代码之外,程序员还在做什么?

从真实的软件工作里,重新看见编程包含的许多部分。

AI 学前导读 第 4 篇 / 共 8 篇

写代码只是软件工作的一个可见部分

当我们说 AI 会写代码时,脑海里常浮现一个很简单的画面:需求已经明确,代码只差敲出来。但真正的工作常常不是这样。需求来自不同的人,彼此还会冲突;旧系统有没人写下来的约定;一个功能可能牵动数据、权限、部署和客服。代码是结果的一部分,问题本身却需要被发现和理解。

这并不是说 AI 无法参与这些环节。它可以读文档、搜索仓库、生成测试、提出方案,能力还会继续扩大。更诚实的讨论不是把“理解需求”当作人类永恒护城河,而是看哪些工作现在仍由团队承担、哪些正在自动化,以及人需要怎样检查模型的判断。

技术人习惯用能力解释自己的位置:我写得快不快,懂的框架多不多,能不能独立解决难题。这种标准让我们不断成长,也可能让自我评价变得很脆弱。一旦 AI 在某个可见任务上超过自己,就像整个人被打了分。可人的工作价值常常不是单一速度指标,软件的好坏也不等于代码生成速度。

效率提升之后,谁承担变化的成本?

公司引入工具后,可能用更少时间交付更多功能,也可能减少重复劳动、让工程师把精力放在质量上。两种结果都可能发生,取决于组织如何安排生产率收益。程序员的担心不只是模型性能问题,也是劳动关系的问题:省下来的时间属于谁?出了错谁负责?新的绩效要求是否会把“更快”变成永远不够快?

我们不需要先选一个乐观或悲观的故事。可以观察团队的真实变化:招聘要求有没有变化?初级任务如何安排?评审是否更重视测试和系统理解?AI 生成的代码出了问题,责任链怎样定义?这些具体观察比“程序员注定消失”或“人永远不可替代”更能帮助我们决定行动。

新人如何获得经验?

程序员能力不是只从课程里长出来的。我们通过读别人写的代码、接简单任务、被评审、修复缺陷,慢慢建立系统感。如果自动化先吞掉了这些初级任务,行业就要面对一个现实问题:新人从哪里开始形成经验?

这需要团队重新设计学习和责任分配,例如让新人参与需求讨论、评审模型生成的实现、理解线上事故,而不只是让 AI 完成之后把结果交给他们签字。对个人而言,可以主动寻找能看见完整过程的项目,也要留意自己是否只是复制答案。工具越强,练习判断和解释的机会反而越需要被有意保留。

我们还需要认真谈“人负责”到底是什么意思。它不能只是出事故时把责任推给最后提交代码的人。组织需要给工程师足够的上下文、评审时间、测试条件和拒绝不可靠交付的空间。否则所谓判断力会变成额外负担,而不是专业能力。工程师个人可以提高核验能力,团队也必须设计可承担的工作流程。

工程师的优势未必是“比 AI 更聪明”,而可能是把工具嵌进一个可追责、可维护的过程。理解模型生成的实现、知道何时不能用、能说明取舍并安排验证,这些都需要扎实技术基础。工具越容易生成代码,工程师越需要理解代码将运行在什么系统里、影响哪些人。

与此同时,我们要保留对组织变化的警觉。个人学习可以增加选择,但不能单独解决招聘收缩、薪酬变化和工作强度上升。把行业结构问题说成“个人只要持续学习就好”,会让承担压力的人觉得自己失败了。我们可以谈个人行动,也要允许大家一起讨论团队和行业应该怎样分配 AI 带来的收益。