最近和同行聊起近况，大家都隐隐有些焦虑：明明自己懂的技术很多、写代码的速度很快，但那种曾经笃定的技术溢价却在悄然流失？我们正在经历的这场行业重排，和过去几十年里司空见惯的行业冷暖有着本质不同。以往的周期性波动，无非是市场需求侧的水位在涨落。行情好的时候，水涨船高，大家一块儿涨薪；行情差的时候，潮水退去，大家一块儿过冬。但无论水位如何变化，工程师赖以生存的那份能力清单，其核心条目是从未动摇过的。

可这一次被动摇的，恰恰是清单本身。从规则化编码走向 Token 化生成的新轨迹一旦铺开，其震荡最先传导到的，既非产品形态，也非基础设施，而是整个系统最底层的供给方：写软件的人。

AI 网关所代表的基础设施演进，可能还需要顺着系统架构慢慢挪动，好几年后才能尘埃落定。而对软件工程师的重新定价，则要迅速得多。它不需要等待架构演进的漫长周期，而是直接显现在每一份最新的 JD、每一次充满迟疑的薪酬评审，以及整个行业对开发人员核心能力定位的重估中。

一、 职业的本质：一组被市场定价的能力

关于AI 会不会取代程序员的讨论，在这两年里几乎泛滥成灾。可惜的是，大多议论都在宣泄情绪，讨论尊严、地位，或者忧虑一个写了十几年代码的人会不会一夜之间变得百无一用。这类争论注定没有结果，因为它的落点过于模糊。一个职业的存亡，从来不取决于感性的认知，而是由市场的结算单说了算。

从底层的视角来看，所谓职业，本质上就是市场对一组特定能力的稳定定价。

一门职业能够长久立足，前提是它所掌握的那组核心能力可以同时满足三个条件：稀缺、可识别、可被购买。稀缺保证了价格，可识别让它得以进入标准的招聘流程，而可被购买则维持了稳定的供需循环。在电打字机刚流行的年代，打字员曾是一个体面的职业，养活了成千上万的人，因为在当时打字完美符合这三个要素。如今这个职业消亡了，并非打字这项行为消失了，而是因为上述三个前提已经荡然无存。

过去几十年里，软件工程师之所以能享受持续攀升的溢价，正是因为这三个特征在数字化的巨浪中被不断强化。懂编码的人持续稀缺，写代码的水平在技术面试中高度可识别，而全行业的数字化转型又让购买编码能力的需求无穷无尽。

然而，能力清单上具体写着什么，并不是天经地义的，它始终被时代的技术底座所塑造。

比如，今天会写汇编语言的人远比当年稀缺，但它已经无法再支撑当年的价格。稀缺性依然存在，但需要它的场景已经大幅收窄，退回到了内核开发、嵌入式系统和极致性能优化等极少数细分领域。价格的决定权，终究在需求侧。同样，十年前做高并发系统设计可以拿到极高的溢价，而今天这种溢价正在迅速缩水，因为云厂商已经把这些复杂的架构封装成了开箱即用的托管服务，普通公司不再需要每个团队都去从头造轮子。至于前端的常规页面布局，曾经也是一项稀缺能力，而如今在供给侧，其门槛已经降到了基本全员通用的地步。

每个工作了十年以上的工程师都会发现，自己当年引以为傲的某些核心技能，如今已经难以获得当年的溢价。这并非个人技术退步了，而是这些能力在市场整体供给中的稀缺度发生了偏移。

招聘 JD 的变化，就是这种市场定价机制的延迟反馈。

当一项能力被写进 JD，意味着公司的技术栈中已经为此空缺了相当长的时间，招人的负责人与 HR 经过了反复对齐，确定这是一项不可或缺的硬约束。相反，当某项能力悄无声息地被从 JD 中抹掉，则意味着公司发现它不再是决定成败的核心瓶颈，同等价格下的技能供给已经过剩。JD 无法预测未来，但它能极其诚实地告诉你，什么样的能力组合在过去一段时间里，已经完成了市场的结算。

因此，AI 会不会取代程序员这个提问实在太大、太虚。我们应该问得更精确一些：在 Token 化的生成式时代，软件工程的能力清单将被如何重排？什么能力在获得加价，什么能力在贬值？又有哪些过去隐在工程师脑子里的直觉与默契，正在被单独抽离出来，成为新的高溢价资产？

二、 规则化时代：为技术实现付费的七十年

要研判行业未来的去向，我们必须先理解过去七十年里，市场究竟在为什么付钱。

软件工程这门职业从汇编时代算起，已经走过了七十年。在这漫长的历程中，技术形态发生过无数次跃迁，从穿孔卡片、分时系统，到 PC 互联网、移动互联网，再到如今的云原生。每一次技术的更迭，都会让掌握新技能的工程师身价跃升。但如果剥离掉这些令人眼花缭乱的技术名词，我们会发现它们底层有一条从未偏离的共性主线：市场一直在为编写与实现能力支付高昂的溢价。

这种具体的技术实现能力，并非虚无的概念，而是由三个非常实在的纵深维度交织而成的。

最底层是开发语言的熟练度。在 C 语言崭露头角的年代，能写熟练 C 代码的人就是稀缺资源；在 Java 统治企业级开发的周期里，懂 Java 的程序员能拿到稳定的技术红利；而在 Go 语言成为云原生主战场的阶段，Go 的熟练程度又成了新的溢价来源。

在语言的门槛之上，则是应对规模的工程纵深。懂语法的人比比皆是，但能够用代码架构出支撑千万级并发系统的人寥寥无几。这种处理复杂演进、应对大规模线上事故的经验，无法从教科书里直接速成，通常需要通过真实的大型项目实践积累。

再上层则是特定场景的领域纵深。同样是写后端业务，做过支付系统和做过推荐系统的工程师是两种完全不同的供给。前者必须深谙对账、幂等性设计、风控与合规；后者则需要对特征工程、召回排序、AB 测试烂熟于心。这两种业务知识无法直接替代，因而市场愿意为之分别定价。

这三个纵深维度构成了过去七十年工程师市场定价机制的支柱。

它的底层假设是：技术栈的门槛足够高，掌握复杂技术栈的人就是稀缺资源。在特定技术栈进行数年的研发投入，并熟练掌握它，市场会在随后的职业生涯中给予稳定的技术红利。这种稳定性塑造了规则化时代工程师清晰的成长曲线：学深技术栈，做大规模，熟悉业务场景，一步一个脚印。它也定义了我们对资深一词的认知：资深工程师，几乎就等同于经历过很多项目、解决过很多复杂技术落地的人。

在能被拆解为步骤、定义为状态、编写为规则的软件世界里，市场为这种开发实现能力付费，因为此前确实别无他法。这种机制运转得如此稳定，以至于身处其中的我们，曾一度将这种模式视为行业成长的铁律。

三、 Token 化时代：技术实现的稀缺性正在结构性滑落

如果说程序员要被 AI 取代了，这种论断过于简化了生产力结构转型的复杂性。然而，一个不可否认的技术趋势是：具体编码实现能力的稀缺门槛，正在经历显著的重塑。

把代码写出来这一行为，历史上首次不再成为稀缺品。

在过去，掌握一门新技术栈需要付出可观的时间与工程实践成本。你需要花时间阅读文档、经历复杂的调试踩坑过程、通过真实项目演练，才能在工程中运用自如。这种稀缺性是坚固的，它依赖人类的学习曲线和经验积累周期，这是供给侧的刚性约束。市场为程序员支付高薪，本质上是对这一经验沉淀周期的补偿。

然而，大模型的出现，让具体技术实现的供给方式发生了根本性变化。它可以在大多数主流语言和框架下编写出结构规整、符合常规模式的代码。一个从未写过 Go 的工程师，在大模型的辅助下，可以在极短的时间里交付一段质量可观的 Go 代码；一个从未使用过某个复杂框架的开发者，也可以在一下午的时间里让常见接口跑起来。这些过去必须依赖时间积累才能获取的实现能力，如今可以通过调用 Token 轻松绕过。

尽管自动生成的代码仍需经过工程校验与优化，但它大幅拉平了技术实现的供给曲线。当通过付费调用大模型即可即时获取大部分主流技术栈的实现逻辑时，单纯编码实现能力的稀缺度便随之降低。

当然，这种冲击并非均匀分布。

技术栈越通用、开源文档越丰富，受到的冲击越深，因为大模型在这个领域的训练语料最为饱满。相反，越是冷门、闭源、高度依赖企业内部经验积累的技术栈，受到的波及就越浅。这种变化的传导，会沿着这道技术梯度，用数年的时间慢慢往核心地带渗透。

但这引入了一个更微妙的问题：写代码的具体动作可以外包给 Token，但对于产出质量的判定权力却无法外包。

这代表具体实现能力的稀缺性下降，绝不等同于工程师自身价值的贬值。它只代表程序员的能力结构中，单纯编码的部分在缩水，而其他隐性能力在同时升值，但市场的反馈需要时间。从能力的实际变化，到 JD 上的字眼更新，再到面试官的评估标准、薪酬体系的权重转移，这条链条有着自身缓慢的惯性。

这一变革将以渐进的方式发生，最终重塑招聘市场对软件工程人才的核心诉求。

四、 新的稀缺性：从后台推向台前的判断力资产

开发实现的门槛变低了，但市场对优质工程师的总预算并未萎缩，它只是在进行结构性的重新分配。那些流失的溢价，正在向几种过去散落在工程师脑子里、未被显式命名的隐性能力集中。

任务定义的显性化

第一种能力，是能将一项模糊的工作定义得足够清楚。

在过去，这种能力是以工程师与产品经理的默契这种形式隐性存在的。一个语意模糊、边界不清的业务任务扔下来，有经验的工程师会默默补全需求的缺口。他们知道这个需求背后真正想解决的是什么，明白哪些边界逻辑没有写明，清楚哪些异常需要找人确认、哪些按常规处理。这些复杂的补齐动作从未被记录在工时或静态指标中，它们只悄然运行在资深工程师的日常直觉里。

但在 Token 化时代，这种隐性补全失效了。如果把一个模糊的任务直接输入给大模型，它既不会主动追问，也不会暂停思考，而是会沿着模糊的指令快速生成一份格式工整、但偏离真实意图的错误代码。大模型写出的偏离代码比初级开发更具欺骗性，因为它的格式如此专业，逻辑看起来无懈可击，如果不仔细推敲，根本无法察觉整体方向的偏差。

因此，定义工作的能力必须被推向显性。编写精确的工作规范（Spec）和执行契约，在今天第一次成为了核心工程实践。当执行端变成了一个不会主动反问、缺乏业务常识的生成系统时，原本靠默契维系的部分就必须沉淀为文档、规范，以及可被 Agent 读取的工程规范。这种能将含糊需求梳理为严密契约、预见所有边界并明确产出标准的系统定义能力，正在成为新的稀缺供给。

从代码审计到推理审计

第二种能力，是对 AI 产出的深度评审能力。

这与传统意义上的 Code Review 有着本质区别。传统的代码评审，是审查一段已经被人类开发者想清楚了的逻辑实现，你默认作者懂业务、懂逻辑，你只需要帮他看有没有更好的写法、有没有遗漏的异常或能优化重构的地方。

但在评审大模型生成的产出时，这个前提不成立了。大模型根本不知道你们公司错综复杂的业务历史背景，不知道这条链路上下游有哪些口耳相传的坑，也不知道你们团队为什么在几年前放弃了方案 A 选了方案 B。大模型只负责生成一段在概率上最通顺的代码。

这就要求评审者必须具备更强健的判断力：必须能在测试全部通过的情况下，敏锐地指出这一方案在架构上是否站得住脚，因为测试只能证伪，而不能证明 AI 没有在测试覆盖不到的灰色地带偷偷偏离；必须能在无法重现的偏差中迅速定位根因，意识到大模型的逻辑漏洞通常不是某行代码写错了，而是对整个业务语义的理解发生了倾斜；更必须能准确识别出那些看似结构工整，但因偏离实际需求而无法解决核心业务问题的无效产物。这种评审能力无法外包给同一个模型，因为写和审如果调用同一套概率判定系统，注定无法审出大模型自身的盲区。它必须由经验丰富的人脑来完成。

在不确定性面前重塑工程纪律

第三种能力，是为不确定性系统进行兜底的工程纪律。

这也是资深这个概念被重塑的起点。在由规则定义的系统里，代码逻辑的偏差是确定且可追踪的。出了故障，查查日志、看看调用栈、本地复现一下，一般都能抓到问题所在。资深开发者的价值分散在这些轻车熟路的调试和重构动作中，与具体的编码实现绑定在一起。

而在大模型参与的非确定性系统中，偏差变得极度隐蔽与扩散。在面对大模型随机跑偏和不可预测的生成行为时，排错的工作方式彻底变了。你不再是寻找第几行写错了，而是在一团概率的迷雾中建立起系统大概在哪个方向发生了倾斜的直觉判断。

这就需要一种在不确定性面前，依然能坚守工程纪律的兜底能力。知道如何在系统跑偏时快速保护状态，如何为非确定性的思考链路建立调试现场，以及如何在关键阈值处将控制权无缝移交给人工。这种兜底设计能力，正在从一种默默无闻的救火直觉，变成被市场显性招聘和定价的核心资产。

供给侧的链路编排

第四种能力，是设计与编排多 Agent 工作链路的能力。

在不久的将来，单纯学会如何使用某些大模型辅助工具，将不再会是 JD 里的加分项，因为它会迅速退化成行业全员的技能下限。真正能够获取高溢价的，是理解如何构建一个复杂的多 Agent 协作网格，并清晰知道在哪些关键节点应当把决策权交还给人类。

这与传统开发中把逻辑写对的训练路径完全不同。它需要的是解构任务的视野、选择模型的直觉、对 Agent 跑偏概率的预见，以及为这种跑偏设计防御性容错架构的能力。传统工程师训练的是规则执行，而链路编排工程师训练的，是让一个会自己进行概率决策的动态系统，在合理的逻辑轨道内平稳运行。

纵观这四种能力，你会发现一个共同的指向：市场正在对那些大模型无法代劳的判断性动作进行重新加价。判断力从未贬值，它只是在历史上第一次从单纯编写实现的事务中剥离出来，独自站到了舞台的核心。

五、 资深的重整与重新分类

基于这一趋势，过往统一的资深程序员概念，正在被拆分为两个截然不同的类别。

第一类是做过很多的资深。他们简历里写满了精通的技术栈、主导过的大并发项目、熟悉的不同场景。然而，这部分经历的技术壁垒正在被填平。大模型对绝大多数主流技术栈的记忆比人更精准；云厂商的托管产品拉平了过亿并发的工程门槛；垂直领域的行业常识也在被一波波卷入开源和闭源模型。这一类资深溢价正在迅速收窄。

第二类是判断过很多次的资深。他们判断过什么时候该果断放弃原有路径，什么时候必须推倒重来，什么时候可以相信自动化测试，什么时候必须保持警惕。这种基于复杂场景下的权衡直觉，无法通过看文档获得，也无法外包给 Token。它必须在真实的故障复盘、深夜线上回滚的压力，以及对决策代价的直接承担中，一步一步在人脑中磨砺出来。这不是死板的知识，而是真正的判断。

年轻的工程师在 AI 的辅助下，可以在极短的时间里见识到过去需要很多年才能接触到的海量代码与框架，他们在做过很多的维度上成长得飞快。然而，他们依然没有真正承担过系统崩溃时的责任。这种在真实代价面前被迫做决策的磨炼，依然只能由时间来给予。随着系统不确定性的增加，这种为最终后果承担责任的判断力，只会变得越来越珍贵。

这意味着，资深工程师并不会被时代淘汰，但他们正在被重新分类。

作为资深开发者，意识到自己的资本到底存在于哪一层，正变得前所未有地重要。看清这一点的人，能在这场重新定价中站上新的台阶；而固守过往规则化经验的从业者，则可能面临溢价空间加速收窄的困境。AI 时代的工程判断力，绝非凭空产生，它恰恰是在过往规则化时代最扎实的开发经验里滋养出来的。没有当年调试无数 Bug、解决各类疑难杂症的积累，面对大模型的生成产物，你甚至连它错在哪里都看不出来。扎实的经典工程经验，不是累赘，而是我们在新时代最厚重的筹码。

问题不在于经验失效了，而在于我们能否将自己经验中关于判定、权衡和责任兜底的部分识别出来，并拿到市场上重新定价。

六、 工程师的自我校准

对于身处一线的工程师而言，面对这场变局，最理性的应对并非陷入焦虑，也不是盲目地去追赶每一个最新的 AI 工具，而是冷静地把自己的能力清单摊开，在新的市场天平上重新校准一次。

问问自己：我的哪些能力属于只要大模型版本更新就能即时被替代的技术熟练度？对这部分能力，不用立即废弃，但要清醒地意识到它能带来的溢价正在走低，绝不能再作为自己赖以生存的唯一支柱。

再问问自己：我的哪些能力属于能够明确定义任务、评审复杂产出、为非确定性系统兜底并编排协作链路的判断性资产？这些在过去常被视为开发工作副产品的能力，如今正成为最显眼的溢价栏目，需要我们去有意识地提炼和培养。

这并不意味着我们要在明天就彻底改头换面，也不需要将过去多年的积累全盘否定。我们需要改变的，仅仅是对待工作的技术停留方式。在交付一段代码时，我们是仅仅停留在代码写完能跑，还是停留在为这段逻辑设计了一份能够被他人清晰审计、能在异常时平稳兜底、蕴含着明确工程意图的架构规范？

这两种不同的技术工作重心，可能在数年的时间跨度内，导致背景相似的工程师之间，悄然拉开一条核心竞争力上的分水岭。

---

本文出自我的开源书籍《AI编程的第一性原理》，欢迎阅读原本：github.com/caozhiyi/ai…