距离软件行业大裁员，还有不到 2 年
AI | 行业观察
2 年这个数字怎么来的
在 AI 领域有一个规律：一个范式从在国外出现，到圈内热议，再到国内公司大规模应用，周期大约是 2 年。
GPT-3.5 发布是 2022 年底，到 2024 年底国内才算真正铺开 AI 辅助编程。Cursor 在国外火了大半年之后，国内才开始大量讨论"AI 结对编程"。这个节奏一直很稳定。
而国外 AI Coding 领域，正在进入第三次范式。
3 次范式变迁
过去 3 年，AI 编程经历了 3 次质变，不是量变：
第一阶段：AI 辅助编程
程序员写代码，AI 在旁边帮忙。
做的事很有限：代码补全、搜索文档、充当高级 Linter。就像给你配了一个能自动查 Stack Overflow 的助手，但代码还是你写，架构还是你定，Bug 还是你修。
程序员的价值：100% 不变。AI 只是提效工具。
第二阶段：Vibe Coding
程序员和 AI 结对编程。
这也是现在大多数人用 Cursor 的方式——你说需求，AI 写代码，你审代码，不满意的地方指导它改。本质上是"你当架构师，AI 当码农"的配合模式。
程序员的价值：下降，但仍然是核心。你需要告诉 AI 怎么做，需要 review 它的产出，需要处理它搞不定的复杂场景。
国内当前主流就在这个阶段。
第三阶段：Harness Engineering（当下国外前沿）
这个阶段的核心思想用一句话概括：
程序员不写一行代码。如果 AI 写出了不好的代码，第一要务不是指导它改，而是排查"环境"哪一环出了问题，修复环境。
什么叫"环境"？就是围绕 Coding Agent 构建的一套强约束、可观测、可评估、可反馈、可回退的编码系统。
举个例子：AI 写的前端页面有 Bug。
- Vibe Coding 的做法：你打开代码，看看哪里写错了，告诉 AI "这里的 state 更新逻辑有问题，改成 xxx"。
- Harness Engineering 的做法：你不看代码。你去排查——"为什么 Agent 没发现这个 Bug？"。是不是可观测性不足？比如没有接入 Agent Browser，Agent 没法自己走查页面？那就给它接上。下次它就能自己发现、自己修。
程序员的角色从"写代码的人"变成了**"设计和维护 AI 编码环境的人"**。
就像工厂自动化之后，流水线工人消失了，但需要维护机器人和产线的工程师。区别在于——后者需要的人数是前者的十分之一。
为什么这会导致大裁员
你可能会想：范式升级不就是提效吗？之前每次技术升级也没导致大规模裁员啊。
这次不一样。
之前的每次提效——框架升级、低代码平台、DevOps 自动化——本质上都是让程序员做同样多的事变快了，但业务增长吃掉了效率提升，需求还是多到做不完。
但 Harness Engineering 不是提效。它是替代。
在这个范式下，Coding Agent 独立完成所有编码工作：写功能、写测试、修 Bug、做重构。程序员只负责"造环境"和"修环境"。
那问题来了：一个 20 人的业务开发团队，需要几个人来"造环境"？
2-3 个就够了。
"缺粮 10%"的比喻
这里有一个很残酷的经济学逻辑：
缺粮 10% 的结果不是粮食涨价 10%，而是一直涨价，直到饿死 10% 的人为止。
同样，当 Harness Engineering 成为主流范式，它的影响不是"淘汰 10% 的程序员"。它的影响是——一直淘汰下去，直到所有"主要工作职责能被 Coding Agent 覆盖的程序员"全部失业为止。
什么样的工作职责会被覆盖？
- 按产品文档写页面
- 按设计稿还原 UI
- 写 CRUD 接口
- 修已知 Bug
- 写单元测试
- 做常规重构
这几乎涵盖了大多数业务开发程序员的日常工作。
哪些人不会被淘汰
不是所有程序员都会被替代。以下能力是 Coding Agent 目前做不到的：
1. 设计 Harness 本身的人
构建 Agent 的编码环境、设计约束规则、搭建评估体系——这就是下一代"程序员"的核心技能。你需要懂怎么让 AI 写出好代码，而不是自己写好代码。
2. 处理模糊需求的人
"用户说想要一个更好的体验"——这种需求 Agent 处理不了。需要有人把模糊需求翻译成 Agent 能理解的结构化约束。
3. 做架构决策的人
用微服务还是单体？选 PostgreSQL 还是 MongoDB？这些涉及取舍和长期判断的决策，Agent 做不了。
4. 跨系统集成和调试的人
当 3 个不同团队的系统需要联调，问题出在边界上，Agent 的上下文窗口和权限范围都不够用。这种"政治+技术"混合问题还是需要人。
你现在该做什么
不是恐慌，是备战。2 年说长不长说短不短，但足够做准备。
短期（3-6 个月）
- 深度使用 AI 编程工具。不是用来补全代码，而是学习怎么让 AI 自主完成整个功能。你要练的不是"怎么写 Prompt"，而是"怎么设计一个环境让 Agent 少犯错"。
- 学习 Agent 生态。MCP、Function Calling、LangGraph——这些不是技术玩具，是 Harness Engineering 的基础设施。
中期（6-12 个月）
- 转向 AI 工程方向。学 RAG、学 Agent 架构、学评估体系。写的每一行代码都在思考："这个工作能不能被 Agent 做？"
- 积累"造环境"的经验。给你当前的项目接入 CI/CD 自动测试、代码质量门禁、自动化 Review——这些就是 Harness 的雏形。
长期（1-2 年）
- 成为"造环境"的专家。你的核心竞争力不再是"我能写多好的代码"，而是"我能构建多好的 AI 编码环境"。
- 建立行业认知。理解业务、理解产品、理解用户——这些是 AI 替代链条上最后才会被触及的能力。
写在最后
每一次技术革命都伴随着岗位消失和新岗位出现。蒸汽机淘汰了手工织布工人，但创造了机械工程师。流水线淘汰了大量装配工人，但创造了自动化工程师。
AI Coding 不会消灭"程序员"这个职业，但会深刻改变这个职业的定义。未来的"程序员"可能更像今天的 DevOps 工程师或 SRE——他们不直接写业务代码，而是确保整个系统稳定、高效、可控地运行。
区别在于，那个系统里写代码的不再是人，而是 Agent。
2 年时间，够做很多事。关键是现在就开始。
标签：#AI编程 #HarnessEngineering #VibeCoding #行业趋势 #程序员转型
