AI编程工具越来越强，这点没人否认。GitHub Copilot能秒级生成函数，ChatGPT能帮你搭起整个项目框架，Cursor Windsor可以根据简单描述生成完整前端页面。小伙伴们开始讨论：写代码的门槛是不是已经低到人人可入了？
但实际情况恰恰相反。
技术文档越来越标准化，开源代码越来越丰富，AI生成代码的质量也越来越高，可"专业差距"不是缩小了，而是更明显了。这种差距不体现在谁能写出能跑的代码上，而体现在谁能写出"对"的代码。对谁？对业务。
代码能跑，不代表业务能跑
先说一个真实的坑。
CRM系统里有个常见的"客户重复购买"逻辑。AI可以快速给出实现方案，检测同一客户在订单表里的重复记录。但实际业务场景远比这复杂——
# AI生成的代码大概是这个样子
def find_duplicate_purchases(customer_id):
return db.query("SELECT * FROM orders WHERE customer_id = ?", customer_id)
看起来没问题对吧？但实际业务要考虑的边界条件多了去了：
- 重复购买的时间窗口怎么定？30天内还是365天内？
- 退款后再次购买算不算重复购买？
- 企业客户（公司）和个人客户（员工）的判断逻辑要不要区分？
- 跨店铺的订单算不算重复？
这些边界条件，没有实际参与过业务的人是不会知道的。AI生成的代码语法零错误，跑起来要么业务逻辑不符合预期，要么在边界情况下直接崩溃。
什么是领域知识
说白了，领域知识就是那些"没有文档的行业经验"。
某些行业的规则是几十年沉淀下来的，不是读过几篇博客就能理解的：
- 金融：监管合规逻辑、反洗钱规则、风险定价模型
- 能源：电网调度规则、峰谷定价逻辑、设备运维周期
- 医疗：用药禁忌、医保报销规则、诊断流程
这些知识散落在老师傅的脑子里，散落在项目代码的注释里，散落在踩过坑的人的失败经历里。AI训练数据里很少有这些东西，因为它们从来没被完整地写出来过。
为什么AI难以替代
1. 隐性知识难以传递
你问一个资深风控人员"这笔贷款能不能批"，他可能说不出完整的判断逻辑，但就是有一种直觉。这种直觉是多年接触大量案例后形成的模式识别能力——说不清但确实存在。
2. 获取成本很高
技术书籍可以快速读完，在线课程可以几周刷完，但领域知识不行。它需要时间积累，需要踩坑，需要跟业务方反复掰扯需求。一个刚毕业的计算机系学生和一个在行业里干了五年的业务专家，写出来的代码"能跑"可能差不多，但"能用"的差距可能就是那五年的业务沉淀。
3. 训练数据覆盖不了
公开数据覆盖不了所有领域。很多行业的核心知识从来没上过互联网：内部流程、保密协议、老代码里"这个别改，改了会出事"的注释。
开发者如何构建领域知识壁垒
1. 选一个行业深耕
不要只盯着技术栈。技术更新快，但技术本身不值钱。真正值钱的是技术跟某个领域的结合。
一个写了五年CURD的工程师，和一个在医疗信息化领域深耕五年的工程师，后者的替换成本高得多。不是因为他会什么框架，而是因为他知道那些没有文档的规则。
2. 理解业务逻辑而不只是实现逻辑
选一个你有感觉的行业，持续跟踪这个行业的动态：监管政策、行业报告、客户投诉、竞品功能。试着理解业务为什么要这么做。
几年下来，你脑子里会形成一张业务逻辑图。这张图比任何框架都难替代。
3. 学会问"边界在哪里"
程序员最容易忽略的问题是"这个逻辑的边界在哪里"。AI生成代码的时候，你给它一个需求，它给出一段实现。但边界条件需要你自己去挖掘。
举个例子，你接到了一个"限制用户每日提现额度"的需求。AI可以快速给出代码：
def check_withdrawal_limit(user_id, amount):
today_withdrawn = get_today_withdrawn(user_id)
if today_withdrawn + amount > DAILY_LIMIT:
return False
return True
但边界条件呢？
- 额度是按"自然日"还是"任意24小时"计算？
- 提现失败后额度释放的时序是怎样的？
- 风控触发的临时限额和常规限额如何叠加？
- 测试环境怎么构造"今日已提现"的测试数据？
这些边界条件，才是真正考验领域知识的地方。
总结
写代码的能力不会贬值，就像数学能力不会因为计算器的普及而变得无用。AI淘汰的是低附加值的代码工作，而不是所有代码工作。
但领域知识的重要性在上升。它难以被替代，难以被快速获取，而且跟业务价值直接挂钩。对于想建立长期竞争力的开发者，与其焦虑AI会不会取代自己，不如想想怎么让自己跟某个领域的结合更深。
代码能跑就行？这个标准已经不够了。
