回到农村老家,没有有AI、Codex,感觉很割裂

国庆节回到农村以后，我突然有一种奇怪的感觉：

这里好像没有 AI，没有 Codex，也没有 Vibe Coding。

当然，不是真的没有。

农村没有AI

二，程序员的planB计划

白天上班，晚上才能开发；一个看似简单的产品，既要写前端，又要做后端，还要处理部署、文案、设计和客服。很多想法刚开始时充满热情，做到一半就因为工作量太大而放弃。

原来我们公司有产品经理、前端、后端，现在借助AI一个人可以全部搞定，AI变成了程序员的杠杆。

很多程序员理解的副业，是下班后再接一个外包项目。

白天为公司写代码，晚上继续为另一个客户写代码。收入可能增加了，但工作时间也被彻底占满。

这种模式本质上仍然是在出售时间。

一旦停止工作，收入也会停止。如果遇到需求反复、回款困难或者售后失控，副业甚至会比主业更让人疲惫。

AI 时代，程序员更值得尝试的是“产品型副业”。

也就是把某个重复出现的问题，做成可以反复销售和交付的产品。

它可以是一个小工具、一项自动化服务、一个行业插件、一套程序模板，或者一项标准化的技术解决方案。

外包解决一个客户的问题。

产品解决一类人的问题。

这两种模式的收入上限完全不同。

方向一：做小而具体的工具

程序员最容易犯的错误，是一上来就想做一个大平台。

做社交、做电商、做知识付费，功能列表写了几十条，开发几个月还没有第一个用户。

副业项目更适合从一个非常小的问题开始。

例如：

• 帮助电商商家批量整理商品资料；

• 把不同格式的文件转换成统一模板；

• 自动生成日报、周报和会议纪要；

• 批量检查合同、表格或文档中的错误；

• 为某个行业提供数据清洗和报表工具；

• 把重复的客服问题整理成知识库；

• 为内容创作者提供素材分类和发布工具；

• 为小团队提供简单的内部审批或提醒系统。

这些产品未必性感，却可能有人愿意付费。

判断一个方向值不值得做，可以先问三个问题：

这个问题是否经常发生？

用户现在是不是正在用笨办法解决？

解决以后，能不能帮用户节省时间、减少错误或者直接增加收入？

如果三个答案都是“是”，它就比一个宏大的创意更值得尝试。

方向二：为传统行业做 AI 自动化

很多程序员关注的都是互联网产品，但真正存在大量低效工作的地方，往往是传统行业。

小型工厂、培训机构、门店、物业公司、装修公司和本地商家，可能仍在依靠微信群、Excel和人工复制粘贴完成日常工作。

他们未必需要一个复杂的 AI 平台。

他们可能只需要：

• 自动整理客户咨询；

• 从聊天记录中提取订单；

• 根据固定模板生成报价单；

• 自动分类售后问题；

• 汇总门店经营数据；

• 根据商品资料生成营销文案；

• 提醒销售跟进即将流失的客户。

程序员可以利用 AI 模型、工作流工具和简单的软件系统，把这些重复流程自动化。

这类副业的优势是离真实需求很近，客户也更容易理解产品价值。

不要向客户介绍模型参数和智能体架构。

客户通常不关心你用了什么技术，他们只关心原来需要两小时的工作，现在能不能十分钟完成。

方向三：把自己的经验做成产品

程序员积累多年的经验，也可以被重新包装。

例如：

• 项目脚手架；

• 后台管理系统模板；

• 部署和监控方案；

• 测试用例模板；

• API 接入组件；

• 数据迁移工具；

• 面试练习系统；

• 某个技术栈的实战课程；

• 面向特定场景的提示词与工作流。

AI 可以帮助整理文档、补充示例、制作演示和回答常见问题，大幅降低知识产品的制作和维护成本。

三，保持学习

过去，一个人只要熟悉某种语言、掌握几个框架、能够按照需求完成页面和接口，就可以成为一名合格的程序员。

如今，这些工作正越来越多地被 AI 接管。

写一个增删改查接口、生成一个后台页面、补齐一个工具函数，对 AI 来说并不困难。

如果一个程序员的能力仅仅是“把明确的需求翻译成代码”，他的价值一定会受到冲击。

但这不意味着程序员不重要了。

它意味着市场不再愿意为简单的代码搬运支付过高成本。

未来真正有价值的程序员，需要理解需求、设计系统、判断方案、验证结果、控制风险，并对最终交付负责。

AI 降低的是代码生产的门槛，提高的却是专业判断的门槛。

以前要学会写，现在还要学会判断

AI 生成的代码看起来往往很完整。

命名合理，结构清晰，注释齐全，甚至还会附上一段自信的解释。

可“看起来正确”和“真正可靠”是两回事。

一段代码能运行，不代表它适合生产环境；

一个接口能返回结果，不代表它能够应对并发；

一个方案能够快速上线，不代表它没有安全隐患；

一个项目目录很漂亮，也不代表架构真的合理。

如果没有足够的基础，一个人甚至很难发现 AI 错在哪里。

他可能会把不存在的 API 当成官方能力，把过时的写法带进新项目，把安全漏洞部署到线上，再在系统出问题后继续让 AI 猜测原因。

因此，AI 时代的程序员不仅要会提出问题，还要有能力审查答案。

这种判断力来自哪里？

仍然来自学习。

来自对语言、网络、数据库、操作系统和工程实践的长期理解，也来自一次次真实项目中的失败与修正。

不要只学习怎么“用 AI”

面对变化，很多人第一反应是学习提示词、智能体和各种新工具。

这些当然值得了解。

但如果学习的全部内容只是“怎样让 AI 帮我写更多代码”，很快就会陷入新的焦虑。

因为工具一直在变。

今天流行的编辑器，明天可能被另一款产品替代；今天精心总结的提示词，下一代模型可能根本不再需要；今天领先的工作流，几个月后可能就成为默认功能。

真正值得积累的，是那些能够跨越工具周期的能力：

• 理解复杂问题，并把它拆成可以执行的任务；

• 阅读陌生代码，快速建立系统认知；

• 在多个方案之间分析成本与风险；

• 设计清晰的数据结构和系统边界；

• 发现 AI 输出中的错误、遗漏与不合理假设；

• 在故障发生时定位原因，而不是不断重新生成；

• 理解业务，并对最终结果负责。

这些能力不会因为某个工具升级就突然失效。

相反，AI 越强，它们越重要。

基础知识没有过时，只是使用方式变了

AI 时代经常出现一种声音：

“以后不需要学基础了，遇到问题直接问 AI 就行。”

这句话只对了一半。

我们确实不再需要死记所有语法，也不必把每一个框架 API 都背下来。AI 可以帮助我们检索、解释和生成大量细节。

但这并不代表基础知识不重要。