1. 先说结论：AI打工人面对的不是失业，而是"循环重演"
1.1 从一次团队周会说起
上个月部门周会，组里一个做手动画测试的姑娘分享工作进展，她说现在一半时间在写测试用例，另一半时间在写"让AI帮我生成测试用例的提示词"。她自嘲说，自己从"测试执行者"变成了"测试策略师"。旁边的实习生追问："那以后还要我们这些测试工程师干嘛？"她愣了一下，回了句："要的是能把需求说清楚、能把边界画明白的人。"
这个场景我最近见过太多次了。不管是做AI编程的、做AI产品经理的、搞AI agent开发的，还是传统行业里开始用AI生成PLC代码的工程师，几乎所有人都在经历同一种心理波动：先用上AI觉得真香，然后突然焦虑——我的岗位会不会被AI连锅端？再然后，又在日常工作的细枝末节里发现，AI其实还没有那么神，它需要人盯着、需要人兜底、更需要人告诉它该干嘛。
所谓"AI打工人"，我理解不只是一个网络热词，它描述的就是这种既拥抱又不安的真实状态。而"拓竹岗位"这个说法，我觉得更适合用来形容AI长出来的那批新角色——它不是简单的"新增岗位"，更像竹子一样，从原有的行业土壤里破土而出，根还扎在旧土壤里，但节节拔高，长成了新物种。
1.2 "拓竹岗位"到底该怎么理解
我第一次看到"拓竹"这两个字，脑海里冒出来的画面是竹笋顶开石头那种劲头。后来跟一个做AI产品化的朋友聊，他说他更愿意把"拓竹"拆成两层：拓，是开拓、拓荒；竹，是节节生长、中空有节。中空意味着留白、意味着谦逊，有节意味着边界、意味着规则。这恰恰是AI时代新岗位的核心气质——既要有开拓新领域的能力，又要对技术边界和伦理边界有清醒认知。
基于我这些年在AI一线的观察，所谓拓竹岗位，是指那些由AI技术直接催生、并且需要"人机协作"能力才能胜任的岗位。它不是一个岗位，而是一族岗位。比如：
- 提示词工程师：不是"会聊天"，而是能把模糊业务需求翻译成模型能理解的结构化指令；
- AI产品经理：不只会画原型，要懂模型能力边界、数据回流、效果评估，甚至要懂怎么设计"人在回路"的决策点；
- AI测试工程师：核心不是重复执行用例，而是设计测试策略、训练AI去执行、再审查AI给的结果；
- AI agent开发者：重点不在调用接口，而在于任务分解、工具调用编排、异常兜底和护栏机制；
- AI infra工程师：盯的是模型部署、推理优化、数据管道、成本控制这些"地基活"。
这些岗位有一个共同点：它们都站在"旧行业问题"和"AI新能力"的交界处。做得好的人，往往不是技术最强的，而是最能把业务语言翻译成AI语言、再把AI结果翻译回业务语言的人。
1.3 "千年循环"的规律不是失业，而是范式转移
为什么标题里要用"千年循环"这个词？因为我翻了跨越几千年的劳动形态演变，发现每次技术代际跃迁，人类都会重复一遍同样的故事：短期错位、中期重构、长期新均衡。
短期来看，旧的岗位确实会减少。长期来看，这些岗位并不会"消失"，而是"被重新定义"——旧岗位里的重复性部分被替代，但判断、决策、创新、沟通、责任背书这些人类特有的部分被保留甚至放大。问题是，中间这段"错位期"往往需要一代人来消化，而我们现在就正好处在这样一段错位期里。
想要在错位期里不被甩下车，最怕的不是别的，是站在原地焦虑却不动手。所以后面几节，我会把过去三次循环的规律拆开看，再把AI重塑岗位的"进度条"捋清楚，最后落在一套普通人能直接抄的破局框架上。
提示：这篇文章不是劝你躺平等AI来替代，也不是吹捧AI万能无脑冲，而是把真实进度、真实岗位、真实做法掰开揉碎了讲给你听。
2. 三次历史循环复盘：岗位消失其实是在"换皮"
2.1 第一次循环：从游猎采集到"被土地锁住"
一万多年前，人类的祖先靠采集野果、打猎为生。那时候没有"职业"这个概念，所有人的任务高度一致：找到食物，活下来。这个模式下，一个孩子从小学会的是识别植物、追踪猎物、制作工具，技能来自口口相传和亲身试错，技能失效的周期非常短——迁徙一次，可能就要重新适应。
农业革命改变了这一切。人可以定居了，土地成了最核心的生产资料，于是出现了第一批真正意义上的"职业"：农民、陶匠、编织匠、祭司、工匠。以前靠运气和体力生存，后来变成靠规律和节气生存；以前每个人都是"全能猎手"，后来每个人只要负责一个环节。现在回看这个过程，采集者并没有全部饿死，而是变成了农民；猎人没有消失，而是成了少数人的休闲活动。绝大部分人进入了一种新的、更可预期的工作方式。
这一轮"循环"里，真正被淘汰的并不是人，而是"运气型生存"的模式；真正增长的，是"可规划、可协作"的新分工模式。
2.2 第二次循环：工业革命把"手艺"拆成了"工序"
18世纪，珍妮纺纱机出现的时候，英国的手工纺纱工大量失业。当时也有类似今天的"AI焦虑"——工人砸机器、议会辩论要不要限制新机器。但后面发生的事，大家都知道了：棉纺织业的整体用工量不但没有减少，反而因为产量暴涨、成本下降，带动了整个产业链的扩张。
关键变化发生在岗位结构上。以前一个手工匠人从头到尾做一件完整的产品，技能是整体的、独占的；工业革命之后，产品被拆解成几十道工序，每个工人只负责其中一道。于是，产线工人、质检员、车间主管、设备维护工程师、工业设计师这些新岗位应运而生。手艺人没有消失，但"只靠一手绝活走天下"的生存方式被瓦解了。
这一轮的淘汰逻辑，是对"整件交付能力"的淘汰；增长的，是对"分工协作、流程管理"的需求。一个只会做整件但不愿意被拆解进流程的人，在工厂时代确实很难受。但一个愿意把自己的一技之长放进行业链条里的人，反而获得了更大的市场。
2.3 第三次循环：Excel淘汰了账房先生，但长出了数据分析师
再近一点，计算机和信息革命。打字员、账房先生、传统排字工这些岗位被大规模压缩。1990年代，很多单位开始普及Excel和财务软件，算盘成了收藏品，算盘打得再溜，也抵不过一个复制粘贴。那时候同样有"35岁危机"的焦虑——不会用电脑的老会计，确实很难继续走。
但接下来发生的事同样似曾相识：因为数据可以被低成本地采集、存储和处理，企业的数据分析需求爆炸式增长，数据分析师、商业智能工程师、数据产品经理、内容运营这些岗位全部冒了出来。以前会计的工作是"把账算平"，后来会计的一部分工作变成了"把数据解读出价值"。技能值钱的点从"计算能力"迁移到了"解读能力和决策支撑能力"。
电脑没有消灭会计这个职业，电脑消灭的是"只会按计算器"的那部分职能。这轮循环的规律是：重复性脑力被替代，但"基于数据的解释与决策"越来越值钱。
2.4 三次循环的共同特征：一张表看懂规律
把三轮循环放一起对比，特征非常清晰：
| 循环 | 被替代的典型能力 | 新出现的典型岗位 | 核心变化 |
|---|---|---|---|
| 农业化 | 靠运气和体力的采集能力 | 农民、工匠、祭司 | 从"搜索食物"变为"种植食物" |
| 工业化 | 整体化的手工技艺 | 产线工人、工程师、质检员 | 从"做整件"变为"做工序" |
| 信息化 | 重复性的计算与文书 | 数据分析师、运营、运维 | 从"重复劳动"变为"数据决策" |
| AI化（当前） | 重复性的模式识别与内容生成 | 提示词工程师、AI产品经理、AI Agent开发者 | 从"人做执行"变为"人做定义与校验" |
注意看最后一行的AI化，就是我们现在身处的第四次循环。前三轮循环每一次都有人喊"天要塌了"，结果天没塌，只是天花板变高了。被替代的从来不是"人"，而是"某个具体的能力模块"。真正值得关注的，不是AI会不会抢饭碗，而是饭碗的形态变了，你手里的技能是不是还是"紧俏的那张牌"。
这个规律放在今天仍然成立：循环的内容在变，循环的底层逻辑始终没变。
3. 第四次循环的现场：AI重塑岗位的真实进度条
3.1 开发者和测试的AI化：不是选修课，是必修课
先说我最有体感的开发者群体。以AI编程为例，现在借助AI辅助工具写代码已经不是新鲜事了，GitHub Copilot这类工具的普及度极高。但我观察到一个很有意思的现象：老手用AI提效非常明显，因为老手看得懂AI给的建议，能判断什么时候该采纳、什么时候该推翻；而新人反而容易把AI给的代码原样粘上去，出问题了也定位不出来，最后得出"AI写的代码不行"的结论。
问题不在AI，在于人有没有判断力。所以AI编程到底提效多少？我的实测下来，对熟悉业务的老手，提效40%以上是保守数字。但深层变化不在于写代码的速度，而在于开发者的工作重心开始从"写"转向"审"——审架构、审美、审安全、审性能。
再看测试领域，热词里出现了"AI测试工程师""AI自动挖掘漏洞"这类词，说明测试岗的AI化其实比很多人想象中更早。我见过一个同行，把过去的测试用例整理成结构化样本，让AI自动生成边界条件测试，然后再把AI的执行结果和人工设计的结果做交叉比对。他告诉我，用例覆盖度比以前人工手写的时候高了三倍，但更值钱的是，他能把省下来的时间拿来设计更复杂的测试策略——比如多服务间的链路压测、异常注入。
这部分的核心结论是：写代码和写用例这件事情本身正在被自动化，但"定义要写什么、判断写得好不好"这件事，反而变得更重要了。
3.2 产品、运营、设计等非技术岗位的渗透速度
很多人觉得AI对非技术岗位的影响要慢一些。实际情况恰恰相反，产品、运营、设计这些岗位，因为日常任务天然包含大量文档整理、文案生成、素材搜集，反而是最容易被AI重构的。
比如产品经理的工作流里，竞品分析、用户访谈纪要、PRD初稿，这三件事以前要占掉一周里差不多两天，现在用AI辅助处理，压缩到半天不是梦。我甚至见过一个做智能硬件产品经理的朋友，把过去三年的用户反馈整理成数据集，让AI按功能模块聚类，几分钟就找到了三个之前没人注意到的痛点，其中一个直接成了新版本的核心卖点。
但这里有个陷阱：很多运营和产品人用AI，用的是零散的"一键生成"，而不是把它嵌入到自己的工作流里。结果就是AI产出的内容千篇一律、没有业务上下文，用两天就丢掉了。真正的提效，是让AI承担你工作中的"中间态"——比如你脑子里有想法，让AI快速出个粗糙版本，然后你来改方向；而不是让AI凭空产出"最终成品"。
非技术岗的真实变化是"决策被前置"了：以前做PPT、写文档的时间被压缩之后，你的价值就取决于你能不能在信息不全的时候提出更高质量的问题，能不能判断AI给的素材里哪些能用、哪些是幻觉。说白了，还是定义问题和判断结果的能力。
3.3 传统行业的渗透：PLC代码生成是一个标志性样本
在所有热搜词里，"AI PLC代码生成"这个组合词最让我兴奋。PLC（可编程逻辑控制器）是工业控制领域的核心设备，传统上写PLC程序的是工控工程师，他们既要懂电气原理，又要懂工艺逻辑，还要会特定厂商的开发环境。这个领域非常垂直，圈子不大，但一旦AI进来，改变是结构性的。
我听一个做产线自动化改造的朋友说过一个案例：一位在车间干了二十年的老工程师，不懂什么大模型，但把AI生成的PLC逻辑代码拿过来之后，三分钟就能看出哪段IO映射不对，哪里漏了设备互锁逻辑。反过来，一个刚毕业的程序员能熟练使用AI生成PLC代码，但因为完全不懂车间工艺，生成出来的逻辑在仿真环境里跑得通，一到真实产线就出事故。
这事特别说明问题：AI能替代的是"代码生成"这个动作，但替代不了"懂现场工艺"这个底层知识。所以传统行业里，真正吃到AI红利的，不是最懂AI的年轻人，而是那些"懂行业+愿意用AI"的老师傅。AI给了他们一个放大器，让多年的隐性经验直接变现。
PLC只是其中一个切面。制造业里还有大量类似的场景：产品图纸的参数化生成、质检报告自动判读、排产调度优化。这些领域进度可能没有互联网那么快，但一旦个体验到甜头，扩散速度会非常惊人。
3.4 冷静判断：哪些岗位真的会被压缩，哪些是焦虑溢出
讲完现场，说点冷水。所有岗位都会受AI影响，但影响方式完全不同，别一刀切。
受冲击最大的，是那些"流程高度标准化、结果可校验、错误容忍度低"的岗位，比如初级数据录入、初级客服、初级文案批量生产。这类岗位的工作成果很容易被AI生成，而且有明确的评价标准，模型做起来又快又便宜。短期看这些岗位的存量确实会被压缩。
受冲击中等的，是"需要行业上下文、需要多方沟通、需要责任背书"的岗位，比如HR的初筛、财务的应收应付、项目经理的进度跟踪。AI能做一部分，但很难独立完成，因为里面涉及大量模糊判断和人际信任。这类岗位会变成"AI Copilot"模式——人负责兜底和决策，AI负责干活。
影响相对较小的，是"需要高度创造性、深度人际信任、复杂环境决策"的岗位，比如战略规划、复杂谈判、顶尖创意、疑难杂症诊断。但注意，我说的是"影响小"，不是"影响为零"。即便在这类岗位里，AI也会改变工作方式，比如以前一个战略顾问要花一周做的行业研究，现在可能半天就够，多出来的时间会花在更高质量的访谈和洞察上。
所以，别问"我的岗位会不会被取代"，要问"我的岗位里哪部分工作会被AI重新定义，我还剩什么不可替代的东西"。
4. "拓竹岗位"到底是什么：AI催生的新角色解剖
4.1 提示词工程师与AI产品经理：定义问题比执行任务更贵
先聊提示词工程师。很多人对这个岗位有误解，以为是"会写咒语的人"。实际上，真正的提示词工程师做的核心工作，是"需求拆解与约束表达"。
举个例子：业务方说"帮我生成一份Q3季度汇报PPT"。小白提示词工程师会直接把这句需求丢给AI，结果得到一份通用得不能再通用的模板。而成熟的提示词工程师会先拆解：汇报给谁听？决策层关注的指标是哪些？业务背景和数据口径是什么？希望强化哪几个信息点？风险点怎么呈现？把这些问题一个个问清楚，再把它转化为包含角色设定、背景上下文、输出格式、评估标准的完整指令。同一份需求，AI产出的结果质量天差地别，差别就在指令设计。
再说AI产品经理。传统产品经理的核心是"通过功能设计满足用户需求"，AI产品经理还得加三件事：第一，知道模型能力边界，能判断哪个需求可以用AI解决、哪个需求用规则引擎更靠谱；第二，设计数据回流闭环，让每次用户交互都变成改善模型效果的样本；第三，定义可评估的质量指标，不能让模型效果成了玄学。
这两类岗位的共性是：价值重心从"做出来"变成了"想清楚"——定义问题、约束范围、设计评估标准，这些工作远比"执行任务"更值钱。
4.2 AI agent开发与AI infra工程师：新地基的施工队
AI agent是最近热度极高的话题。热词里出现大量"ai agent""ai 模型部署""ai infra"，说明它已经从概念走向工程实践。但很多人对Agent有误解，以为是一个"能自动完成任务的机器人"。实际上，一个工程化的Agent系统，核心是四件事：
其一，任务分解。用户说"帮我调研一下竞品"，Agent要把它拆成：确定调研目标、列出竞品清单、搜索公开资料、筛选信息来源、整理结构化对比、输出报告草稿。每一步都要设计。
其二，工具调用。Agent得知道什么时候该调搜索引擎、什么时候该读文档、什么时候该执行代码、什么时候该问用户澄清。工具编排得不好，Agent就会在错误的路径上浪费大量时间和Token。
其三，记忆与管理。跑完一个任务之后，哪些信息要保留到下一个任务？用户的偏好如何沉淀？这不是技术难题，但设计不好整个Agent就会显得"又蠢又健忘"。
其四，护栏机制。Agent执行过程中如果出现了和预期不符的中间结果，系统能不能及时刹车、回退、或者转人工？这直接决定了Agent能不能在生产环境里跑。我踩过的坑是：最初把Agent做得过于"自由"，结果它在一次自动调研里自己编了一个不存在的竞品数据来源，幸好有审查环节拦下来了。从那以后，所有Agent产的中间结果必须带"来源引用"。
配合Agent的是AI infra工程师。这个岗位解决的是：模型推理要快、成本要尽量低、服务要稳。看起来技术含量高，其实核心思路和各行业的基础设施建设是一样的——把地基打好，让上层业务随便盖楼。热词里出现"ai infra"不是偶然，是Agent应用变多之后的必然。
4.3 新岗位的能力模型：通才+专才的杂交优势
把拓竹岗位集体解剖一遍，会总结出一套共通的能力模型。我在面试和带人的过程中，发现符合下面四个特征的人，在新岗位上手的速度明显更快：
第一，人机协作设计能力。能不能把一个任务拆成人做和AI做的部分？拆完之后，交接点在哪里？人对什么负责、AI对什么负责？这些问题想不清楚，用AI就容易"失控"或"低效"。
第二，跨域知识迁移能力。很多拓竹岗位都要求"懂AI+懂业务+懂组织"，单一技能不够用了。一个能做数据清洗的AI测试工程师、一个懂市场营销的AI产品经理、一个懂车间工艺的AI应用工程师，价值是普通单一技能从业者的数倍。
第三，基于数据做判断的能力。AI时代，直觉依然重要，但直觉要用数据来校准。能看懂数据的分布、能理解准确率和召回率的业务含义、能区分相关性和因果性，这些越来越成为基础生存技能。
第四，持续学习与快速试错能力。AI这个领域的技术迭代是以月为单位的，三个月前的"最佳实践"可能已经过时。学习能力比存量知识更重要。
4.4 一张表看懂传统岗位与拓竹岗位的差异
| 对比维度 | 传统岗位代表 | 拓竹岗位代表 |
|---|---|---|
| 典型任务 | 执行既定流程，按SOP交付 | 定义人机协作流程，设计输入输出规范 |
| 核心能力 | 熟能生巧、流程熟练 | 跨域迁移、快速学习、判断校验 |
| 输出物 | 代码、文档、测试报告、方案 | 提示词方案、Agent设计、评估体系、数据回路 |
| 价值来源 | 单位时间内的产出量 | 杠杆率与决策质量 |
| 工作方式 | 人操作软件/工具 | 人定义规则，AI执行，人审核兜底 |
你看到的核心差异，是"价值来源"那行。传统岗位里，你产出越多越值钱；拓竹岗位里，你的价值取决于你定义的系统能不能替别人放大产出，以及你做的关键决策准不准。这个转变，对很多人来说是心理上的坎，但迈过去之后就顺了。
5. 千年循环的破局密码：一套可执行的应对框架
5.1 第一步：用AI工具链重构你手头最重复的那件事
破局不必从宏大叙事开始，从一个具体动作开始就好。我建议你接下来两周只做一件事：找出来你每周重复次数最多的三件事，然后把它们一项项用AI工具重做一遍。
具体的操作路径是这样的：
- 记录：把这三件事的过程写下来，包括输入什么、你做了什么处理、输出什么；
- 拆解：区分这三件事里，哪些环节是"模式识别+内容生成"，哪些是"判断+决策+沟通"；
- 试验：把"模式识别+内容生成"的部分交给AI，保留"判断+决策+沟通"的部分自己做；
- 记录数据：对比AI辅助前后的时间和质量，用数据说话，而不是凭感觉；
- 迭代：把AI产出的结果再喂回给AI做第二轮优化，形成"生成—审查—反馈—再生成"的回路。
以我自己为例，以前每周要花两小时写周报、整理项目风险、归纳待办，现在我用AI先做初稿，我只需要花二十分钟修改"风险描述是否准确"这件事。省下来的时间我拿来读模型评估相关的资料。量不大，但方向对。
这步的意义不在于省了那一两个小时，而在于让你建立对AI能力的"手感"——你知道它擅长什么、不擅长什么、什么时候会编造内容、什么时候需要你校正。这种手感是后续一切操作的基础。
5.2 第二步：找到"人机协作"的高杠杆点
有了手感之后，第二步是找高杠杆点。什么叫高杠杆点？就是你投入一小时，能撬动十小时甚至一百小时产出的关键位置。
一般来说，高杠杆点有这么几个特征：
- 你做一次，很多人受益（比如团队级的模板、SOP、自动化脚本）；
- 你投入的是"定义和框架"，别人执行的是"填充和重复"（比如一份精确的提示词模板，可以被团队复用）；
- 你做的是"决策和校验"，AI做的是"规模化的执行"（比如让AI批量初筛用户反馈，你做最终归类判断）。
具体到个人，怎么找？我有一套小方法：每个周日晚上花半小时，把本周做的事情列出来，给每件事打两个分数——"重复出现概率"和"对业务结果影响程度"，两个分数都高的事情，就是你的高杠杆点。下个星期用AI去优化那一两件事，其他事动都不要动。
我见过很多人的误区，是想把工作流里所有环节都AI化，结果哪哪都没做好，还把自己搞得很累。正确的节奏是：一次只优化一个点，跑顺了、跑稳了，再动下一个。
5.3 第三步：用行业know-how建护城河
前面专门提过PLC老师的例子，这里想再往深说一层。AI有一个天然短板：它掌握的是"普遍性知识"，而行业里的"隐性知识"恰恰是它学不到、也没办法从公开数据里学到的。
什么叫隐性知识？比如在一个制造企业里，同样的PLC报警代码，A车间和B车间代表的故障原因可能完全不同，因为产线布局和工艺路径不一样；再比如，一个用户反馈"太卡了"，在不同产品里可能代表"加载慢""操作流程太长""闪退"三种完全不同的意思。这些依赖具体场景的know-how，AI是无法凭空生成的。它必须要有人喂给它、告诉它、帮你验证。
所以，每一个在传统行业里待了三年以上的人，其实手里都握着一张AI替代不了的底牌——你对业务上下文的理解。问题是你之前没意识到这张牌的价值，也没有主动把它结构化。
怎么把这个隐形的know-how变成生产力？我建议你把工作里那些"只可意会不可言传"的判断规则写下来。比如：什么情况下用户说"没问题"其实是"有问题"？什么情况下方案A优于方案B？把这些规则变成提示词的一部分，让AI在生成内容时带上你的行业视角。这个东西一旦沉淀下来，就是你的个人资产，也是你在团队里无法被替代的原因。
5.4 第四步：保持"跨域迁移"的能力
最后一步，也是最难坚持的一步：保持跨域迁移的学习节奏。AI时代变化太快，任何一个单一技能都有半衰期。我给自己定的规矩是，每12个月学习一个"和当前领域相关但不同领域"的新工具或新概念。比如前年我系统学了数据分析，去年研究了模型评估的指标体系，今年在啃Agent的工作流设计。
为什么要跨而不是往深里钻？因为拓竹岗位需要的是"T型人才"——横线是认知广度，竖线是专业深度。光有深度没有广度，你看不到其他岗位怎么用AI，可能做着做着就被一个跨界方案降维打击；光有广度没有深度，你在哪儿都是个半吊子。
实际操作上，不用每个都学得很深，学到"能判断它适不适合你的业务场景"这个程度就够了。比如你不用成为数据分析专家，但你要知道什么数据能分析、什么样的结论是可靠的、什么时候该找数据分析师协作。学完之后，把它和你现有领域连起来想一遍：这个能力能不能用来解决我手上的问题？能在哪个环节插进去？大多数时候你会发现，跨领域带来的"异花授粉"效应，比在同领域死磕更容易出成果。
我自己的体会是，踩过几次坑之后，最大的变化不是工具用得有多熟，而是心态彻底放松了。以前看到新工具出来会慌，担心自己是不是又落伍了；现在会习惯性地去拆：它解决了什么问题？它替代的是哪部分能力？我可以怎么借它把手上事情做得更好？这么一转念，焦虑就成了行动力。最后再分享一个小技巧：在团队里做第一个把AI用进日常流程的人，哪怕是特别不起眼的场景，收益也不仅仅是效率的提升，更是你在一群人里快速建立起的"这人跟得上时代"的信任感。这个信任感，才是AI时代最值钱的隐形成本。
