AI时代下的1024:致敬每一个热爱技术的你!
节日快乐。希望下一个项目里,我们能多做一点自己的决定。等它真的有人用起来,回头看,还是会觉得:这东西做得值。 致敬每一个热爱技术的你!

此时此刻的1024:当代码沦为通货膨胀的“废纸”
今天是2026年10月24日,又到程序员节了。
代码生成得越来越快,程序员却未必因此更踏实。把需求交给 AI,看着代码一行行冒出来,确实很痛快。可回过头想想:自己花了那么长时间练出来的本事,以后还值多少?
过去,“这个功能我能写”是一种底气。如今,光是能把代码写出来,已经越来越难让人安心了。
一、 肌肉记忆的失效:新手与老兵的共同阵痛
以前做程序员,成长的路至少看得见。SQL 写多了,慢慢知道哪里容易出问题;查过内存泄漏,再遇到类似的现象就有了头绪;做过好看酷炫的动画,就知道有些设计看着漂亮,实际可能就是花里胡哨。
这些经验,是一点点磨出来的。难归难,总觉得多干一点,自己就能往前走一点。
AI 让这条路变得有些别扭。
对新人来说,最难受的可能是练手的机会。基础模块、简单 Bug 都交给了 AI,公司也省下了时间,新人却少了一段跟着前辈慢慢摸索的过程。代码能交上去了,为什么这么写、哪里可能出错,自己还没来得及弄明白。偏偏工作不会等到你全懂了才往下走。
Anthropic 今年1月做过一项编程技能学习的对照实验,让52名以初级工程师为主的开发者学习一个陌生的 Python 库。用了 AI 的那组,后续测验的平均成绩更低。不过,研究也提到,用 AI 追问概念、主动理解代码的参与者,学得更扎实。工具怎么用,也会影响自己到底学到了什么。
有经验的人也不轻松。以前说“这个框架我用了很多年”,多少有些分量。现在 AI 也能写,换个技术栈也能接着写,单靠熟悉语法和 API,确实很难再像过去那样踏实。
不过,踩过的坑也不会凭空作废。会写一条 SQL,和知道它为什么会拖慢系统,终究是两回事。那些年积累的经验,还得用在读懂代码、判断方案上。只拿它来比谁写得熟练,就有点吃亏了。
二、 从“手艺人”到“总指挥”:角色错位带来的迷茫
过去的分工很熟悉:产品经理提需求,程序员拆任务、写代码,做完了再接下一个。一天忙下来,改了哪些文件、交了几个功能,心里有数。
AI 把实现这一步往前推得很快很快,其他环节却未必跟得上。一段代码可以很快生成,可需求没想明白、系统没理清楚,该返工还是得返工。
2025年,微软等企业参与的三组现场实验覆盖了4,867名开发者。合并分析后,研究估计 AI 工具让完成任务的数量提高了约26%。这当然是有价值的提升,但任务完成量和整个项目的交付速度,还不能直接画等号。具体到手上的工作,确认需求、读懂改动和验收的时间,也得一起算进去。
如果还是按“多写一点,就多做了一点”的习惯往前赶,麻烦就来了。服务继续拆,Agent 继续接,每一块单独看都像那么回事,放到一起,谁能说清楚整个流程?代码越攒越多,没弄懂的地方也跟着留下来。
人很容易卡在这里:想安稳地写几个功能,最后却成了在 AI 和代码仓库之间来回搬运的人。一边催它改,一边读它刚生成的东西。看不明白又不敢放过去,越改越累。
可让一个习惯埋头实现的人,突然去定义需求、判断取舍,也没那么容易。“多想想业务”谁都会说,真到需求会上,敢不敢问一句“这个功能到底要解决什么问题”,又是另一回事。
如何实现(How)仍然要懂。只是动手之前,为什么要做(Why)、值不值得做,也需要我们多花些时间。否则实现得越快,返工时越让人泄气。
三、 2026年的十字路口:我们要去向何方?
写到这里,也很难给出一个“照着做就不会被淘汰”的答案。说行业从此没希望了,太早;说程序员一定不会受影响,又实在让人放心不下。软件还在被需要,但这并不能保证每个人原来的工作方式都能照旧。
能做的,还是从手头的事开始。
先把问题问清楚。真实需求很少像题目一样,替你写好输入、输出和边界。对方说想要一个功能,背后可能还有没讲明白的顾虑、习惯和限制。这些得聊,得追问,得确认。把模糊的想法整理到可以实现、可以验收,本身就是需要下功夫的工作。
再往技术之外多走一点。医疗、制造、艺术、金融、心理学,领域可以不同,总得对其中一块有些深入的了解。知道实际工作怎么做,哪些规则不能改,哪些地方最费劲,才知道 AI 生成的东西能不能派上用场。只知道选什么框架,离把事情做好还有一段距离。
还有,别把对系统的理解一并交出去。Stack Overflow 的2025年开发者调查里,对 AI 输出准确性表示不信任的受访者,比表示信任的更多。AI 可以帮忙写模块,模块之间怎么配合,出了故障怎么恢复,数据能流向哪里,仍然需要有人说得清楚。读到一段自己解释不了的逻辑,多追问一次、多查一遍,总比带着侥幸放过去强。
四、 给自己留几条可以走的路
做 OPC,先从一门小生意开始。
OPC,也就是 One Person Company,一人公司。深圳今年的 OPC 行动计划,已经把创业空间、模型资源和场景对接等支持列了出来。对于想独立做点东西的人,也许可以从熟悉的一类客户入手,做个能收费的小工具,或者提供一项能反复交付的服务。
开发、写内容、整理客服回复,这些可以让 AI 帮忙。但用户从哪里来,对方愿意为什么付钱,出了问题怎么跟进,还是得自己去琢磨。先用业余时间试一试,有人愿意用,再慢慢看有没有机会做成一门生意,也挺好。
做业务的主人,把一块需求做成产品。
留在团队里,也可以试着把一小块业务从头做到尾。Anthropic 对内部工程师和研究人员的调查里,就出现了后端工程师做界面、研究人员做可视化的例子。
自己原来做前端,就试着往后端、数据和模型调用多走一段。从聊需求、画原型,到开发、测试和部署,围绕一个小产品,把原来没接触过的环节慢慢补起来。上线之后,再去看看大家用得怎么样,帮上忙了没有。有人用着别扭,就继续改,调用成本太高,也得想想怎么降下来。
也许全栈 AI 人才这件事,就可以从这里开始。自己有一项扎实的长处,再补上把产品做完整所需的能力。知道它为什么做、给谁用,也能把它做出来,陪着它改下去。想做业务的主人,总得先有一块自己真正愿意负责的业务。
往具体的行业里走。
想换个环境,也可以带着技术去别的行业看看。制造、外贸、教育,身边能接触到哪个,就先去了解哪个。Anthropic 对 Claude Code 使用情况的研究也观察到,在它分析的会话里,对任务领域更熟悉的用户,更容易完成任务。业务里的流程和规则,值得花时间去学。
比如,找做外贸的朋友聊聊,一份报价怎么出来,一个订单要经过哪些人,什么地方还在来回填表。里面也许就有能用技术帮上忙的事。先做个小工具给对方试用,听听反馈,再慢慢补上自己不懂的那部分业务。以后是去行业公司做事,还是和懂行的人一起做产品,也能多一些判断的依据。
尾声
能少做一些重复的活,总归是件好事。以前熬夜敲过的代码,不必因为辛苦就格外怀念。工具变了,想把一个问题弄明白、把一个东西做出来的心思,还可以留着。
节日快乐。希望下一个项目里,我们能多做一点自己的决定。等它真的有人用起来,回头看,还是会觉得:这东西做得值。
致敬每一个热爱技术的你!