AI 时代写代码：3
个新门槛决定年轻工程师能走多远

学校的「学会写分号」时代真的结束了？

「学编程」曾经意味着一遍遍盯着分号、括号、变量名。华盛顿大学计算机科学教授
Dan Grossman 这周在接受 Business Insider 采访时坦言：AI
写码工具已经帮学生挡下了不少「琐碎细节」，教学重点不得不重排。Business
Insider^[1]

他说 Allen School
的课堂正在把更多时间留给「你想让算法完成什么」「如何描述产品逻辑」。钩子藏在这里：AI
擅长补全语法，却还读不懂业务的模糊场景。如果年轻工程师只会提示词，不会拆问题，反而更容易被替代。

💡 现实是：AI 帮你写得更快，但也要求你把需求想得更清楚。

AI 抢了风头，但岗位并没有消失

今年春季，美国纽约联储统计的 2024
届毕业生里，计算机科学和计算机工程的失业率分别是 7.8% 与
7.0%，不少人据此忧心「CS 不香了」。可 TrueUp
的数据同一时间显示，仍有 6.7
万个软件工程岗位在招，是三年来最高点。听起来矛盾？

Grossman
的解释是：新岗位挪去了以前不被视作「纯科技」的行业。医疗、物流、零售巨头开始用软件团队撑住
AI
转型，因而需要能跨业务协同的工程师，而不只是框框圈圈里的「写码机器人」。

想象一下：去农业公司写供应链算法，去传媒集团做生成式工具。你写的依旧是代码，但要懂田地、懂选题、懂供应链。这就是「技术背景
+ 场景语言」的溢价。

职业赛道更像「设计—验证—落地」三段式

Grossman 反复提到的其实是行业节奏变了：

1. 设计端：提出业务目标，拆出能被 AI 理解的接口和约束。没有清晰描述，生成式模型就会跑偏。
2. 验证端：懂得写测试、用 sandbox 验证安全边界，才能放心把 AI 产物合入主干。
3. 落地端：在各种非典型团队里解释、复盘，确保软件不只是「能跑」，而是「符合行业规程」。

⚠️ 拿到 AI 草稿之后的验证责任，仍在工程师身上，而不是模型身上。

年轻工程师该补的 3 个新门槛

1.
把业务需求翻译成「对话式规格」

别再害怕写文档。Grossman 强调，能把模糊需求翻译成结构化
Prompt / API 规格，是未来区分「懂 AI
的工程师」与「提示词操作员」的第一关。这需要把
Why、约束条件、边界案例写清楚。

2. 练就跨栈验证和调优的肌肉

AI
写出来的代码往往是「看似可用」，但性能、权限、隐私都未校验。能快速写集成测试、熟悉日志与可观测性，才是真实生产力。细节不再是你手动敲的分号，而是你能否发现模型写错的那一行。

3. 选择行业的眼光

AI 扩散意味着软件团队遍地开花。Grossman
观察到，更多毕业生去了「用软件」而非「造软件」的公司。选行业要看它是否愿意投资数字化，并且为技术人提供话语权。当你能读懂农业、制造、金融的一线痛点，就能设计出
AI 真正能落地的场景。

Action Items

1. ✅ 每次写 Prompt 前先用一段话描述业务目标、输入输出和风险边界，再交给模型补代码。
2. ✅ 给自己设一套回归检查清单：部署前必须跑测试、查权限、过日志，别把锅甩给 AI。
3. ✅ 至少选一个「非典型」行业做副项目，把技术方案翻译成业务语言，训练你的跨界能力。

如果这篇内容对你有启发，欢迎点赞、在看，也别忘了关注公号获取更多 AI
职场解读。对「AI 时代的程序员」你最担心的是哪一关？评论区聊聊。

来源：Business
Insider｜University of Washington CS professor explains what’s changing
for young software engineers^[1]