本文分析了AI对工程师的影响，指出初级岗位因AI替代而减少，但整体需求仍增长。AI擅长「翻译性工作」和「孤立的技术执行」，而「判断性工作」需求爆发。未来工程师需向AI系统「把关人」、「复杂系统架构师」和「人机协同流程设计师」方向发展，重点提升系统判断能力。建议工程师主动拥抱AI，从代码执行者转型为系统判断者，通过参与设计、评估AI代码质量、建立领域知识壁垒等方式提升自身价值。
上周 lobste.rs 出现了一个罕见的景象：三篇讨论 AI 与工程师身份焦虑的帖子同时霸占首页。
这不是偶然的算法推流，这是一批真实工程师在同一时间点集体发出的同一个问题。
我看完这三篇帖子下面的评论，有人说自己用 AI 工具做了以前两倍的工作量，却感觉自己「越来越像一个 reviewer 而不是 creator」；
有人说刚毕业的实习生用 Claude 写的代码比他快，他开始怀疑自己存在的价值；还有人说，他们团队直接把初级工程师的 headcount 砍了三分之一。
这些不是焦虑情绪的过度放大。背后有真实的数据在支撑。
但同样有数据说，美国劳工统计局（BLS）预测软件开发工程师岗位到 2032 年还会增长 25%。两组数据同时成立，并不矛盾。
这篇文章想做一件事：用数据把这个问题说清楚，然后给出一个真实的、可操作的答案。
先看让人不舒服的数据
2025 年上半年，全球有 77,999 个科技岗位被标记为「因 AI 驱动裁员」直接消失。这不是预测，是已经发生的事。
LinkedIn 的数据更具体：2026 年 1-2 月，软件工程初级岗位的新增招聘数量同比下降了 15%。不是存量减少，是新招聘数量在降。
这和我自己观察到的情况吻合。最近半年，我身边有几个做外包开发的朋友，他们的甲方开始问一件事：「这个需求，你们几个人做需要几周？AI 来做需要几天？」这个问题本来不用问，但现在甲方真的开始算账了。
「vibe coding」这个词是 Andrej Karpathy 在 2025 年初造出来的——他描述的是一种状态：不写代码，只描述需求，让 AI 生成，哪里报错就贴给 AI 让它修。这种工作方式已经不是概念了。根据 Product Hunt 的调查，2025 年 vibe coding 用户中有 63% 是非开发者。他们用 AI 直接交付了曾经需要初级工程师干的活。
所以确实，有一部分活正在消失。
但这只是故事的一半。
另一半数据，同样是真的
GitHub Copilot 有一个实验数据：在控制变量的条件下，使用 Copilot 的工程师完成同一个编码任务平均耗时从 2 小时 41 分钟降到 1 小时 11 分钟——速度提升约 55%。成功率也从 70% 升到 78%。
这个数字反映的是什么？是工程师的产出能力上升了，不是工程师被替代了。
同一家公司用 10 个人能做以前 15 个人的工作——这对工程师整体来说是坏事吗？看你站在哪个位置。如果你是那 10 个人，你的价值提升了；如果你是被「优化」掉的那 5 个，你就在那 77,999 个数字里。
BLS 预测软件开发岗位到 2032 年增长 25%，这个数字背后的逻辑是：AI 让软件开发的边际成本降低了，于是更多的企业、更多的场景开始构建软件，整体需求扩大了。这个逻辑和历史上每一次技术革命的规律是一致的——ATM 机普及了，银行柜员数量反而增加了，因为银行开了更多支行。
但同时，这 25% 的增长并不均匀分布在「初级/中级/高级」三档。
AI 工具对各岗位影响矩阵：哪些岗位在消失，哪些在诞生
真正在消失的，是哪种工作
我想把这个问题说得更准确一些。消失的不是「初级工程师」这个职位，消失的是一种特定的工作性质：
「翻译性工作」正在被替代。把产品需求翻译成代码，把设计稿翻译成 HTML/CSS，把 SQL 需求翻译成查询语句——这类工作的核心价值是「执行翻译」，而不是「做判断」。AI 在这类任务上的优势是显著的。初级工程师占比最高的恰恰是这类工作，所以这个层次受冲击最大。
「孤立的技术执行」正在贬值。能独立用 Python 写一个爬虫、能独立实现一个 CRUD 接口——这些技能本身没有消失，但它们的稀缺性消失了。以前这是门槛，现在是起点。
但有一类工作，AI 完全无法替代，甚至因为 AI 的存在反而变得更重要：
「判断性工作」需求在爆发。系统边界怎么划？这个技术方案的隐患在哪里？AI 生成的代码在大规模并发下会出什么问题？这类问题需要经验、需要上下文理解、需要对「为什么」的追问——而不是对「怎么做」的执行。
一句话总结：AI 替代了执行判断，但放大了制定判断的价值。
正在诞生的 3 类岗位需求
根据目前的招聘市场数据，有三个方向的岗位需求是在真实上涨的。
第一类：AI 系统的「把关人」
Prompt Engineer 这个词诞生的时候大家笑了，说这不是工程师，是聊天工程师。但两年后，这个职位的真实描述已经完全不同了：设计和优化 AI Agent 工作流、评估模型输出质量、设计防护机制防止 AI 幻觉进入生产系统。根据 LinkedIn 的数据，「AI Engineer」和「ML Engineer」这两类岗位的招聘增速在 2025 年超过了 110%。
这类岗位的核心能力是：理解 AI 系统的边界和失效模式。这不是纯算法研究，也不是纯工程，而是两者的交叉地带，而且需要大量的实际 debug 经验。
第二类：复杂系统的「架构师」
当 AI 能自动生成代码之后，真正的瓶颈转移到了：这些代码应该跑在什么架构上？服务之间如何通信？数据模型如何设计才能支撑未来的扩展？
这类问题对经验要求极高，AI 能给出参考答案，但最终的决策需要一个对业务上下文、历史技术债、团队能力都有深刻理解的工程师来做。
我认识一个做了 8 年后端的朋友，他说 AI 工具出来以后，他每周花在「写代码」上的时间从 50% 降到了 20%，但他做技术方案评审的时间翻了一倍，因为现在团队的代码量增加了，需要有人来把关质量和一致性。他的 TC 没有降，反而因为团队规模扩大多了一个 staff engineer 的 title。
第三类：人机协同的「流程设计师」
这个需求比较新，很多公司还没有专门的职位名字，但它已经真实存在了：设计一套人+AI 协同的开发流程，让 AI 工具的产出能被有效地集成到工程体系里。包括：代码审查标准的重新定义、AI 辅助下的测试策略、CI/CD 流水线的 AI 集成，以及最重要的——如何评估 AI 生成代码的质量。
这三类需求的共同点是：需要你真正理解软件系统，而不只是能操作 AI 工具。
工程师价值重心正在迁移
用一张图来说明这件事更直观：
工程师价值重心迁移图：从代码执行到系统判断
在 AI 工具成熟之前，工程师的价值分布大概是这样的：20% 的时间在思考和决策，80% 的时间在执行（写代码、调试、写文档）。
AI 工具的出现在改变这个比例。执行类任务的自动化程度越来越高，这意味着：如果你的价值主要集中在执行端，你会感到被压缩；如果你的价值集中在决策和判断端，AI 实际上是在帮你放大影响力。
这不是危言耸听。这是你现在就能感受到的趋势：AI 生成的代码越来越多，但每一行代码背后的「为什么这样做」依然需要一个工程师来回答。
现在应该怎么投资自己
说具体的，不说废话。
短期（3-6个月）：让 AI 工具成为你的默认工作方式，而不是辅助工具
88% 的开发者现在在用 AI 编码工具。如果你还在「偶尔用用」，这本身就是一个要修正的问题。不是因为不用会被替代，而是因为：用得好的工程师和用得差的工程师之间，生产力差距已经在拉大。GitHub Copilot 用户的 PR 合并数量增加了 10.6%，cycle time 缩短了 3.5 小时——这是可测量的竞争优势。
但这里有个陷阱：很多人用 AI 工具是在「用它生成代码」，但更有价值的是「用它帮你做代码审查」「用它帮你理解一个陌生系统」「用它帮你找出你写的代码里的潜在问题」。前者是执行替代，后者是判断辅助——两者价值完全不同。
中期（6-18个月）：刻意往「判断」端移动
具体来说，有三件事值得做：
第一，多参与系统设计讨论，哪怕你还不是最有话语权的人。架构决策能力只能通过参与真实决策来培养，看书和看文章解决不了这个问题。
第二，学会评估 AI 生成代码的质量。这听起来简单，但要做好需要很强的工程判断力：并发边界在哪里？内存使用是否合理？错误处理是否完整？你需要能在 AI 帮你提速的同时，识别出它在哪里走捷径走偏了。
第三，建立领域知识壁垒。AI 生成通用代码的能力很强，但对特定领域（金融风控、医疗合规、高并发交易系统）的深度理解，还需要真实的行业经验积累。你在某个领域工作的每一年，都在建立 AI 难以复制的上下文。
长期（18个月+）：向 T 型或 π 型发展
T 型是指一深一广：在某个技术领域有足够深度，同时能横跨 AI 系统设计、工程效能、产品思维。π 型是在两个深度领域之间连接。
这不是让你什么都学，而是有意识地选择：你的深度在哪里，AI 在这个深度上的优势是什么，你需要往哪个方向扩展才能不被覆盖。
关于身份焦虑这件事
lobste.rs 上那个 「Do I Belong in Tech Anymore?」的帖子，让我觉得最有共鸣的是其中一条评论：「我一直以为自己的价值是能写出好代码，但现在好代码 AI 也会写。我的价值到底是什么？」
这个问题值得认真回答，而不是用「AI 替代不了人类创造力」这类话来敷衍。
说实话：如果你的价值定义一直是「能执行代码」，那确实需要重新定义。但这不是因为 AI 来了才需要，而是因为这个定义本来就太窄了。软件工程师的核心价值从来不是「打字速度」，而是：理解问题、做出权衡、在不确定性中给出决策。
AI 工具让「打字速度」这一部分的价值归零了，但同时把另一部分的稀缺性放大了。这是痛苦的调整，但调整的方向是清晰的。
未来技能投资路线图：从代码执行者到系统判断者
一个有 10 年经验的工程师为什么不焦虑？不是因为 10 年经验能免疫 AI，而是因为他们在这 10 年里积累的，是判断力、领域知识和系统直觉——而不只是代码技能。
如果你现在只有 2-3 年经验，这篇文章想说的不是「没问题，你安全」，而是：你现在投资自己的方向，决定了你 5 年后处在哪个位置。判断力不会凭空出现，它需要刻意去积累。
常见问题
Q：我应该学 AI/ML 吗？不懂机器学习算法会不会被淘汰？
A：取决于你想去哪个方向。如果目标是做 AI 系统的开发和部署，学习如何使用 LLM API、理解向量数据库、能设计 RAG 系统，这些比深入学习 ML 算法更直接有用。大部分应用层工程师需要的是「能用 AI」而不是「能造 AI」。
Q：初级工程师现在应该怎么办？岗位变少了还要继续坚持吗？
A：初级岗位数量在降，但门槛在上升——这两件事同时发生。意味着你需要比三年前的初级工程师有更强的独立思考能力。能用 AI 工具快速出活是基础分，会评估和修正 AI 输出才是加分项。刻意去找能做 code review、能参与技术方案讨论的岗位，比只是「写代码」的岗位更有价值。
Q：外包/freelance 工程师的处境是最危险的吗？
A：目前来看，纯执行类外包确实压力最大，因为客户开始直接用 AI 工具自己做一部分工作了。但能提供「方案设计+执行+质量把关」全链路的外包工程师，反而因为 AI 工具的效率提升，能接更多项目。关键是你提供的是判断还是执行。
Q：公司要求用 AI 工具提升效率，但我觉得这会让我学不到东西，怎么办？
A：这个担心是合理的。用 AI 工具快速完成任务，和真正理解问题，确实有冲突。我的建议是：用 AI 工具出初稿，然后认真读懂它为什么这样写，尝试不用 AI 实现一遍，对比差异。效率和学习不是互斥的，但需要刻意地设计工作方式。
Q：Senior/Staff 工程师需要担心吗？
A：目前来看是最不需要担心的一层，需求依然旺盛。但「Senior」这个词的含义在变：以前是「写出高质量代码的人」，现在越来越多是「能驾驭 AI 工具团队的人」。如果你的价值还是纯代码技能，需要主动往系统设计和团队效能方向扩展。
说到底，这件事没有让人完全放心的答案，也没有必要制造不必要的恐惧。数据的方向是清楚的：执行端在被压缩，判断端在扩大。你现在是在哪一端，决定了你对 AI 工具的感受是「如虎添翼」还是「如坐针毡」。
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
