近两年，AI 这件事，正在让职场打工人面临一场痛苦的转型。当一个个体故事被放大来看，这种痛苦的颗粒度会变得非常清晰。

最近，Hacker News 上有一篇帖子火了，标题是《LLM 正在损害我的软件工程职业生涯，我不知道该怎么办》。

发帖人是一位有 10 年经验的软件工程师。他的职业轨迹听起来很标准：从前端切入，后来转向后端，在金融与支付领域深耕多年，积累了 PCI 合规、双重记账、幂等性防重复扣款、支付生命周期管理等一整套硬核知识。过去他一直坚信，这些靠「真金白银」砸出来的项目经验，是自己在这个行业安身立命的根本。

然而，他用了一个非常形象的比喻来描述这两年来的职业体验——「三根支柱相继倒塌」。

第一根支柱：领域专业知识

去年，他被一家金融科技公司录用。不同于之前那些虽然不是纯金融公司、但运营或产品中多少涉及支付业务的公司，这家公司是真正的金融科技企业。

全面拥抱人工智能，是这家公司的文化。入职第一天，他就拿到了 ChatGPT 和 Claude 的企业版账号，被鼓励在调研、探索甚至编码中随时使用这些工具。当然，他同时被提醒：每一行进入生产环境的代码，仍然必须由他自己审核和负责。

他接手的第一个大项目，是重构一个混乱不堪的旧版在线支付系统。公司看中他以往构建此类系统的经验，把这项重任交给了他。

和之前工作过的公司不同，这家公司要求他编写的“设计文档”不仅要让工程师看懂，还要让产品经理也能理解。这意味着，文档不能是纯技术 deep dive，更像是一个架构视图。他几乎没怎么借助 AI 完成了第一份文档——当时他对 LLM 的称呼还停留在「随机鹦鹉」的阶段——然后提交了成果。

他当时非常珍视自己的知识，坚信没有哪个大语言模型能取代它。

但好景不长。他的经理找他谈话了：

“你代码交付速度不错，但这些设计文档写得太慢了。你用了 AI 吗？建议多用一些。”

他在心里想：「这绝对行不通。」不过还是答应了。那时候的模型没现在这么强大，但确实显著提升了写作效率，甚至还能辅助一些决策。

然后，他开始意识到一个可怕的事实：自己多年积累的所有知识——不同实现方案之间的权衡、收单机制如何运作、如何构建幂等性来防止重复扣款——一切都在变得毫无价值。模型确实还需要一些引导，但它们已经能自行串联起设计这类系统的要点，而这恰恰是最难的部分，通常需要多年实战经验才能刻在脑子里。这是他遭遇的第一次冲击。

他转念一想：模型能做到这一点，是因为网上有大量解释这类系统原理的文章、技术文档，还有海量的博客讲解如何将技术工具应用到业务领域。对人来说，学会这一切需要很长时间，但这些东西本就是模型的训练数据，它们自然可以学会。

那么，人类将大放异彩的领域在哪里呢？他认为是——debug！他在生产环境中调试竞态条件和分布式系统方面积累了丰富的经验。这曾是他长期保有饭碗的保险。

第二根支柱：debug 与分布式系统

在大语言模型开始擅长撰写文档、辅助规划具体实现之后，它们又开始变得擅长编码。这一切始于 2025 年下半年的 Claude Code 热潮，接着 Codex 等工具相继涌现。虽然之前他每天都用 LLM 来写单元测试，但还不放心让它们直接完成完整的实现。

自然而然，更多 AI 被引入编码过程。说实话，他挺享受的。他既喜欢编码本身，也喜欢把产品推上线，看到用户满意。只不过是用一种自己喜欢的事情替换了另一种，挺公平。

大语言模型越来越擅长编码，但仍然没办法很好地处理 debug 留下的混乱局面。所以他仍然有一个比「操控机器人」更大的角色——这是他保住工作的最后一张门票。

一切看起来还不赖。

然后，MCP、智能体工作流和 Claude 4.5 出现了，天开始塌了。

说实话，Claude 4.5 并没有那么神。给定堆栈跟踪和一些上下文，它能大概解决 60% 的缺陷。有时候它给出的解决方案听起来合理，但完全错误。

但这一次，他不再怀疑机器的能力了。他亲眼看到，过去往往需要一整天专职 debug 才能搞定的缺陷，被 Claude Code 一次性解决。当然，还不是全部，但趋势已经明摆着了。

然后是 4.6、4.7、GPT 5.5、Opus 4.8 和 DataDog MCP 相继问世…… 现在他手头的命令行工具，可以一次性解决跨分布式系统的缺陷——那些过去根本无法解决的、需要整整两天专职调试的缺陷。90% 的缺陷（包括诡异的竞态条件、意外的边缘情况、第三方集成问题、未文档化的 API 边界情形）都能一次性解决。他几乎不需要介入。

当然，他依然有工作可做，因为总得有个人来审核代码、操控机器人。但他现在只是一个普通到随时可替换的工程师。他的任何领域专长，另一位同样操控大语言模型的高级工程师都能轻易匹敌。他所有的金融和支付知识、所有用汗水和泪水换来的调试直觉和分布式系统知识，现在都可以通过提示词获得。

行业里常告诉我们：通才和专才永远各有其位。但现在市场正在把每个人都塑造成通才。这本身不是坏事——直到你审视供需经济学：如果人人都是通才，而需求并没有相应增加，通才的价格就会下跌。而我们都清楚，需求正在枯竭。

第三根支柱，尚未完全消蚀的那根：代码质量与架构

不过，他还有一根支柱勉强立着：代码质量与软件架构——也就是现在被简称为「品味」的东西。

职业生涯中，他一直酷爱重构，重视高质量的代码，并在迭代中争取时间做这件事。DDD、六边形架构、整洁架构——这些流行词他都很熟悉。他喜欢琢磨不同架构的权衡和塑造代码库的思路。他是真心喜欢。

然而，这是最后一根支柱。问题是，现在没人在乎了。

智能体在保持代码库整洁方面表现极差。如果不加以引导，它们很快就会陷入循环依赖的泥潭。它们会重复代码、添加无关注释、混用纯函数和副作用、无视 SOLID 原则。

这本来应该能让人类保住工作，然而这项技能如今已经被简化为「品味」一词。更严峻的是，整个行业正在走向一个代码组织不那么重要的世界。

没错，人类应该引导智能体，防止出现带有循环依赖图的意大利面条式代码库。没人想要那种一碰就碎的 F 级代码库。但 C 级或 D 级呢？现在完全可以接受。不再需要 A 级或 B 级，因为代码是为大语言模型写的，而不是给人读的。

他不想争论这是好是坏。如果源代码现在是为机器而非人类阅读而写的，那以机器为目标也许也没问题。

但对他来说，这又是一根正在消蚀的支柱。他花了大量时间——读书、做实战练习、和其他工程师讨论、编写架构决策记录——这些都在变得无用。

接下来该怎么办？

作者表示，他目前依然有工作，并且认为自己可预见的未来（至少在这家公司）仍会受雇，但他不知道长期该怎么办。

他花了十年（如果算上非职业经验则更久）去精通那些价值越来越低的事情。他最后的专业支柱已经被简化为「品味」，而且很可能也撑不了多久。

而且他知道，有这样处境的不只他一个人。大约八个月前，他所在的公司进行了一轮裁员（据称与 AI 无关）。一些非常出色的前同事被裁，至今仍在找工作。他们大多面临同样的问题：领域专长已不足以让他们脱颖而出。

公司现在又开始招聘少量岗位，但领域熟悉度已不再是强有力的区分因素。过去招聘公告写的是「软件工程师 - 某领域」，现在只写「软件工程师」——团队分配在录用之后才进行。

当然，这对那些从未有机会深入特定领域、现在获得更好机会的工程师是好事。但想到那些穷尽一生积累领域知识的优秀工程师，如今不得不在同一条赛道上竞争，也不免令人唏嘘。

在他看来，想要长期保住饭碗，现在唯一的出路是把领域专长转向 LLM 不那么容易掌握的方向。但还剩下什么呢？

他曾考虑重返校园，学习数学、统计学、高级机器学习，然后申请前沿实验室的研究岗位。然而他的国家没有前沿实验室，仅有的几个也收到海量申请，而且他因家庭原因难以移居他国。等到他完成这一跳跃时，RSI 可能已经让研究员变得多余。

最后他写了一句调侃：「或许应该考虑把木工爱好变成职业……」

回应争议：网友评论与他的回应

这篇博客发布后在社交媒体上被大规模传播。作者挑出一些代表性评论进行回应。

关于「领域知识真的没用了吗？比如本地税务法规」

有评论指出：大语言模型在处理本地税务法规、会计流程细节、分类账实现等方面经常出错，怎么可能取代人类？

作者承认自己原文说得不够清楚。LLM 确实无法自动搞定所有本地税法或极其细碎的规则——但这些通常由法务团队处理（而法务团队也在大量使用 LLM 来自动化例行工作）。问题在于，他多年积累的领域知识（虽然比法务团队浅得多）如今用 ChatGPT Pro/Extended Thinking 就能直接提示出来。这才是让他沮丧的地方——他曾经以为，在一个「只会写代码」的程序员世界里，拥有这些知识能让他脱颖而出，但现实已不是这样。

至于 Agent 之前不擅长这类细节，他承认。但随着新模型、面向 Agent 的文档、以及在代码库根目录放 AGENT.md 强制要求 Agent 先读文档再写代码，情况已经改变。他越来越不需要去问那些在公司待得更久、了解细节的同事了。现在他完成工作所需的人类输入大大减少——停下来想想，这很可怕。

关于「你们公司经理让你用 AI 加速设计文档，这也太不靠谱了」

有评论认为，一家金融科技公司的管理者竟然建议用 AI 加快写设计文档，说明这家公司对待金钱业务太草率。

作者同意这不靠谱，但他有自己的应对方法：

文档写得比较笼统：设计文档中只放状态机等相对通用的内容，给自己留出仔细实现的空间。AI 到来之后，所有人都淹没在长篇文档和 PR 审查中，审查者远没有以前挑剔了。

在项目板上做文章：他总是会加一些端到端测试的任务，借机发现缺陷，在功能发布前提交缺陷和改进单。这为他争取了谨慎审查实现的时间。另外，他会把敏感的核心实现拆分成比平时更多的任务卡片，以便从容实现和审查。

他喜欢这样做吗？当然不。但他有什么选择呢？从他认识的人反馈来看，他的公司还不算「氛围编程」最极端的案例，跳槽到一个可能更糟的环境并不划算。至少在这里，他知道如何控制相关方的焦虑（他的审慎和仔细为他赢得了声誉），而且公司没有强迫他全速进入「氛围编程」。

关于「你要学会冲浪，每次技术浪潮都一样」

有评论说：你以前冲过网站/webapp 的浪潮，现在不过是新浪潮而已，学新本事，驾驭工具，游戏没变。

作者表示同意，他现在正是这么做的。他是公司里不断改进 Agent 工具链的工程师之一，用不同模型做对抗性代码审查，保持自己的技能和提示词工具库。他实际上已经成了所谓的「AI 原生工程师」（虽然他讨厌这个词）。

但他更担心的是未来。

如果模型及其工具链在未来几年继续以同样的速度变强，那么软件工程这个职业将被彻底商品化。有人会提起杰文斯悖论（效率提升导致需求增加），但他不同意。软件需求一定有上限。

他以文案写作为例。这个职业曾需要多年修炼，收入也不错。随着电商和广告技术带来的需求高峰过后，市场逐渐饱和，而 LLM 直接摧毁了绝大多数从业者的工作。原因很简单：大部分需求来自小公司，它们用 ChatGPT 生成的文案就足够了。少数公司还会雇人做提示、审核和发送，但需求不是无限的，不可能所有人都找到这样的工作。一个文案现在能干过去十个人的活，但需求总量固定。需求不会因为你供给多了十倍就变成十倍。

当然，顶尖的 1% 文案仍有工作，但其余 99% 在为残羹剩饭而战。用户体验写作曾是不错的职业，现在他认识的从业者都被裁了，甚至大公司也裁掉了他们——你直接提示 ChatGPT 生成界面文案，90% 的情况下没问题，所以公司没有必要养十个人，裁掉九个留一个就够了。

如果模型继续沿着同一方向改进，软件工程师都将走向同样的命运。会有人被雇来操控 Agent，但他们将是可替代的、廉价的（又是供需规律）。这正是他在文章中强调的。而且这不只是软件行业的事——实验室的低垂果实是软件，但他们接下来会瞄准金融、生物、法律、营销，所有知识工作。这已是公开的目标。

关于「这跟当年 OOP 浪潮没什么不同」

有评论说，90 年代和 00 年代也有「面向对象编程（OOP）改变一切」的浪潮，最后不也过去了？

他指出：OOP 没有让知识变得可提示（promptable）。OOP 没有显示出快速、复合增长、朝着取代横跨多个领域（不限于软件工程）大量工人的方向前进。这不是同一回事。人们总倾向于认为过去能预测未来（实际上没有哪个严肃的历史学家信这个），但有时极端事件会发生。

现在类似的事情正在发生，而人们因为 OOP、元宇宙、NFT 等失败的类比而轻视它。他不想危言耸听，但眼前的东西确实比 OOP 更大：我们建造了一个矩阵乘法机器，在合适的工具和提示下，可以连续数小时输出有用的文本。这是科幻级别的存在。我们应以相应的态度来对待它。

关于「只要工程原则过硬，你就安全」

有评论认为，如果作者对未来的预判是正确的，那有能力的软件工程师仍然是安全的——领域知识可以学得快，但如何应用好的工程原则很难学。

作者不同意这个观点。模型终将学会好的工程原则。举例来说，有一家叫 Turing AI 的公司，正在雇佣工程师编写跨各种领域和语言的「好代码」，用于实验室的强化学习。所谓的「人类护城河」不会永远存在。

关于「你低估了自己的引导能力」

有评论认为，他能把模型引导出好结果，是因为他已经懂了这个领域。

作者表示：但愿如此。但他发现 LLM 在向他解释和提供其他完全陌生的领域建议方面也很擅长，而且他拿去跟法务 / 产品经理交叉验证，通常都是对的。

也许，这就是我们这代人真正要面对的问题：不是「AI 会不会取代我」，而是「当我花了十年建立起来的一切都可以被提示词绕过时，我还剩下什么」。技术乐观主义者会说总会有新岗位，现实主义者会看到供需曲线的无情。你可以继续做那个驾驭浪潮的人，但浪潮的方向不再由你决定。而这，与过去任何一次技术变革都不一样。

参考链接：

https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/

https://human-in-the-loop.bearblog.dev/replies-to-comments-on-my-llms-are-eroding-my-career-post/

https://news.ycombinator.com/item?id=48434312