学了这么多年编程,AI 来了,我该怎么办?

写给最近对编程和未来有些不确定的你。

AI 学前导读 第 1 篇 / 共 8 篇

那一刻,问题突然落到自己身上

最近几年,很多程序员大概都经历过类似的场景:打开一个新的 AI 编程工具,看它几秒钟写出一段自己以前要查半天资料、调试几轮才能完成的代码。第一次看到时,也许会觉得惊喜;多看几次,惊喜里就掺进另一种感觉——那我这些年花时间学的东西呢?我现在做的工作,还有多少是“只有我会做”的?

这样的不安并不矫情。对程序员来说,编程从来不只是一份工作。它可能是我们很早就投入的兴趣,是熬夜解决问题后建立起来的自信,是养家糊口的收入,也是我们向别人介绍自己的方式。当工具开始触碰这些东西,心里有波动再正常不过。我们不必先把这份感觉解释成落后,也不必马上把它变成一场积极向上的演讲。

如果我们诚实一点,也会发现焦虑里有一种失去控制的感觉。过去学会一门技术,通常能在几年里慢慢积累;现在模型更新很快,别人一天能做出的原型,可能比我们一周写的代码更多。我们不知道该拿什么标准判断进步,也不知道自己的投入还会不会得到回报。这种不确定是真实的,不需要用“适应力强的人自然能留下”把责任都推回个人。

真正让人不安的,可能不只是代码

“AI 会不会写代码”是一个问题,但可能不是最让人睡不着的那个。更深一层的问题是:公司会不会因此减少团队?新人还怎么入行?我过去熟悉的技能会不会迅速贬值?如果交付速度被提高,团队会不会顺手把同样的人力安排更多任务?工具带来的收益由谁得到,变化的成本又由谁承担?这些问题关乎具体的工作和生活,不是学会几个提示词就能消失。

不同程序员遇到的变化并不相同。做成熟业务系统的人,可能先看到 AI 帮忙查代码、补测试;做外包和模板化项目的人,可能更早感到报价和交付时间受到挤压;初级工程师则会担心,原来由初级开发承担的任务被自动化后,自己从哪里获得经验。谈 AI 对程序员的影响,不能只说“效率提升”,也要看效率提升发生在什么岗位、什么团队、什么商业模式里。

我也不想把所有变化都解释成机会。对一些团队来说,模型可能只是帮助工程师少做重复劳动;对另一些岗位,它可能压低外包报价、缩减初级任务,甚至让一名开发者承担更多原本由团队分担的工作。我们需要同时看见工具带来的便利和工作结构里的压力。承认风险,不等于悲观;只有看见风险,讨论才有落点。

我们过去学的东西还有没有用?

有些技能的价值确实会变。记住某个 API 的参数、手写重复样板代码、快速拼出常见页面,这些工作的稀缺性可能下降。承认这一点,比用“程序员永远不会被替代”安慰彼此诚实。但技能的价值变化,不等于过去的学习全部作废。理解数据结构、网络、数据库、操作系统和软件设计,会影响我们如何判断生成的实现;读过真实代码、经历过线上故障,会让我们知道一个看起来合理的补丁可能在哪里埋雷。

当然,这不意味着每个程序员都能轻松转型,也不意味着经验一定能换来安全。能力必须放到具体团队和市场中才有价值,学习还需要时间、精力和机会。我们可以承认自己的积累有价值,同时也承认其中一部分需要更新。两句话可以同时成立。

先别替十年后的自己作答

如果现在很迷茫,不妨把“我未来该怎么办”拆成几个近一点的问题。我的工作里,哪些任务已经被 AI 改变?哪些环节仍然需要我对业务和系统负责?我所在的团队,是把省下来的时间用于减少重复劳动、提高质量,还是只要求更快交付?如果我是新人,我能否主动争取代码评审、线上排错和需求讨论,而不只是接收 AI 生成的代码?这些问题未必有轻松答案,但它们能让担心落到可观察的现实上。

接下来可以选一个工作中真实、风险可控的任务,试用手边的工具,把时间、错误、返工和自己的理解都记下来。不要只问“它写得快不快”,还要问我是否更清楚系统、能否解释结果、出了问题能否修复。然后和同事聊聊你们看到的变化。我们不需要在今天就决定十年后做什么;但可以从认真观察眼前的工作开始,逐渐找回一点判断感。