（一）、AI的优势在于：
1.从AI的产生模式来看，从预训练阶段的大量数据灌输，到监督学习和强化学习的专精数据的补充，整体来看AI就是一个“全能”的代码生成器。他知晓各种框架、各种语言以及大量优秀项目的底层代码逻辑，这些所有的知识在AI写代码的时候都可以给他提供或多或少的帮助，对一个程序员而言，他所掌握的、记在脑子和习惯中的知识，从体量上是完全比不上的。
——这意味着，从产出的代码质量的层面来看，程序员所写的代码，随着AI模型的发展，最终是一定比不上AI所写。
2.从AI的产出模式来看，相当于AI是每一次执行任务，都会从巨量的知识库中，检索与任务相关的所有知识，进行学习和借鉴，然后成为一个24小时不用休息的打工人，且保持基本稳定的准确度和效率，对任务发起冲击。程序员不行，第一是知识储备根本不是一个量级的，第二是人的精力始终是有限的，做不到持续地且准确度极高地完成任务。
还有一个有趣的点需要注意，人和AI都会犯错，这俩的犯错概率暂且不论，但是从修复层面来看，AI考虑到的边界情况、检查错误的覆盖率和成功率，通常相比于人而言是要高的多的。因此即使两者都犯错，AI修复错误的效率也会高得多。
——这意味着，从产出的代码效率的层面来看，程序员无论从代码量还是准确度，都是完败。
（二）AI的劣势在于：
1.AI能极其高效地完成当前布置给他的任务，你的prompt越明确清晰，他完成的东西就越符合你的预期。（我认为本质上是“提示词工程——产出质量”的映射关系）当时从当前阶段的具体产出物来看，AI的眼界仅仅是局限于当前的需求，正常一个项目是需要无限次的迭代开发的，从可持续发展的角度来看，AI搭建的底座并不能作为一个很好的基础，这个方面依旧需要人为去进行引导。
——但是我个人感觉，随着大模型的训练数据的增多、训练方式的更迭，这个问题可能到未来会自然消融，因此只作为现阶段的一个问题参考。
2.AI的所有产出都是以训练时提供的所有数据为基础，结合具体的任务情况进行数据筛选，通过神经网络的计算，按照出现的概率高低，逐token进行输出（似乎也有少量模型是两三个token一起输出的，待确认）。即AI的所有产出，本质上是对现有知识的拼接，因此从创新层面来看，AI似乎在现阶段并不能做到。
——创新，从某种意义上来讲，其实是针对一些天马行空甚至是不切实际的想象进行落地的尝试，成功落地即是创新，失败即毫无意义（可能从人的视角来看也可以提供一些参考价值）。AI不会进行奇思妙想，也不会去尝试一些可能毫无意义的事情，他只会按照特定目标完成任务。
——但是，现阶段AI的产出，有时候会按照严格的逻辑链，得到看似非常正确，实则完全虚构的结果（即AI幻觉），从某种程度上来看，这个算不算另类的创新？未来AI的发展会不会朝这个方向发展？（有待思考）
3.AI大模型的训练成本较高，对应使用成本也较高，由于AI在完成任务的过程中，也可能会做很多的无用功和犯很多的错误，因此对token的消耗是巨大的。可能现阶段从AI在专业层次的使用层面来看，还不会特别普遍。
——但是各大公司都在朝这个方向进行快速发展，Anthropic提出的MCP和agent skills我觉得就是避免浪费大量token资源做出的防范措施。
——现在很火的龙虾OpenClaw作为“执行式AI”的智能体框架，其中一个比较大的问题就是调用API处理任务时会耗费巨量的token资源。（但是我相信随着框架体系的不断完善，这个问题在未来一定是会被解决的）
（三）、我的视角下AI的发展流程
——> 2023年本科入学，基本全手搓代码，不曾接触AI
——> 2024年chatGPT开始使用，参与日常文档的辅助编写
——> 2025年初deepseek发布，深度思考开启，日常作业编码和项目编码中慢慢出现了AI辅助的身影，从使用cursor开始，AI编写的代码率就达到了50%以上
——> 2025年底Gemini 3出世，搜狐实习中基本AI的代码覆盖率慢慢高到了80-90%
——> 2026年初，美团实习中基本无手写完整代码的场景，基本只负责代码微调，AI代码覆盖率高达95%。现阶段尚且需要人为拆解和细化需求并提供给agent清晰的prompt和上下文信息，但是随着龙虾OpenClaw“执行式AI”智能体框架出圈，我预计未来将不再需要人的参与而是多个智能体相互配合自动进行复杂任务拆分和执行
（四）、为什么需要思考
AI技术快速发展，对整个编程行业都带来巨大冲击。结合美团实习时的实际开发场景：
1.前端开发：基础页面的前端代码按照模板化的prompt已经能够很完美的实现，通常只需要2-4次Vibe coding的氛围编程交互；针对元素较多、交互较为复杂的场景，需要开发人员人为拆解和细化步骤，引导AI先总览核心目标，完成todo-list任务列表，然后按照步骤严格执行。通常按照上述流程，整体的前端效果已经可以完整实现，基本不需要手动书写代码，但是需要注意的点包括：AI只会注意当前需求，不会考虑后续迭代，因此需要开发人员引导AI进行代码视图层和逻辑层的解耦，以及通用函数的拆分和复用，即重点关注架构设计而不是代码的具体实现方式。
2.后端开发：我只需要设计好必要的字段（甚至可以只设计好初版，然后交给agent进行完善），基础的增删改查以及简单的交互场景，需要对应的前后端接口进行对齐，以及新建数据库表对应SQL语句的设计，可以完全交给AI实现，针对这种通用型的代码，AI实现的效率极高。
由此可见，AI针对重复性的、有固定模板参考的“套壳”任务，相比较于人的对比学习和复制粘贴而言，实现效率是极高的，因此，这种传统的程序员的劳动内容，基本已经被AI完全取代了。
——> 不思考，即固守传统能力 === 被AI淘汰，即失业
（五）、 AI对程序员到底意味着什么 以及 如何应对
常用模型：GPT5.4 codex 5.3 Gemini 3.1pro sonnet 4.6
从AI的迭代速度以及上述多个我日常使用的模型的经验来看，AI的能力只会越来越强，业内对AI的重视程度和投入比只会越来越高，人们使用的频率和日常生活的占比将会越来越大。我个人认为，AI的出现和不断强化，对程序员而言就是赤裸裸的“砸饭碗”，或者说逼迫程序员去转型，因为从前我们程序员投入大量的时间和精力完成的工作，AI已经可以以更加高效的方式甚至是更加高标准地完成了，即从某种意义上来说，程序员现在只能去干AI干不了的任务，AI能干的事儿，程序员在绝大部分的情况下干的都没有AI好。
程序员该如何应对？其实身处整个AI浪潮的洪流中，我自己也不知道出路在哪。我觉得最重要的点，一定是积极拥抱AI，积极学习和应用AI相关的最新技术，AI发展的趋势已经势不可挡了，身为普通人的我们不能置身事外，也做不到逆版本而行，多看和多用，才更能真切的体会到AI的优势和劣势都在哪，才能更好地探索程序员的未来在哪。
（六）、我的一些担忧和对未来的看法
现阶段的日常开发过程中，已经基本很少有需要人写代码的情况了，大多数情况都是人先去理解需求，然后思考如何用更加清晰的表述方式去让AI get到自己的意图，本质上就是我前文提到的对提示词的提炼过程。
但这不代表你不懂代码，只是变成了两种截然不同的能力要求——写代码和看代码，看得懂≠写得出，同时能理解AI给出的代码也不等于你知道如何进行进一步的优化。现在对程序员的要求变成了：①你能否快速识别AI生成的代码是否符合你的预期？②AI的代码是否足够精炼和准确？③如果AI的代码不够好，你是否知道如何写出或者引导他实现更好的代码？
曾经在我的认知中，AI是一个可以适用于软件开发人员的提效工具。但是现在，提效工具我认为是对AI最为浅薄的定义，AI最大的特点就是打破了曾经高不可攀的技术壁垒，从前的职责会拆分为产品、前端、后端、客户端、测试等等，大家各司其职，现在大家都可以通过AI变成“全能高手”，整个软件开发的全流程都被打通了，即使是一个全新的领域，我们也可以借助AI快速搭建起技术整体的理解框架。
因此我大胆预测，未来的开发岗位只会留下产品+架构师的结合体：①需要对技术有透彻的理解；②具备独特的审美品味和价值观，具备高共情、高敏感、高直觉的特性，能够快速洞察用户的需求，具有清晰的产品定位；③具有自己独特的对整个软件体系的结构化认知和理解，能够准确地判断和预知可持续发展的前景。
（七）、总结
提炼上述整个思考的核心不难发现，现在乃至未来对真正的软件开发“人才”的定义，已经不是我会多少代码底层逻辑、我有多丰富的开发经验、我有多会使用AI工具，其实是包含了这两个核心要点的人：学习能力和创造能力。这也是区别“你”和“其他人”的关键要点，为什么只能是你而不是其他人？对即将毕业的校招生而言，这或许也会是他们最大的特色，但其实，这两个要点很空，世俗中也没有所谓固定的评判标准，未来真正的出路在哪现在依旧犹未可知。或许在未来的某一天，编程就不再是一个只有少数人才能上手的高难度技术活动，而是变成了一项普通人的基本技能，就像曾经识字的人是少数，而文盲是多数一样，编程会不会最终走上和识字一样的历史发展周期？
而且我发现了一个很神奇的现象，现在各互联网大厂逐渐开启的春招和转正实习，对应岗位的划分依旧非常细致，这是否代表着，从某些顶层的视角来看，即使现在AI发展的如此迅猛，所谓技术和岗位的融合还有很长的路要走？我觉得可以观望一下后续的发展进程。
