用发展的眼光看 AI 编程
如果你最近投过前端岗位，你多半有过这种感受：前端已死了，聊天列表都是未读或已读不回，寥寥无几的面试机会，简历上不写两三个 AI 项目好像就过不了筛选，面试官问的问题也跟以前不一样了。
在社交媒体上也会时不时刷到有关 "AI 取代程序员的消息"。
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。我要摆一份数据给你看。这份数据，既能读成坏消息，也能读成好消息。
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%。软件开发这个岗位本身没缩水，只是招进来的人，跟以前不太一样了。
同一份数据，有人读成"AI 把人挤掉了"，也有人读成"入门岗位变少了、资深岗位变多了"。
那这两种读法差在哪？差在公司现在招人看的东西变了。以前看你"能不能把活干完"，现在看你"能不能发现问题、能不能替团队拿主意"。
你的经验没过期。只是公司现在看的，是它以前不看的那一面。
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。 高盛也算过一笔账：AI 让美国每月少增了约 1.6 万个岗位，但同一时期算力基础设施建设又造出了新岗位，一进一出。
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：受影响最重的，是拿 AI "替人干活"的场景，不是拿 AI "帮人干活"的场景。 在那些把 AI 当帮手的岗位里，年轻人的就业是持平甚至上升的。
同样是让年轻人用上 AI，AI 站在人的哪一侧，结果是两条方向相反的路：
这背后有个原因，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。
所以公司少招的，不是"初级工程师"这个职位，而是原本用来带你入门的那些简单活——那批活没了，新人就没人带、也没人敢招了。
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。说人话就是：新人拿得出手的，主要是从学校和书上学的；老手真正值钱的那部分，恰恰是书上没写、只能靠亲手做过才知道的。
同一份研究里，斯坦福计算机科学家 Jan Liphardt 把它说得很扎心：三年前，毕业生一毕业就能找到入门级工作；现在，他们挤不进去了。
WARNING
但请注意一个细节：PwC 2026 年的调查发现，在那些 AI 替代风险高的入门级岗位里，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 编程真的足够强了，还剩下哪些问题，是它很难突破的？又有哪些问题，是它再强也突破不了的？
这四道坎，我下面逐一道给你看。搞清楚了，你就知道自己该往哪儿使劲。
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，靠的是在海量训练里记住了代码的"语法规律"——哪种写法更常见，它就往哪种写。
它记住的只是"哪种写法更常见"，具体某个项目的真实细节，它并没有真的存下来。这就推出一个结论：它存储知识的方式，一定是有损压缩。 就像把一张高清大图存成低清晰度的 JPG——大致的轮廓还在，细节已经没了。
而有损，就意味着它会在信息太少、或者信息太多互相干扰的时候，给出一个看着很像样、其实不对的答案——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。
顺着这一点往下推，会撞上四道坎。而这四道坎，恰好就是人类能守住优势的地方。
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，输出反而越不稳。
原因不复杂。给得多，模型要同时顾着的东西就多，它很容易顾此失彼。而且任务本身也长——写一个 400 行的功能，模型是一行一行接着往下写的：第 51 行接着第 50 行写，第 100 行接着前面 99 行写，它不会回头检查前面有没有写错。
这就像做一道很长的大题，而且每一步都只有一种算对的方式——没有"换个思路也对"的余地。所以中间某一步算错了，它不会停下来问你"这一步对不对"，而是接着错的那一步继续算。于是你拿到的代码读起来很顺，顺的却是一条错的路：它可能从第 37 行起就歪了，只是从头到尾都很流畅，谁也看不出来。
把这个生成过程单独摊开，就明白它为什么天然接不住"回头检查"这类要求：
一行一行往前推，歪了也不会停所以会出现一个看起来很反常识的结果：提示词越短、限制越少，AI 反而表现得越稳。
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，而是一次给它太多东西，它反而分不清哪个才是重点。
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：它们不在同一条要求里，所以谁也不会提醒你。
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，就改这个地方。 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这个地方、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。
现实里最常见的这种冲突，其实来自人。比如产品经理上个月说"这个能力要通用"，这个月又说"就这一页用，别抽象了"。这两句话是打架的，但很少有人会把它们写进同一份文档，所以没人发现。AI 也不会像工程师那样皱眉说"这个不合理"——它会照做。
把上面那两条约束放进同一次对话，它实际会走的处理顺序是这样的：
冲突不会被报出来，只会被各自照做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 做出几个小玩具项目。但项目一旦要长期维护、需求一直在变，这些互相打架的要求就会越攒越多，最后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：这些它给不了你。
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：当场看不出来。 可能要等几个版本迭代之后才暴露，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，但会不会给以后埋雷"，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。
同一段代码，新手和资深工程师看到的，根本不是同一件事：
对新手来说，"跑起来了"就是完整的成功。对资深工程师来说，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。
新手的时间都花在"看它跑通"上，资深工程师的时间都花在"确认它是对的"上。现在前者几乎不花时间了，省下来的时间全砸在"确认"上——而这正是资深工程师最值钱的部分。
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——因为我们可以同时拥有 AI 的效率，和十几年攒下来的技术判断力。这两样凑在一起，新人无论怎么努力都追不上。
而且数据也是这么显示的：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。
你的经验没过期。变的是公司凭什么挑中你。
过去公司愿意为你付钱的，是写得快、API 记得多。现在这两样 AI 都能干，值不了钱了。真正值钱的是三件事：讲清楚要做什么、选出该留的方案、判断代码以后好不好改。
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。而新手在这种环境里，几乎不可能练出"看出坏代码"的能力——因为从来没人逼他看懂，也从来没人告诉他这里有问题。
你没法靠一个自己都没看懂的工具，练出"看懂它写的东西"的能力。
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，就是先承认它确实很强，然后找出哪些活它干不了、只能人来干。
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。
换成人和 AI 的分工，它其实是一条带回路的流水线：
两端必须有人，中间才是 AI 的高效区第一，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。能清楚说出"要做什么、不做什么"的人，才真正握着方向。
这不只是"提示词工程"。它考的是你能不能把一件事讲清楚——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，写代码几乎不花钱了，但"选哪一种"变成了一道难题。
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，其实只有一个具体要求：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，是看过几个月会不会变得难改、出了问题也难查。
- 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"、"懂某个行业内部那套复杂规矩的人"不是。
5、最后
回到开头，面对 “AI 会不会替代程序员？” 这个问题应该有答案了。
不是 AI 淘汰了谁，是 AI 淘汰了"不会思考怎么用好 AI"这件事的人。你要努力的方向是做好 AI 方向盘的掌舵人，定方向、做选择、下判断，并使用 AI 擅长的能力把东西做出来。