内容
过去，品味往往是大量重复练习的副产品。智能体把这些重复练习都包办了。所以如果你是初级开发者，现在就必须有意识地去获取品味（以及判断力）。
在我搭建职业生涯的过程中，我学会了以根本不同的方式思考代码。我最初的学习，来自成千上万次模板代码、修 bug 和解决问题的重复练习。我如今几乎所有的品味和判断力，都来自这些重复练习，而不是来自天赋。 随着时间推移，我学会了处理越来越复杂的抽象和权衡。这就是初级开发者成长为高级开发者的路径。
但智能体会把这些重复练习全部自动化。这将从根本上改变从初级到高级的成长路径。
剧透：真正能长期存在、也无法量化评分的东西，不是把那些已有标准答案的问题解得更好；而是决定该做什么，以及判断它是否真的足够好。
入门级岗位正在变弱。 截至 2026 年 3 月，应届大学毕业生的失业率高达 5.6%，就业不足率为 41.5%——而且如今应届毕业生 比 整体劳动力更可能失业，这与历史常态完全颠倒了（纽约联邦储备银行）。《福布斯》援引圣路易斯联邦储备银行的数据指出，近期计算机工程专业毕业生的失业率为 7.5%，计算机科学专业毕业生为 6.1%，都高于许多非技术类专业。
需求侧也在他们身下被重塑：Indeed 招聘实验室发现，自 2020 年初以来，初级和标准技术岗位的数量下降了 34%，而高级和经理岗位仅下降了 19%；同时，要求五年及以上经验的技术岗位占比从 37% 上升到 42%——尽管计算机科学毕业生数量还在持续增长。在斯坦福数字经济实验室最初的研究中，受 AI 影响最明显的早期职业工作者（22–25 岁）就业人数相对下降了 13%；2026 年 2 月的后续研究将这一数字修正为截至 2025 年 10 月下降 16%（Brynjolfsson、Chandar & Chen）——而且在这些职业中，该年龄段往往约占全部招聘的一半。
我们该恐慌吗？嗯，入门级软件开发岗位不仅仅是就业岗位；它们更是一套培训系统。
微软的 Mark Russinovich 和 Scott Hanselman 曾警告，智能体并不是把所有软件开发者的饭碗都端走，而是实际上在帮助高级开发者，同时抢走初级开发者的饭碗，并压缩金字塔结构。Hanselman 举的典型例子是：插入一个 sleep() 来掩盖竞态条件。高级开发者能看出错误，并帮你从中学习。初级开发者则跳过代码审查，把它推到生产环境，随后这个竞态问题导致网站崩溃——然后他们还会再来一次。他们真正想表达的是，这些并不是智能体自己干出来的；这与其说是 AI 的故事，不如说是人们如何选择使用这些产品的故事。
更糟的是，2026 年 《麻省理工科技评论》 的一篇文章警告说，把学习阶段自动化，短期内确实能换来产出，但会让社会在未来逐渐变得更缺能力；而世界经济论坛在 2026 年年中警告，削减入门级招聘可能会削弱未来的人才输送管道。不过也要提醒一句：这并不完全是 AI 的故事。我们有一部分是在纠正 2022 年开始、一路持续到 2025 年的招聘狂潮。甚至连斯坦福的作者一开始都很谨慎——早期信号很混杂，直到 2024 年之后，数据才足够清晰，能够分离出可归因于 AI 的下降。太多供应商关于“合成劳动力”的公告，本质上只是营销文案，不是预言。
当然，所有这些都与市场其他部分里一个真正乐观的故事并置存在。世界经济论坛《2025 年未来就业报告》于 2025 年 1 月发布，预计到 2030 年将出现约 1.7 亿个新岗位，同时仅有 9200 万个岗位被替代——净增 7800 万个。 Apollo Global Management 首席经济学家 Torsten Sløk 因声称“几乎没有证据表明 AI 导致了裁员”而引发轰动——他认为，至少从目前看，这些支出反而正在为具备 AI 技能的人创造工作。
那为什么同一年里会出现相互矛盾的报告？
因为“净增”与“入门级岗位”是两个不同的问题。乐观派并没有错。需要判断力和批判性思维的高级岗位会大幅增长，而初级岗位很可能会缩减。Indeed 的数据也得出了同样的结论。而 Goldman Sachs，在观察 2026 年的工资单后，估计美国每月净减少约 1.6 万个工作岗位，其中 Z 世代和入门级岗位受冲击最严重——这就是对“几乎没有证据”的实证回答。
总体增长与第一道台阶消失，这两件事可以同时成立——而如果你正试图踩上那一级台阶，净增数字带来的安慰几乎可以忽略不计。
所以，如果在这个阶段初级开发者面临风险，那真正的问题就是我们该如何继续前进？如果 AI 层在什么方面变得足够强，那它就会擅长任何“有标准答案”的东西。过去的学校教育，本质上就是一路标准答案，核心就是做对题。
所以我建议，我们少去看岗位数量，多去培养品味：把已挣得的模式识别压缩成经验。Kent Beck 指出，AI 智能体几乎不可能真正拥有品味——他指的是判断力——因此在这些交汇点上，我们仍然得自己补上这部分能力。
我们现在欠下两笔债：认知让渡和理解。 当你第一次学编程时，一位聪明的老师会告诉你不要从 Stack Overflow 直接复制粘贴。可惜我想我们都在某个阶段违背过这个建议，尤其是在职业中期。把“要不要复制粘贴”的决定也外包给 AI 智能体后，问题就更严重了。Shaw 和 Nave 对 1372 名参与者进行了约 1 万次试验，发现他们往往会接受错误的 AI 输出，比例接近 80%。他们的准确率比没有 AI 时的基线低了约 15 个百分点，而信心却上升了约 12%。
智能体运行的是一个活动循环（调查、实现、测试、汇报）。
而你，作为人类，要负责外层循环：判断结果是否值得你关注；验证结果是否值得批准（diff、测试结果、日志，以及简短的说明）；批准或阻止；并承担后果。边界就是证据（这是我的箴言）。 两个循环之间的差距正在迅速扩大，你必须把它管住。
当智能体写代码时，很容易觉得它们已经把所有难活都干完了。可当智能体大体做对时，人类到底还必须做什么，才能维持质量，这并不容易看清。下面我将从如何管理智能体，转到如何培养你的品味和判断力，先从七件你可以立刻做的具体事情说起。
- 阅读的代码要远多于你生成的代码。主动寻找逻辑错误、安全漏洞，以及简单或隐蔽的边界情况。养成定期自问的习惯：我考虑对了吗？
- 保留一份“错误日志”。智能体每犯一次错，就记一句。三十天后，你就能看到模式。
- 有意识地亲手做几件难事。手写一个解析器，或者一个 CRM，或者从零做出某个有意义的东西。保护你的“附带学习”。Karpathy 强调内存、视图（世界在系统中的呈现方式）和存储这些基础能力，而这些正是智能体最容易出错的地方。
- 深入掌握一个系统，从头到尾走一遍。 把它一路推到失败。然后你就会知道，真正的“深度”是什么感觉。
- 学会把“指定”和“验证”分开。 写规格说明体现的是清晰思考。验证体现的是证据。规格质量是最大的杠杆。
- 搭建一个评测体系（eval），围绕正确性、可维护性、效率、安全性、风格等维度建立测试框架。把它跑在 50 个由 AI 智能体生成的真实 PR 上。记录那些出人意料的测试失败和修复情况。通过校准，把你内在的质量判断函数显性化。
- 按任务校准自主程度。 在便宜、可逆的任务上，把自主程度开高；在失败代价高的任务上，把它调低。学会校准，是一种值得每天练习的高级开发者直觉。
那些正在打造这些智能体的人，会对初级开发者说什么？
- “人们仍然需要掌握软件工程背后的技艺，包括语言、编译器、运行时和系统设计”，Boris Cherny（Claude Code）说。他所说的“编码在很大程度上已经解决了”，指的是他个人觉得高效的工作流，而不是让你放弃基本功。作为工程师，你真的需要知道底层到底发生了什么。
- 警惕监督的悖论。 Anthropic 的一份报告说，他们只在已经知道答案时才会用 AI 帮忙，同时警告说，监督一个智能体所需的，恰恰是当你过度依赖它时会退化的那些技能。对初级开发者来说，刻意培养这种心态，而不是盲目接受答案，需要付出努力。要谨慎使用工具，同时有意识地加深对自己所处理系统的理解。
- 认真思考，你愿意让哪些能力退化。 Gergely Orosz 用 AI 写代码，但写作完全不用 AI。要留意取舍，并决定自己要刻意保持哪些能力的锋利度。
那么，持久价值究竟集中在哪里？先从优化稀缺资源开始。
资本并不稀缺。时间也并不稀缺。真正稀缺的，仍然是真实的人际关系，尤其是一份持续交付好工作的记录：我可以在几周内融到钱，但我不可能在几周内融到声誉。当 vibe coding 让轻松赚快钱变得唾手可得时，这种快钱的价值就非常低；真正稀缺的动作，是选择一个值得交付的东西。顺着这个视角看，有四条原则。
- 把最后一公里走完。 自动化覆盖了软件工程中容易的那 80%—90%。最后一公里——边缘情况、架构、品味——才是全部游戏。随着第一版草稿变得免费，收尾才是产品所在，也正是在那里，人们拉开差距。
- 解决困难版本。 Richard Sutton 著名的苦涩教训并不只是职业建议：容易的版本早就被解决了；持久的价值来自解决更难的版本。
- 围绕难题公开地构建。 曾经让初级开发者放弃开源的同一约束——一个构思良好的项目可能要一个人做上一年，而且很容易分心或零碎抄袭——其重要性，已经不如拥有一份真正出色的开源工作记录来得稀缺。把它想成足球里的预期进球（expected goals）：你的声誉和公开作品决定了你能获得多少射门机会，而判断力则决定你能否把机会转化为进球。你无法脚本化哪一次机会会到来，只能决定自己是否站在它落下的位置；我几乎所有真正获得的机会，都来自我公开做过的工作，而不是我投递申请的某份工作。所以，只要有你想解决的难题，就先想办法挤进去。这意味着去一家小公司或中型公司实习，进入某个软件工程轨道，或者用生产级代码做一些有意义的副业项目。那些试图走捷径的人，最终会发现这真的很难。
- 成为 T 型通才。 在一两个领域拥有最深知识，同时保持广泛的知识面，往往能带来最好的结果。适量的 AI 辅助意味着，开发者作为单独贡献者，能在更少的不同领域里完成比以前更多的事情。那些拥抱小型跨职能团队和端到端工程师的团队，将会表现得更出色。
说得更直白些：世界并不缺机会；缺的是那些能找到正确问题、能判断机器是否真的解决了它、并能把机器停下后剩下的部分完成到底的人。
我们总说“最后一公里”是拼图里最大的那一块，但在智能体的世界里，最后几英尺几乎是无限的——智能体可以无限扩展产出；你不行。你的注意力是最宝贵的资产，而且它不会自动补充，所以要保护好它。任何别人可以打分的东西，都会被自动化。
职业生涯中不可评分的部分，才是真正的核心：决定什么重要，诚实判断你是否做到了，并为此负责。去做吧。公开地。靠近难题。剩下的通常会随之而来。