——一个二本程序员对未来的思考
写在前面
我是一个普通二本出来的程序员，有一年 Java 和 C# 的后端经验。
今天之前，我还在焦虑。焦虑学 Python 来不来得及，焦虑 AI 会不会取代程序员，焦虑自己是不是在学一些“调包”就能干的技术。但今天，我忽然想明白了一件事，在这里把它记下来，给未来的自己看。
正文
一、以前的软件工程，重心是“代码”
过去十年，软件工程的核心是“写代码”。
你值多少钱，取决于你代码写得好不好，架构设计得漂不漂亮，算法够不够优化，对业务理解够不够深。
工程师的护城河是“逻辑的正确性”——if-else 的分支能不能覆盖所有情况，事务能不能保证一致性，接口能不能扛住高并发。
代码是资产，逻辑是壁垒。
二、AI 来了，但事情和我们想的不太一样
起初我也以为，大模型会写代码了，程序员要失业了。
但当我真的开始学大模型应用开发时，我发现了一件事：大模型根本不知道企业的业务数据是什么。它不知道公司的退货政策，不知道去年的财报数据，不知道内部的审批流程。
它能写诗、能聊天、能写代码，但它不知道“你公司的事”。
那怎么让它知道？把企业的数据喂给它。
但企业的数据不是干净的。它们躺在几千份 PDF、Word、扫描件、Excel 表格里，格式混乱，结构不一，有些还是图片。你要做的，不是写一段漂亮的业务逻辑，而是把这些“屎山”一样的数据，变成大模型能读懂的、高质量的向量数据。
三、我意识到，重心变了
以前软件工程的核心是“写代码”，未来 AI 应用工程的核心是“建数据”。
不是随便建，而是建高质量的数据流水线：
- 把扫描件 OCR 成文字，保持表格结构不乱
- 设计切片策略，不要让“退货地址”和“退货时效”被切成两段
- 给每一块数据打上标签——来源、时间、权限、部门
- 做多路召回，向量检索找语义，关键词检索找精确匹配，合并后再重排序
- 用评估体系验证，把准确率从 68% 拽到 91%
这些工作，跟“写 CRUD”完全是两码事。它们不需要你发明新算法，但需要你理解数据的形态、业务场景的痛点，以及检索系统的底层逻辑。
四、那么，什么变了，什么没变？
- 代码的价值没有归零，但它从核心资产变成了上下文技能。你还是得会写代码，但代码本身不是壁垒了，谁都能写。
- 数据的价值正在成为新的壁垒。因为数据是私有的，场景是专属的，每家企业都要处理自己的“脏数据”，这个能力无法被大模型替代。
- 工程师的定位也在变。以前我们是“逻辑的构建者”，现在我们是“数据质量的守护者”。谁能把企业混乱的文档变成 AI 能精准检索的知识，谁就值钱。
五、那我接下来学什么？
我不会去卷算法，不去推公式，也不去发论文。那些是科学家做的事。
我要做的，是把这几件事做到极致：
- 文档解析——PDF、扫描件、表格，什么格式都能读
- 切片策略——知道怎么切、切多大、哪里要重叠
- 元数据设计——打标签、做过滤、设权限
- 检索调优——混合检索、重排序，用数据证明准确率提升
- 评估体系——让老板看到数字，让面试官看到结果
这些技能，目前市场极度稀缺，而且短时间不会被 AI 取代。
六、写在最后
我不知道一年后的自己会在哪里，但我知道今天的自己已经不再焦虑了。
不是因为学会了什么新框架，而是因为看清了方向。在这个方向上，普通二本出身的程序员，和名校硕士站在同一条起跑线上。因为 AI 应用工程考验的不是数学天赋，而是对数据的耐心、对业务的理解、对检索系统的掌控力。
这些，跟学历无关，跟学校无关，跟能不能坐得住冷板凳有关。
以前值钱的是代码，以后值钱的是数据。更重要的是，把数据和 AI 连接起来的能力。
而我现在，正在往这个方向走。
2026年7月1日
