上一篇文章，我把工程师能力分成了三层。

很多人看完之后问：

"道理我懂了，但怎么判断自己在哪一层？"

这个问题很重要。

因为如果不知道自己在哪一层，所有"升级"都是空谈。

这篇文章，我们做一件具体的事：

给每一层画一张自测画像，再给一条可执行的升级路径。

先回顾三层模型

回忆一下：

第一层：AI 能独立完成的。代码生成、信息检索、模式匹配。

第二层：AI 辅助，人主导的。方案评估、风险识别、约束分析、代码审查。

第三层：AI 做不了的。承担后果、在模糊中判断方向、组织权衡、定义问题。

这三层，不是非此即彼的。

每个人都在同时使用三层能力。

差异在于——

你的核心工作，主要依赖哪一层？

如果 80% 的工作都依赖第一层，那你实际上在用 AI 做执行者。

如果核心工作在第二层和第三层，你才是 AI 时代的稀缺人才。

第一层画像：生成操作者

典型一天：

早上打开电脑，看需求文档。

把需求丢给 AI："帮我实现这个接口。"

拿到代码，跑一下测试，通过了就提交。

下午又来一个需求，重复同样的流程。

一天写了 500 行代码。

感觉很充实。

但如果你诚实回答以下问题：

• 你理解这段代码为什么这样写，而不只是这样运行吗？

• 如果这段代码在生产环境出了问题，你能在 10 分钟内定位根因吗？

• 你能说出这个方案的长期维护成本吗？

• 如果需求变化了，你知道该改哪里、不该改哪里吗？

如果答案不确定。

那你大概率在第一层。

第一层的人，有一个共同特征：

他们的工作流是：

需求 → 生成 → 测试 → 提交

中间没有"思考"环节。

或者说，思考被外包给了 AI。

短期效率很高。

长期风险很大。

因为系统复杂度会在看不见的地方累积。

三个月后，一个微小的问题可能引发连锁故障。

而你没有能力诊断——因为你从来没有真正理解这个系统。

第二层画像：系统设计者

典型一天：

早上收到一个需求。

他没有直接丢给 AI。

而是先花 20 分钟想清楚：

• 这个需求背后的问题是什么

• 它和现有系统的哪些模块有关联

• 有哪些隐性约束需要考虑

然后让 AI 生成初版方案。

但他不是直接用。

他做了一件事——

让 AI 反驳自己的设计。

找漏洞、找风险、找被忽略的边界条件。

确认方案可接受后，再生成代码。

生成代码后，他做了一轮审查——

不是看"代码能不能跑"。

而是看"三个月后这段代码会不会成为隐患"。

第二层的人，工作流是这样的：

理解问题 → 定义约束 → 生成方案 → 反向审查 → 精炼实现 → 评估长期影响

每个环节都有人在主导。

AI 只负责加速。

第一层和第二层的核心区别，不在工具使用熟练度。

而在一个习惯——

第二层的人在让 AI 生成之前，会先做自己的判断。

哪怕这个判断是错的。

也比没有判断强。

因为错误判断可以被修正。

没有判断能力的人，连"自己错了"都发现不了。

第三层画像：决策承担者

典型一天：

他可能一整天没写几行代码。

但他在做这些事：

早上参加架构评审会——

两个团队对技术方案有分歧，都觉得自己对。

他听完了双方的观点，然后问了一个问题：

"如果三年后业务量增长十倍，哪个方案更容易崩溃？"

这个问题让争论停下来了。

因为双方都只关注了当下。

而他看到了三年后的风险。

下午，老板问他："新系统要不要上微服务？"

他没有回答"要"或"不要"。

他回答：

"这取决于我们团队现在的运维能力和未来一年的业务增长预期。如果运维团队能在半年内建立监控体系，可以上。否则单体更适合我们。"

注意他的回答方式——

他没有给答案。

他给了决策框架。

这就是第三层的人。

他们不是在解决问题，而是在定义"什么是正确的问题"。

一个自测清单

读完上面三层画像，你可能想知道自己在哪一层。

回答以下 10 个问题。

不要想太多，凭第一直觉。

1. 当你遇到一个技术问题时，你的第一反应是：

• A. 直接问 AI

• B. 先自己想一下，再问 AI

• C. 先问自己"这个问题到底意味着什么"

2. AI 给你生成了一个方案，你的下一步是：

• A. 直接用

• B. 看一下，改改细节

• C. 让 AI 反驳这个方案，然后自己做取舍

3. 面对技术选型时，你的判断依据是：

• A. 网上推荐什么用什么

• B. 自己用过、熟悉的优先

• C. 基于业务约束、团队能力、长期演进方向做权衡

4. 系统出故障了，你的排查方式是：

• A. 把错误信息丢给 AI

• B. 看日志，自己定位

• C. 先推演可能的故障路径，然后有方向地排查

5. 代码评审时，你主要看什么：

• A. 有没有语法错误

• B. 逻辑是否正确

• C. 长期维护成本、隐性耦合、边界条件

6. 你怎么学习新技术：

• A. 看教程，跟着做

• B. 看文档，直接上手项目

• C. 先理解它的设计动机和解决的问题，再决定学不学

7. 当有人问你"为什么这么设计"时：

• A. "因为文档里是这么写的"

• B. "因为我之前这样做过，没出问题"

• C. "因为在当前约束下，这个方案的长期成本最低"

8. 你对 AI 的态度是：

• A. 省事了，不用自己写了

• B. 好用的工具，但需要自己把关

• C. 放大器——它放大的是我的认知层级

9. 过去一年，你做过几次"有风险的决策"？

• A. 几乎没有，都是按标准流程来的

• B. 有几次，但都是小范围尝试

• C. 挺多的，而且我清楚每个决策的约束和风险

10. 当需求模糊时，你的第一反应是：

• A. 先做，做出来再说

• B. 问清楚需求再动手

• C. 先定义问题边界，把模糊的地方显式标记出来，再做取舍

计分方式：

• 选 A 多（6 个以上）：你目前主要在第一层——生成操作者

• 选 B 多（6 个以上）：你已经在第二层——系统设计者

• 选 C 多（6 个以上）：你处于第三层——决策承担者

• 混合分布：你在过渡期，有明确的升级方向

每一层的升级路径

从第一层到第二层：最难的一步

从第一层到第二层，不是学新技术。

而是改变工作习惯。

具体来说，三个动作：

动作 1：先判断，再生成。

遇到任何技术问题，不要第一时间问 AI。

先花 5 分钟，写下你自己的判断：

• 我理解的问题是什么？

• 我倾向的方案是什么？

• 我认为的风险是什么？

然后再问 AI，让它反驳你。

这个习惯，是进入第二层的门票。

动作 2：把"跑通了"替换成"理解了"。

AI 生成代码后，不是"通过测试就提交"。

而是花 10 分钟问自己：

• 这段代码的时间复杂度是多少？

• 在高并发下会有什么问题？

• 三个月后这段代码会成为技术债吗？

如果答不上来，说明你还没有真正理解。

动作 3：开始记录决策。

每做一个技术选择，用三行字记下来：

• 选了什么

• 为什么选

• 放弃了什么

一个月后回看。

你会开始看到自己的判断模式。

这是判断力进化的起点。

从第二层到第三层：质变的飞跃

从第二层到第三层，不是靠更努力。

而是靠承担责任。

具体来说：

动作 1：主动表达判断。

开会讨论技术方案时，不要只听。

主动说："我认为应该选 A，原因是 X，风险是 Y。"

被反驳没关系。

被验证错了也没关系。

判断力是在被验证的过程中校准的。

不表达，就无法校准。

动作 2：承担一次有风险的决策。

找一个真实的场景——

比如技术选型、架构调整、系统重构。

主动站出来，做一个有明确取舍的决策。

并且：为后果负责。

不是"试试看"。

而是"我判断应该这样做，我来负责。"

第一次会紧张。

第二次会犹豫。

第三次，你就开始理解什么叫"决策承担者"了。

动作 3：刻意练习组织判断。

技术决策从来不只是技术问题。

开始观察你所在组织的这些事：

• 谁在真正做决策？他们的判断依据是什么？

• 为什么这个技术方案被采纳了？是因为技术优势，还是因为组织惯性？

• 一次失败的决策，技术上错在哪？组织上错在哪？

这些观察，会逐渐形成你的组织认知。

而组织认知，是进入第三层的关键。

第三层的持续修炼

如果你已经在第三层。

不要停下来。

第三层的能力也需要持续进化。

三个方向：

1. 提高判断的速度。

不是减少思考时间。

而是把判断框架固化成直觉。

当你不再需要"一步步分析"就能快速做出正确取舍时，你的判断力就真正成熟了。

2. 扩大判断的边界。

你目前在技术领域做判断。

能不能把判断力迁移到产品方向、团队建设、商业决策？

真正的决策承担者，不只在技术领域有价值。

3. 培养"定义问题"的能力。

第三层最高的境界，不是解决问题。

而是让别人觉得"这个问题问得好"。

当你开始定义组织应该解决什么问题时，你就不再是一个工程师了。

你是一个领导者。

一个需要注意的陷阱

在分层升级的过程中，有一个常见陷阱：

误判自己的层级。

很多人觉得自己在第二层。

因为"我也会审查 AI 的代码"。

但他们的审查，只是看"能不能跑"。

这不叫审查。

这叫运行测试。

真正的审查，是评估长期影响——

这段代码会不会引入隐性耦合？会不会增加系统复杂度？会不会在半年后成为维护噩梦？

如果你做不到这一点，你可能还在第一层。

另一个误判：

很多人觉得自己在第三层。

因为"我也会做技术决策"。

但他们的决策依据是"我觉得"或者"网上说"。

这不是判断。

这是直觉或盲从。

真正的判断，有明确的约束分析、取舍逻辑和风险评估。

如果你说不出"为什么选 A 不选 B，在什么条件下这个选择会失效"。

那你可能还在第一层和第二层之间。

诚实地定位自己，是升级的前提。

总结一下

AI 时代的工程师，大致分成三层：

生成操作者——让 AI 做事，自己检查结果。

系统设计者——自己先判断，再用 AI 放大，最后审查风险。

决策承担者——定义问题，承担后果，在模糊中做取舍。

你的层级不取决于你会多少技术。

取决于你的核心工作依赖哪一层的能力。

好消息是：

升级路径是清晰的。

从第一层到第二层，改的是习惯。

从第二层到第三层，变的是角色。

最难的一步，是先判断，再生成。

如果你从明天开始做这一件事。

你已经开始升级了。

下一篇，我们聊一个更难的话题：

AI 时代，"资深程序员"的光环，还能撑多久？