一個程序員的自白:10年搭起的三根職業(yè)支柱,全倒了,不如去做木匠

機器之心編輯部

AI 正在讓職場打工人面臨痛苦的轉型。當我們聚焦一個個體的故事時，這種痛苦變得非常具象。

最近，一篇題為《LLM 正在損害我的軟件工程職業(yè)生涯，我不知道該怎么辦》的帖子在 Hacker News 上引發(fā)關注。

作者是一位擁有 10 年經(jīng)驗的軟件工程師。他的職業(yè)路徑看起來相當清晰：從前端起步，轉型后端，深耕金融與支付領域，積累了 PCI 合規(guī)、雙重記賬、冪等性防重復扣款、支付生命周期管理等一整套專業(yè)知識。他曾篤定地認為，這些靠「真金白銀」的項目經(jīng)驗換來的領域積累，是他在行業(yè)里安身立命的根本。

然而，他卻用「三根支柱相繼倒塌」描述了自己這兩年的職業(yè)體驗。

第一根支柱：領域專業(yè)知識

去年，他被一家金融領域的公司錄用。此前他就職的公司雖然運營或產(chǎn)品中也涉及支付和金融模塊，但并非純粹以金融為核心的企業(yè)。

這家公司全面擁抱人工智能，因此他從入職第一天起就獲得了 ChatGPT 和 Claude 企業(yè)版賬戶，并被鼓勵在調(diào)研、探索甚至編碼中使用這些工具。不過他被提醒：每一行進入生產(chǎn)環(huán)境的代碼仍需由他自己審核并負責。

他接手的首批項目之一，是重構一團糟的舊版在線支付系統(tǒng)。公司看中他以往構建此類系統(tǒng)的經(jīng)驗，因而將這項任務交給了他，并對他委以信任。

與他之前工作過的其他公司不同，這家公司希望他編寫的「設計文檔」既能讓工程師看懂，也能讓產(chǎn)品經(jīng)理理解 —— 所以文檔不能是過于技術性的 deep dive，而應更像架構視圖。他在極少借助 AI 的情況下完成了第一份文檔 —— 當時他甚至稱大語言模型為「隨機鸚鵡」（如今他已不再持這種觀點）—— 并交付了成果。

他珍視自己的知識，認為沒有哪個大語言模型能取代它。

隨后他的經(jīng)理找他談話：「雖然你交付代碼的速度不錯，但寫這些設計文檔花的時間太長了。你用 AI 了嗎？你應該多用 AI。

他心里想：「這絕對行不通。」但還是同意了。那時的模型不如現(xiàn)在強大，但確實顯著提升了他的寫作效率，甚至輔助了決策。

接著他開始意識到：自己多年積累的所有知識 —— 不同實現(xiàn)方案之間的權衡、收單機制如何運作、如何構建冪等性以防止重復扣款 —— 一切都在變得毫無價值。盡管模型仍需要一些引導，但它們已經(jīng)能自行串聯(lián)起設計這類系統(tǒng)的要點，而這恰恰是最難的部分，通常需要多年實戰(zhàn)經(jīng)驗才能在腦中形成。這是他遭遇的第一次沖擊。

但他轉念一想：模型能做到這一點，是因為網(wǎng)上有大量解釋這類系統(tǒng)原理的文章，以及所有技術文檔，還有大量博客文章講解如何將技術工具應用到業(yè)務領域。對人來說，學會這一切需要很長時間，但這些東西本就是訓練數(shù)據(jù)，模型自然可以習得。

模型永遠無法擅長、人類將大放異彩的領域是 —— debug！他在生產(chǎn)環(huán)境中調(diào)試競態(tài)條件和分布式系統(tǒng)方面積累了豐富的經(jīng)驗。這曾是他長期保有飯碗的保障。

第二根支柱：debug 與分布式系統(tǒng)

在大語言模型開始擅長撰寫文檔、輔助規(guī)劃具體實現(xiàn)之后，它們又變得擅長編碼。這始于 2025 年下半年的 Claude Code 熱潮，接著 Codex 等工具相繼出現(xiàn)。雖然此前他每天都用大語言模型寫單元測試，但還不信任它們能直接完成完整的實現(xiàn)。

下一步自然是將更多 AI 引入編碼過程。說實話，他喜歡這樣。他既喜歡編碼，也喜歡把產(chǎn)品推上線、看到用戶滿意，所以只是用一種自己喜歡的事替換了另一種，挺公平的。

大語言模型越來越擅長編碼，但仍然無法 debug（無論是模型還是人）留下的混亂局面，所以他仍然有一個比「操控機器人」更大的角色 —— 這是他保住工作的門票。

一切似乎還不錯。

接著，MCP、智能體工作流以及 Claude 4.5 出現(xiàn)了，天開始塌了。

說實話，Claude 4.5 并沒有那么好。給定堆棧跟蹤和一些上下文（大多數(shù)情況下，開啟 Sentry MCP 并提供一個 Sentry 鏈接就夠了），它大約能解決 60% 的缺陷。有時它會給出聽起來合理但完全錯誤的解決方案。

然而這一次，他不再懷疑機器的能力。他看到過去往往需要一整天專職 debug 才能解決的缺陷，被 Claude Code 一次性解決。當然，還不是全部，但趨勢已經(jīng)很明顯。

然后 4.6、4.7、GPT 5.5、Opus 4.8 以及 DataDog MCP 相繼問世…… 現(xiàn)在他擁有的命令行工具可以一次性解決跨分布式系統(tǒng)的缺陷，那些他過去無法解決的缺陷，那些需要整整兩天專職調(diào)試的缺陷。那些缺乏分布式可觀測性的跨系統(tǒng)缺陷。如今 90% 的缺陷都能一次性解決，包括詭異的競態(tài)條件、意外的邊緣情況、第三方集成問題、未文檔化的 API 邊界情形 —— 一切。他幾乎不需要介入。

當然，他依然有工作可做，因為總得有人審核代碼、操控機器人。但他現(xiàn)在只不過是個普通到隨時可替換的工程師。他的任何領域專長，另一位操控大語言模型的高級工程師都能輕易匹敵。他感覺，他所有的金融和支付領域知識、所有通過汗水和淚水換來的調(diào)試直覺和分布式系統(tǒng)知識，現(xiàn)在都可以通過提示詞獲得。

我們曾被告知：通才和專才永遠各有其位。但現(xiàn)在市場正把每個人都塑造成通才。這本身并非壞事 —— 直到你審視供需的經(jīng)濟學：如果人人都成了通才，而沒有與之匹配的需求，通才的價格就會下跌。而我們都清楚，需求正在枯竭。

第三根支柱，尚未消蝕的那根：代碼質(zhì)量與架構

不過，他還有一根支柱屹立不倒：代碼質(zhì)量與軟件架構 —— 也就是現(xiàn)在被簡稱為「品味」的東西。

在他的職業(yè)生涯中，他一直喜歡重構，珍視高質(zhì)量的代碼，并在迭代中爭取時間做這件事。DDD、六邊形架構、整潔架構 —— 這些流行詞他都很熟悉。他喜歡這個話題，喜歡討論不同的權衡和塑造代碼庫的思路。他真的很喜歡。

這是最后屹立的支柱。只不過，現(xiàn)在沒人在乎了。

智能體在保持代碼庫整潔方面表現(xiàn)極差。如果你不加以引導，它們很快就會碰到循環(huán)依賴問題。它們會重復代碼、添加無關的注釋、混用純函數(shù)和副作用、無視 SOLID 原則。

這本來應該能讓人類保住工作，然而這項技能如今已被簡化為「品味」一詞。但不僅僅是重新命名 ——整個行業(yè)正在走向一個代碼組織不那么重要的世界

沒錯，人類應該引導智能體，防止出現(xiàn)帶有循環(huán)依賴圖的意大利面條式代碼庫。沒人想要那種碰一下就出問題的 F 級代碼庫。但 C 級或 D 級呢？現(xiàn)在完全可以接受。不再需要 A 級或 B 級的代碼庫了，因為代碼是為大語言模型寫的，而不是給人讀的。

他不想爭論這本身是好是壞。如果源代碼現(xiàn)在是為機器而非人類閱讀而寫的，那么以機器為目標也許也沒問題。

但這又是他專業(yè)技能中一根正在消蝕的支柱。他在這方面積累的大量知識不再那么有價值。他花費的所有時間 —— 讀書、做實戰(zhàn)練習、與其他工程師討論、編寫架構決策記錄 —— 都在變得無用。

接下來該怎么辦？

作者表示，他依然有工作，并且認為自己可預見的未來（至少在這家公司）仍會受雇，但他不知道長期該如何看待。

他花了十年（如果算上非職業(yè)經(jīng)驗則更久）去精通那些價值越來越低的事情。他最后的專業(yè)支柱如今被簡化為「品味」，而且很可能也撐不了多久

而且他知道，有這種處境的不只是他。大約八個月前，他現(xiàn)在的公司進行了一輪裁員（據(jù)稱與 AI 無關）。一些出色的前同事被裁，至今仍在找工作。他們大多面臨同樣的問題：他們的領域專長已不足以讓他們脫穎而出。

公司現(xiàn)在又開始招聘少量崗位，領域熟悉度已不再是強有力的區(qū)分因素。過去他們會招聘「軟件工程師 - 某領域」。現(xiàn)在只寫「軟件工程師」，團隊分配在錄用之后才進行。

當然，這對那些從未有機會深入特定領域、現(xiàn)在獲得更好就業(yè)機會的優(yōu)秀工程師來說是好事，但想到那些窮盡一生積累領域知識的其他優(yōu)秀工程師如今不得不在同一條賽道上競爭，也不免令人感傷。

作者認為，要想長期保住飯碗，現(xiàn)在看來唯一的出路是把他的領域專長轉向大語言模型不那么容易掌握的方向。但還剩下什么呢？

他曾考慮重返校園，學習數(shù)學、統(tǒng)計學、高級機器學習，然后申請前沿實驗室的研究崗位。然而他的國家沒有前沿實驗室，少數(shù)幾個存在的實驗室也收到海量申請，而且他因家庭原因難以移居他國。等到他有條件完成這一跳躍時，RSI 可能已經(jīng)讓研究員變得多余。

最后他寫了一句調(diào)侃的話：「或許應該考慮把木工愛好變成職業(yè)……」

回應爭議

這篇博客發(fā)布之后在社交媒體上被大規(guī)模傳播。作者挑出了一些代表性評論進行回復。

關于「領域知識真的沒用了嗎？比如本地稅務法規(guī)」

有評論指出：大語言模型在處理本地稅務法規(guī)、會計流程細節(jié)、分類賬實現(xiàn)等方面經(jīng)常出錯，怎么可能取代人類的領域知識？

作者承認自己原文說得不夠清楚。LLM 確實無法自動搞定所有本地稅法或極其細碎的規(guī)則 —— 但這些通常由法務團隊處理（而法務團隊也在大量使用 LLM 自動化例行工作）。問題在于，他多年積累的領域知識（雖然比法務團隊淺得多）如今用 ChatGPT Pro/Extended Thinking 就能直接提示出來。這才是讓他沮喪的地方 —— 他曾經(jīng)以為，在一個「只會寫代碼」的程序員世界里，擁有這些知識能讓他脫穎而出，但現(xiàn)實已不是這樣。

至于 Agent 以前不擅長這類細節(jié)，他承認。但隨著新模型、面向 Agent 的文檔、以及在代碼庫根目錄放 AGENT.md 強制要求 Agent 先讀文檔再寫代碼，情況已經(jīng)改變。他越來越不需要去問那些在公司待得更久、了解細節(jié)的同事了。現(xiàn)在他完成工作所需的人類輸入大大減少 —— 停下來想想，這很可怕。

關于「你們公司經(jīng)理讓你用 AI 加速設計文檔，這也太不靠譜了」

有評論認為，一家金融科技公司的管理者竟然建議用 AI 加快寫設計文檔，說明這家公司對待金錢業(yè)務太草率。

作者同意這不靠譜，但他有自己的應對方法：

• 文檔寫得籠統(tǒng)：設計文檔中只放狀態(tài)機等相對通用的內(nèi)容，給自己留出仔細實現(xiàn)的空間。AI 到來（以及裁員）之后，所有人都淹沒在長篇文檔和 PR 審查中，審查者遠沒有以前挑剔了。
• 在項目板上做文章：他總是會加一些端到端測試的任務，借機發(fā)現(xiàn)缺陷，在功能發(fā)布前提交缺陷 / 改進單。這為他爭取了謹慎審查實現(xiàn)的時間。另外，他會把敏感的核心實現(xiàn)拆分成比平時更多的任務卡片，以便從容實現(xiàn)和審查。

他喜歡這樣做嗎？當然不。但他有什么選擇呢？從他認識的人反饋來看，他的公司還不算「氛圍編程」的最極端案例，跳槽去一個可能更糟的環(huán)境并不劃算。至少在這里，他知道如何控制相關方的焦慮（他的審慎和仔細為他贏得了聲譽），而且公司沒有強迫他全速進入「氛圍編程」。

關于「你要學會沖浪，每次技術浪潮都一樣」

有評論說：你以前沖過網(wǎng)站 /webapp 的浪潮，現(xiàn)在不過是新浪潮而已，學新本事，駕馭工具，游戲沒變。

作者表示同意，他現(xiàn)在正是這么做的。他是公司里不斷改進 Agent 工具鏈的工程師之一，用不同模型做對抗性代碼審查，保持自己的技能和提示詞工具庫。他實際上已經(jīng)成了所謂的「AI 原生工程師」（雖然他討厭這個詞）。

但他更擔心的是未來。

如果模型及其工具鏈在未來幾年繼續(xù)以同樣的速度變強，那么軟件工程這個職業(yè)將被徹底商品化。有人會提起杰文斯悖論（效率提升導致需求增加），但他不同意。軟件需求一定有上限。

他以文案寫作（copywriting）為例。這個職業(yè)曾需要多年修煉，收入也不錯。隨著電商和廣告技術帶來的需求高峰過后，市場逐漸飽和，而 LLM 直接摧毀了絕大多數(shù)從業(yè)者的工作。原因很簡單：大部分需求來自小公司，它們用 ChatGPT 生成的文案就足夠了。少數(shù)公司還會雇人做提示、審核和發(fā)送，但需求不是無限的，不可能所有人都找到這樣的工作。一個文案現(xiàn)在能干過去十個人的活，但需求總量固定。需求不會因為你供給多了十倍就變成十倍。

當然，頂尖的 1% 文案仍有工作，但其余 99% 在為殘羹剩飯而戰(zhàn)。用戶體驗寫作曾是不錯的職業(yè)，現(xiàn)在他認識的從業(yè)者都被裁了，甚至大公司也裁掉了他們 —— 你直接提示 ChatGPT 生成界面文案，90% 的情況下沒問題，所以公司沒有必要養(yǎng)十個人，裁掉九個留一個就夠了。

如果模型繼續(xù)沿著同一方向改進，軟件工程師都將走向同樣的命運。會有人被雇來操控 Agent，但他們將是可替代的、廉價的（又是供需規(guī)律）。這正是他在文章中強調(diào)的。而且這不只是軟件行業(yè)的事 —— 實驗室的低垂果實是軟件，但他們接下來會瞄準金融、生物、法律、營銷，所有知識工作。這已是公開的目標。

關于「這跟當年 OOP 浪潮沒什么不同」

有評論說，90 年代和 00 年代也有「面向對象編程（OOP）改變一切」的浪潮，最后不也過去了？

他指出：OOP 沒有讓知識變得可提示（promptable）。OOP 沒有顯示出快速、復合增長、朝著取代橫跨多個領域（不限于軟件工程）大量工人的方向前進。這不是同一回事。人們總傾向于認為過去能預測未來（其實沒有哪個嚴肅的歷史學家信這個），但有時極端事件會發(fā)生。

現(xiàn)在類似的事情正在發(fā)生，而人們因為 OOP、元宇宙、NFT 等失敗的類比而輕視它。作者不想危言聳聽，但眼前的東西確實比 OOP 更大：我們建造了一個矩陣乘法機器，在合適的工具和提示下，可以連續(xù)數(shù)小時輸出有用的文本。這是科幻級別的存在。我們應以相應的態(tài)度來對待它。

關于「只要工程原則過硬，你就安全」

有評論認為，如果作者對未來的預判是正確的，那有能力的軟件工程師仍然是安全的 —— 領域知識可以學得快，但如何應用好的工程原則很難學。

作者不同意這個觀點。模型終將學會好的工程原則。舉例來說，有一家叫 Turing AI 的公司，正在雇傭工程師編寫跨各種領域和語言的「好代碼」，用于實驗室的強化學習。所謂「人類護城河」不會永遠存在。

關于「你低估了自己的引導能力」

有評論認為，他能把模型引導出好結果，是因為他已經(jīng)懂了這個領域。

作者表示：但愿如此。但他發(fā)現(xiàn) LLM 在向他解釋和提供其他完全陌生的領域建議方面也很擅長，而且他拿去跟法務 / 產(chǎn)品經(jīng)理交叉驗證，通常都是對的。

也許，這就是我們這代人真正要面對的問題：不是「AI 會不會取代我」，而是「當我花了十年建立起來的一切都可以被提示詞繞過時，我還剩下什么」。技術樂觀主義者會說總會有新崗位，現(xiàn)實主義者會看到供需曲線的無情。你可以繼續(xù)做那個駕馭浪潮的人，但浪潮的方向不再由你決定。而這，與過去任何一次技術變革都不一樣。

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