AI时代，程序员的技能都有哪些变化

Karl_wei
0 阅读11分钟

前言

AI 这两年的迅速发展，带给程序员的体感冲击其实是非常剧烈的。

最开始的代码补全 → workflow 编排 → Agent 迸发，应用层面搭配主流 IM 系统和各种 CLI，可以 24 小时命令 AI 干活，甚至手机也能审核操控。

代码开发变得方便高效，随之而来的就是程序员的可替代性极高，企业接连缩编。程序员不断的在尝试和推广 AI 前沿技术，也让这个群体变得越来越脆弱，成为用 AI 干掉自己的先驱者。

但是话又说回来，时代总是在进步，我们应该在洪流中做个良币。这样即便被劣币驱逐，也能在自己擅长的领域时刻保持着核心竞争力。

但这个过程是比较卷的，需要我们的思维产生较大的颠覆，同时做一次能力边界的外溢。

编码没有消失，但它已经不再是专业壁垒！

下面是笔者个人理解且实践的，关于程序员需要做的一些变化。

一、多元的输入：程序要理解真实世界

我们以前做业务系统，很多输入都是确定的：一条表单、一次点击、一个枚举值。只要我们把前端状态、接口协议和数据库字段都对上，系统情大概率就能跑起来。

但是 AI 时代下，产品的入口已经变得很丰富，一条语音、一段录像、一份PDF、几张图片，甚至是用户连续操作轨迹。这意味着程序员需要开始理解用户究竟想表达什么？具备 对多模态的认知和处理。

【举例】语音采集功能的知识小闭环

  1. 优质的采集动作
    • 对采集环境的判断检查
    • 对设备麦克风等外设的适配
    • 对音频质量的评测和优化，比如噪声过滤、回声的消除、各种声源的增益控制。
  2. 文字转写识别
    • ASR 转写模型对接，具备横向对比各类厂商的能力
    • 发言人区分、分段、声纹、字幕流程显示等能力边界
  3. 转写效果的提升
    • 对于字错率、语义准确度等的客观数据评测
    • ASR 热词和文本纠正，后处理等的措施导入 除了语音采集，还有 视频帧处理，OCR 识别，向量处理 等。这些领域在 AI 的加持下，早已不是音视频、算法等高阶工程师才能去处理的，程序员都应该主动去涉猎学习，并且不能停留在调用层面上。

AI 时代下的产品，用户一定是越来越懒的，降低输入成本、提高输入质量，已经是产品的重中之重。
只有用户愿意输入，且输入的够准，出来的结果才能真正服务于用户。

二、稳定的输出：AI 不确定，工程要兜底

传统软件大多是一条确定性链路：同样的输入，经过同样的代码，通常得到同样的输出。
但 AI 时代下，产品的输出存在不可控性。会受输入上下文、模型能力、采样参数、提示词和用户主观判断等共同影响。

AI 链路通常包括：采集、预处理、检索、Prompt、Agent 调度、工具执行和结果返回。

任何一环有噪声，最终结果都会变差。而这种变差，是很难排查量化的。用户感受到的往往是“它怎么又弄错了”，之后就弃用我们的产品了。

因此，AI 产品的质量，不是只看“模型效果”，也不是把精力都放在改 Prompt。
需要拆成“工程质量闭环”： 问题分层，才知道该在哪里调优。

【举例】依旧是语音采集功能

  1. 采集质量评估

    • 建立音频的质量评估能力，对电平/信噪比/失真/频率等客观指标的计算评测
    • 音频业务可用性质检，比如评估 WER 字错率、探针检测包总量，确保业务层对采集质量的前置把控
    • 针对网络情况适时决定使用 裸 PCM 或者 Opus 等小体积编码，防止丢包、延迟

  2. 识别与结构化

    • ASR 字幕不仅仅是只看字错没错，还要看时间戳是否对齐、说话人是否混淆、专业词能否被正确识别
    • 语义层面 WER 的权重需要下调，一句话是否通顺，很大程度取决于关键词和主谓宾语法，需要建立 KER （关键词错误率）、PPL（困惑度）的评测体系
    • 热词、业务词典、领域纠错，这些在工程结构化上也需要建设

  3. 模型生成与呈现

    • 可以引入大模型裁判机制，让通用高维大模型对样本进行打分，再人工复核
    • 把生成结果分步骤拆细，不要过度相信和挑战模型能力

    比如：图片生成直接要求模型把复杂文字画进图里，常常会遇到文字漂移、国际化失真等问题。这时没必要模型硬碰硬，可以把不稳定的部分从生成任务里拆解出来：模型负责给出视觉方案、素材和结构，文字与排版转成 HTML 输出，然后再由应用来渲染成图片。把不可控的生成变成可测试、可回归的产物

  4. Prompt、知识 库

    • 知识库的向量，需要细致的考虑：切片边界、元数据、权限、召回、重排和引用回溯等
    • Prompt 的每次改动，都需要有指向解决一批代表性的问题，比如：典型问题、边界问题、历史失败、易诱发幻觉。同一批样本，分别对比修改前后的效果，再结合线上样本持续补齐，这才是调优

一个很重要的思路：稳定的效果不是只靠模型输出，而是从原材料到反馈再回流的系统。

我们在拿到失败案例时，应该能定位它是数据、结构化、检索、编排还是评测的问题，并把修复沉淀回下一轮输入。 whiteboard_exported_image-2.png

AI 产品下，稳定的输出不是靠解 bug，而是建立完整的评测体系

离线评测解决“我们有没有退步”，在线观测解决“真实用户到底怎么失败”。

没有统一口径，团队很容易把一次偶然的惊艳 Demo 当成产品能力。

三、积极拥抱 AI 生态

25 年下半年开始，AI 超级爆发，各种模型争先抢后，Agent 百花齐放，连 AI 编码工具都玩出了花。（手机操控、通讯软件审核、养宠物、换皮肤...）

作为程序员，我觉得我们需要具备对 AI 生态的敏感度，积极的去尝试和拥抱新出的模型或工具。 尽管大部分都是雷声大雨点小，但这些突然爆火的概念，往往指向未来某种趋势的爆发。

  1. 模型资源

    • 新模型层出不穷，我们要清楚各个主流模型的强项和主打方向
    • 购买账号、Coding Plan、API Key 配额、中转站搭建、日抛号购买，紧跟各种售卖渠道，才能先人一步体验新模型

  2. 外部网络和稳定访问能力

    • 由于各种原因，很多超强的模型国内无法正常使用。我们总不能等着 DeepSeek、kimi 变聪明吧，学会安全上网，通过正规渠道使用，是我们要具备的能力
    • 正规购买渠道，礼品卡、信用卡支付等方式，都不要被劝退；为了保证不被封号，还能使用哪些更稳定的链接？比如住宅 IP？

  3. 工具和框架的使用对比

    • Codex、Claude、OpenClaw、Dify 等 Agent 的使用体验
    • Cursor、Conductor、Paseo，等 AI 编码工具都使用对比

最终，你要沉淀的不是“我最喜欢哪个工具”，而是一套团队基线：什么任务用什么模型，什么 workspace 需要哪些规则，哪些工具已经验证过，哪些限制还没解决，遇到异常怎么切换。

深入生态体验的价值，在于把外部不确定性变成内部团队可管理的基础建设

whiteboard_exported_image-3.png

四、团队效能的整体提升：研发提速之后，需求流速才是瓶颈

程序员有了 AI 编码后，研发速度会有质的提升。但很快就会发现，研发提速后，瓶颈会转移到上游和下游：需求不够清楚、设计还在反复对齐、测试没有跟上？

整体需求流速并没有想象的那么快。

现在业界普遍在探索 AI 时代下，产品的开发流程应该是如何的？我想大概可以按照以下方式：

- 一句话想法，AI 在约束下生成 PRD、用户路径和待确认问题
- 设计在现有组件和交互规范上，直接让 AI 生成候选稿
- 研发接到的是带边界、带事实源、带验收标准的实现任务。然后直接开始 AI 方案评审和编码
- 测试从需求和实现中，提炼到可执行的测试用例，基于 AI 进行自动化测试
- 上线后可以快速做用户验证，把埋点、反馈和失败案例回流给下一轮

以上模式，每个环节 AI 含量都极高，这将要求各个岗位都有完整且符合规范的上下文。作为程序员，自然需要帮各个岗位搭建这一套 AI 协作流程。

  1. 自身成长为 AI 全栈

    • 程序员市场，现在已经很少分前后端开发，而且 AI 全栈占主流
    • 一个需求在 AI 的加持下，程序员自行 cover 的对接成本会大大降低
    • 所以需要建设适合团队全栈开发的 AI 编码方式，比如 Harness 企业级落地

  2. 构建新的需求研发平台

    • 整合项目中完整的上下文，包括多端代码、设计稿、prd 等一系列资源，让 AI 能够串起来
    • 针对每个环节，不断形成方法论，沉淀 skills。比如：让产品需求的输入质量变高、编码完成后生成 e2e 测试代码
    • 团队成员更多是把控者、审核者，一切交给 AI 干

五、深入 AI 领域

业务功能已经没有任何瓶颈，程序员素来是跑在时代前沿的角色，我觉得我们不能吝啬对大模型相关技术的尝试。

程序员不必强行去钻研底层 Transformer 模型训练，但一定要敢于深入AI应用的全链路，跳出简单调用者的身份，去理解每一个环节的取舍与风险。

比如 Agent 接入，能把模糊的业务目标拆解为 思考‑行动‑观察 的可执行流程，同时配套完整日志、追踪、评测体系，把AI的不确定性约束在可控范围内，而不是指望模型问答搞定一切。

再比如模型的锤炼，可以基于开源底座，利用LoRA、QLoRA 等做参数高效微调，依托企业沉淀的行业文档、业务流程、领域术语做适配优化。这样我们的工作也能跳出简单业务，可以进行数据清洗、数据集构建、评测集打磨、推理部署、私有化落地等工程环节上。

敢于深入研究和落地，并非要求我们变成深度学习的专家，而是拒绝只会调 API，拥有真正驾驭AI系统的能力。

六、写在最后

AI 对程序员的冲击是非常真实的，很多过去需要几天完成的编码，现在可能几小时就能出现第一个可运行版本。这并不是“技术不重要了”，程序员需要开始站得更高，才能扎得更深。

更高 → 看到用户、产品和团队；更深 → 看到数据、模型、系统和质量边界。

现在已经完全不缺“把功能写完”的人，稀缺的是能“用 AI 把不确定性变成高回报”的人。 这条路你不走，其他人一样会走，写到这里确实明白 反内卷 ，在哪个层面都是应该的😮💨

avatar
文章
阅读
粉丝