副标题:一个 “学过语法、却没做过项目” 的人,在交出第一批成品之后的判断
、结论先放在前面
AI 编程的前景,不是 “程序员要没了”,而是:写代码这件事在贬值,把问题定义清楚、并让系统真的交付出来这件事在升值。
中间那层正在被压缩 —— 只会照着需求把增删改查拼起来的人。两头正在被加价 —— 能定义问题、能验收架构的人,和能让 AI 真正嵌进业务流程的人。
这句话对我不只是行业判断,是我自己的处境。我过去的状态是:想法不少,手上只有 HTML、C++、Java 的语法残片,从来没有把一个东西真正做到 “能拿给别人用”。不是不想做,是卡在那道坎上 —— 从 “我懂语法” 到 “这东西跑起来了、别人能用”,中间隔着一整条工程链路:环境、依赖、报错、部署、边界情况。过去这条链路要一个人啃半年,所以我那些想法就一直是想法。
这次不一样。我用 AI 把几个项目真做出来了。做完之后我最强的感受不是 “AI 会写代码”,而是:过去挡在我面前的那道坎,一大半其实是工具的门槛,不是能力的门槛。
二、我这次到底做成了什么
这几个项目,按形态可以归成三类。三类都很小,但都跨过了 “从想法到能用” 的那条线。
第一类,是把我自己每天重复的手工活儿做成的小工具。 这类需求以前我根本不会去做 —— 性价比太低,为了省每天二十分钟去写两天代码,不划算。现在成本结构变了:我需要做的只是把 “我每天在做什么、哪里最烦、我希望它输出什么” 讲清楚,剩下的交给 AI,一两个小时就有一个能跑的版本。第一个版本往往是错的,报错直接贴回去,改到第三轮才敢真的用。但用过一周之后,它就成了我工作流的一部分。
第二类,是网页。 这件事对我有特殊意味:HTML 我学过,CSS 和 JS 也摸过,但二十年来我没有做出过一个自己能打开的完整页面。这次我做的第一个网页,结构、样式、响应式、交互,全都是在我描述需求、AI 生成、我验收的循环里长出来的。我做的事变成了:说清楚这个页面给谁看、要传达什么、哪里不能丑。审美和判断是我的,实现不是。
第三类,是接了外部接口、能自己跑起来的小应用。 这一类最能说明问题:它涉及数据获取、错误处理、定时触发、状态保存 —— 过去每一个环节都是一个能让我卡住三天的坑。这次我的角色更像一个 “技术负责人”:提需求、看结果、判断哪里不对、要求返工。我不需要知道每一行代码为什么这么写,但我必须知道它该产出什么、什么情况下算失败。
三件事做完,我对 “效率提高了一个维度” 这句话有了具体的理解。不是快 20%、快一倍,而是一批原本因为 “不值得做” 而被放弃的需求,现在值得做了。这个变化比速度本身重要得多。
三、AI 替代了什么,没替代什么
替代掉的,很明确:样板代码、格式转换、脚手架、查文档、写正则、写那些 “我知道怎么写但懒得写” 的东西。这些东西过去占据了一个开发者大量的时间,也是 “初级岗位” 的主要内容。清华的一份报告给出的数字是,初级程序员岗位的 AI 替代率达到 87%。这个数字刺耳,但它描述的是任务,不是人。
没替代掉的,同样明确,而且恰好是我这次感受最深的部分:
- 判断什么值得做。 AI 不会告诉你这个功能该不该存在。我三个项目里,砍掉的需求比做出来的多。
- 验收。 AI 写得越快,我读得越要认真。它给我的代码经常 “看起来对”,但边界条件是错的。我踩过的坑几乎全在这里。
- 为后果负责。 上线了、有人在用、数据在里面,这件事只能是人扛。
Anthropic 在 2026 年的智能体编程趋势报告里把这个转向说得很直白:软件开发正在从 “以写代码为中心的活动”,变成 “以编排写代码的智能体为中心的活动”,同时保留人的判断、监督与协作。我的体验和这句话完全对得上。
四、市场数据:不是 “人没了”,是 “层级在重排”
把情绪拿开,看几组能查到的数。
总量没崩。 美国劳工统计局对软件开发者的长期预测是 2025—2035 年增长 10%,从约 172 万到 189 万,净增约 17.5 万个岗位;美国软件开发招聘在 2025 年 2 月底之后回升了约 15%,而同期所有岗位的招聘是下降 7% 的。
结构在剧烈分化。 同一份数据里,高级岗位占了 2025 年 5 月到 2026 年 5 月招聘增量的 71%;而 22—25 岁、处于 AI 高暴露岗位的就业,比按其他群体推算的应有水平低约 19%,早期软件开发者的就业下降了 20%。翻译成人话:门还开着,但开在更高的位置上。
国内的分化更直接。 猎聘 2026 年 1—9 月的数据显示,传统程序员岗位新发职位同比下降 8.0%,而适合程序员转型的新型技术方向(软件与算法)岗位同比增长 20.4%、三年累计增长 57.0%;这类新岗位的规模已经相当于传统程序员岗位的 79%,而 2024 年这个比例只有 48.8%。薪酬差距更直观:新型方向平均招聘年薪 45.6 万元,传统程序员岗位 29.3 万元,1.6 倍。
值得注意的是新机会内部也在冷热分化:通用 AI 算法与工程占新机会的 46.8%,体量最大;但从增速看,具身智能与机器人(+84.6%)、半导体与集成电路(+47.8%)明显快过大模型与生成式 AI(+7.3%);半导体方向的软件岗位平均年薪 55.5 万,甚至超过了常被当作 “最热” 的大模型方向的 52.4 万。这说明高薪不完全由赛道热度决定,硬技术能力和产业经验依然有溢价。
还有一个新岗位很说明问题:FDE(前沿部署工程师,Forward Deployed Engineer)—— 本质是 “能把 AI 能力落到客户真实业务里去的人”。LinkedIn 2026 年劳动力报告显示,2023 到 2025 年全球 FDE 岗位招聘增长了 42 倍,国内大厂给这类专家开的月薪是 3 万到 8 万。这个岗位的稀缺点不是 “会不会写代码”,是 “懂业务、懂落地、能对结果负责”。
五、最该警惕的一件事:入门的梯子在变窄
上面所有好消息里,有一个结构性风险必须单独拎出来说。
当 “一个有经验的人 + AI” 能顶过去三四个初级工程师的产出时,企业最理性的选择就是不招初级。有报道提到,有公司的代码九成以上由 AI 生成,却几乎不招初级开发者,只招五到十年经验的人来审核 AI 的输出。短期看这是效率,长期看这是人才管道在断裂:今天不培养初级,十年后就没有高级。
对我这样的人,这条风险有具体的含义:“AI 让我能做出东西” 和 “AI 让别人愿意雇我做东西” 是两回事。 前者是工具红利,后者才是职业前景。把它混为一谈,就会做出很多很酷但没人付钱的 demo。
同样要诚实承认的另一面是:AI 让 “做出来” 变容易,也让 “做对” 和 “维护住” 的相对难度变高。生成得快、理解得慢,是这套工作方式最大的隐患。我三个项目里,真正花时间的不是生成,是搞清楚它为什么在某个边界上会崩、以及三个月后我还敢不敢改它。
六、给和我处境相似的人:四件具体的事
第一,从自己的真实痛点出发,不要从技术栈出发。 我这次做得最成功的那个工具,起因就是 “这活儿我每周要做三次”。这种项目有天然的用户(我自己)、天然的需求(疼)、天然的验收标准(省没省时间)。它比任何教程项目都更能把你从 “学过语法” 推到 “交付过东西”。
第二,先交付一个 “有别人用” 的最小东西。 哪怕只有一个人用。有真实用户之后,需求、边界、报错、维护这些问题才会真的发生 —— 而这些问题,才是工程能力真正长出来的地方。
第三,补三块 AI 补不了的基础。 数据结构与复杂度、网络与数据库、调试与版本控制。不是说要用它们手写代码,而是没有它们,你无法判断 AI 给你的东西是对的还是埋了雷的。我这次踩的坑,八成能归到这三块里。
第四,把 AI 当同事,不当外包。 外包心态是 “我说一句,你给我一个成品”;同事心态是 “我提需求、你出方案、我来 review、我们一起把边界情况过一遍”。前者让你永远停在 “能生成”,后者才让你积累 “能负责”。
七、回到开头
我原来以为挡住我的是 “技术能力不行”。这次做完几个项目,我的判断修正了:挡住我的一大半是工程链路的门槛—— 环境、工具、试错成本、没人帮你查报错。这些门槛,AI 已经在快速抹平。真正没被抹平的那部分 —— 判断什么值得做、验收什么算对、为结果负责 —— 从来也不是靠 “多写几年代码” 自动获得的。
所以 AI 编程的前景,我的看法是:
对行业,是一次层级重排,总量还在长,但底座在变薄、顶部在变贵。对个人,是一次门槛下移 —— 它不会自动给你一份工作,但它会把 “有想法但没工程能力” 的人,第一次真正放进赛道里。
这条赛道上现在挤进了比过去多得多的人。所以真正的分野不在 “你会不会用 AI 写代码”,而在用完 AI 之后,你交付的东西有没有人愿意用、敢不敢让人用、三个月后还敢不敢改。
评论(0)
还没有评论,来说两句吧。