4.8以及DataDog MCP等工具的相继问世，他拥有的命令行工具已经能够跨分布式系统一次性解决90%的缺陷，包括那些曾经让他束手无策的竞态条件、边缘案例、第三方集成问题和未文档化的API边界情形。他的角色逐渐从问题解决者转变为代码审核者。

虽然工作仍在，但可替代性大大增强。任何掌握提示词技巧的工程师，都能通过AI达到相近的专业水平。他感到，自己用汗水和泪水换来的调试直觉和分布式系统知识，正在被提示词工程所取代。当市场将所有人推向通才方向，而需求并未同步增长时，通才的职场价值必然下降。

有人安慰说：通才和专才永远有市场。但他看到的是：当每个人都成为通才时，供需关系将决定职业价值——而需求正在萎缩。

第三根支柱：代码质量与架构设计

他还有最后一道防线：代码质量与软件架构——现在被简称为「技术品味」。

整个职业生涯中，他始终热衷于代码重构，追求高质量的代码实现。DDD、六边形架构、整洁架构等设计理念，他不仅熟悉，更在实践中不断优化。他享受讨论不同架构方案的权衡过程，热衷于塑造优雅的代码库。

这是他最后的职业堡垒。但现在，似乎没人在意这些了。

智能体在维护代码整洁方面表现糟糕。如果不加引导，它们很快就会制造循环依赖问题，出现代码重复、无关注释、函数纯度混淆、SOLID原则违反等低级错误。

人类本应通过引导智能体来保持代码质量，但行业趋势却在走向另一个极端：代码组织的重要性正在降低。

没错，人类需要防止智能体生成意大利面条式代码，但企业对代码质量的要求已经大幅下降。C级或D级代码库现在完全可以接受，因为代码主要是为AI阅读而写，而非人类。

他不想评判这种趋势的好坏。如果源代码确实主要服务于机器，那么这种转变或许无可厚非。

但这意味着他在这方面的专业知识正在贬值。那些通过阅读、实践、讨论和编写架构决策记录积累的经验，突然变得不再重要。

未来何去何从？

作者表示，虽然目前工作稳定，至少在这家公司还有发展空间，但对长期职业前景感到迷茫。

他用了十年时间精通的技能，正在迅速失去价值。最后的专业支柱「技术品味」，也可能撑不了多久。

他知道，有类似困境的不止自己一人。八个月前公司裁员时，许多优秀的前同事失业至今。他们面临同样的问题：专业领域知识已不足以形成竞争优势。

公司现在招聘时，领域专长已不再是关键考量。招聘广告从「软件工程师-某领域」简化为「软件工程师」，团队分配在录用后决定。

这对缺乏领域深耕机会的工程师是好事，但想到那些用一生积累专业知识的工程师现在要在同一起跑线竞争，不免令人唏嘘。

作者认为，长期职业安全的出路在于转向AI难以掌握的领域。但还有什么领域是AI无法涉足的呢？

他考虑过重返校园攻读数学、统计学或高级机器学习，然后申请前沿实验室职位。但他所在国家缺乏这类机构，现有实验室竞争激烈，且因家庭原因无法移民。等到条件成熟时，AI可能已经让研究员岗位变得多余。

最后他自我调侃道：「或许该把木工爱好变成职业了……」

回应争议

这篇博客在社交媒体引发热议后，作者针对典型质疑进行了回应。

质疑：领域知识真的无用了吗？比如本地税务法规

有评论指出：AI在处理本地税务法规、会计流程等复杂规则时经常出错，怎能取代人类专家？

作者承认表述不够严谨。AI确实无法完全掌握所有本地法规，但这些工作通常由法务团队处理（他们也在大量使用AI自动化例行工作）。让他沮丧的是，自己积累的领域知识——虽然不如法务深入——现在通过ChatGPT Pro的扩展思维功能就能轻松获取。他原本以为这些知识能让自己在「纯编码」世界中脱颖而出，但现实并非如此。

随着新模型、专用文档和代码库指引文件的出现，Agent处理细节问题的能力在提升。他越来越不需要向资深同事请教，完成工作所需的人类互动大幅减少——这让他感到不安。

质疑：公司要求用AI加速设计文档，是否过于草率？

有评论认为，金融科技公司管理者建议用AI加速设计文档，显示对业务不够重视。

作者同意这种做法欠妥，但分享了自己的应对策略：

• 文档模糊化处理：设计文档只包含状态机等通用内容，为具体实现留出空间。AI普及后，文档审查变得流于形式，审查者要求降低。
• 任务分解策略：在项目板上增加端到端测试任务，借此发现缺陷并争取审查时间。将核心实现拆分为更多任务卡片，确保从容实现和审查。

他并不喜欢这种工作方式，但在当前环境下别无选择。据他所知，公司还不算极端案例，跳槽可能面临更糟情况。至少在这里，他懂得如何管理相关方预期，且公司未强制全面推行「氛围编程」。

质疑：技术浪潮而已，学会驾驭工具就行

有评论说：你经历过网站/webapp浪潮，现在只是新浪潮，学会新技能就行。

作者表示确实在积极适应，他是公司改进Agent工具链的工程师之一，用不同模型进行对抗性代码审查，保持技能和提示词库更新。他已成为所谓的「AI原生工程师」——尽管讨厌这个标签。

但他更担心未来。如果模型和工具链继续以当前速度进步，软件工程将彻底商品化。有人提到杰文斯悖论（效率提升增加需求），但他认为软件需求有上限。

以文案写作为例：这个职业曾需要多年修炼，收入可观。但随着电商和广告技术需求见顶，市场饱和，LLM直接摧毁了大多数从业者的工作。小公司用ChatGPT生成文案就够，只有少数公司需要专人提示、审核和发送。顶尖1%的文案仍有工作，但其余99%在争夺残羹冷炙。用户体验写作曾是不错职业，现在从业者大量被裁，即使大公司也只保留少数审核人员——直接用ChatGPT生成界面文案，90%情况足够好。

如果模型沿此路径发展，软件工程师将面临同样命运。虽然会有人被雇来操作Agent，但这些工作可替代性强、薪资低——这就是供需规律的作用。这不只是软件行业的问题，实验室正在将目标转向金融、生物、法律、营销等所有知识领域。

质疑：这和当年OOP浪潮没什么不同

有评论说，90年代和00年代的面向对象编程(OOP)浪潮也曾改变一切，最后不也过去了？

作者指出：OOP没有让知识变得可提示化，也没有显示出快速、复合增长并取代多个领域工人的趋势。人们总用过去预测未来，但极端事件确实会发生。

现在的情况完全不同：我们建造了能够连续输出有用文本的矩阵乘法机器，这是科幻级别的成就，应该以相应态度对待。

质疑：工程原则过硬就安全

有评论认为，有能力的工程师仍然安全——领域知识可以快速学习，但应用工程原则很难。

作者不同意这种观点。模型终将掌握工程原则。例如Turing AI公司正在雇佣工程师编写跨领域和语言的「好代码」，用于实验室的强化学习。所谓「人类护城河」不会永远存在。

质疑：你低估了自己的引导能力

有评论认为，他能引导AI获得好结果，是因为本身就懂这个领域。

作者表示：但愿如此。但他发现AI在解释和提供完全陌生领域的建议时也很擅长，经与法务/产品经理交叉验证，通常都是正确的。

也许这就是我们这代人面临的真正问题：不是「AI会不会取代我」，而是「当我十年积累的一切都可以被提示词绕过时，我还剩下什么」。技术乐观主义者说总会有新岗位，但现实主义者看到供需曲线的无情。你可以继续驾驭浪潮，但浪潮方向已不由你决定——这与过去任何技术变革都不同。

原文链接：
https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/
https://human-in-the-loop.bearblog.dev/replies-to-comments-on-my-llms-are-eroding-my-career-post/
https://news.ycombinator.com/item?id=48434312