AI Agent 时代,为什么「老兵」比「新兵」更值钱?

所有人都在说 AI 会取代程序员。但最近，DHH 和 Karpathy 却几乎同时指向一个完全相反的结论：AI 越强，资深开发者越值钱。 这不是安慰剂，也不是大佬们的客套话，而是正在发生的市场重新定价。与此同时，75% 的 Gen Z 把办公桌工作跟倦怠划上等号，Jamie Dimon 预言 AI 将带来 3.5 天工作周，Salesforce 新设了一个叫 Forward Deployed Engineers 的全新岗位。技术人才市场的价值坐标系，正在被 AI Agent 浪潮彻底重写。

这篇文章，我想从三条赛道出发，帮你画一张 AI 时代的职业导航图，不贩卖焦虑，不灌鸡汤，只说我作为一个十年大厂老兵看到的真实图景。

赛道一：深耕技术——认知鸿沟才是真正的护城河

DHH 的判断：经验在 AI 时代被放大，而非被稀释

DHH（Ruby on Rails 创始人、Basecamp CTO）最近公开表示：资深开发者在 AI Agent 时代更具优势。他的逻辑很直接——AI 工具能帮你写代码，但不能帮你判断该不该写这段代码、这段代码上线后会不会在凌晨三点把你叫醒。

这个观点并不孤立。几乎同一时间，Andrej Karpathy（前 Tesla AI 总监、OpenAI 联合创始人）指出了一个更深层的趋势：AI 超级用户与普通用户之间存在日益扩大的认知鸿沟。

什么叫认知鸿沟？让我用一个类比来说明。

AI 工具就像电动工具——给新手一把电锯，他可能锯歪木头甚至伤到自己；给老木匠一把电锯，他能在同样时间做出十倍精细的活。 认知鸿沟不是工具的差距，是判断力的差距。

我自己在日常工作中感受极深。同样用 Claude Code 或 Codex 这类 AI 编程工具，一个有十年分布式系统经验的架构师，和一个刚入行两年的工程师，产出差距不是 20%、30%，而是可能差出一个数量级。不是因为谁打字更快，而是因为：

• 老兵知道该问什么问题。 AI 能给你一万个答案，但只有你知道哪个问题值得问。
• 老兵能识别 AI 的幻觉。 当 AI 自信满满地给你一个"看起来完美"的架构方案时，老兵能在 30 秒内看出它忽略了什么边界条件。
• 老兵理解系统的"第二层效应"。 一个改动在本地跑通了，但它对上下游服务、对数据一致性、对故障恢复链路的影响是什么？这些判断力，是十年踩坑积累出来的，AI 目前还给不了你。

Karpathy 的观察更进一步：这个鸿沟不是在缩小，而是在加速扩大。因为 AI 工具的能力上限在不断提高，而能够充分利用这些能力的人——也就是他所说的"AI 超级用户"——需要的恰恰是深厚的领域知识和系统思维。

但反方的声音也值得听

公平地说，这个论点并非没有反面证据。GitHub 早期发布的 Copilot 研究数据显示，经验较少的开发者在使用 AI 辅助编程后，代码完成速度的提升幅度反而更大——因为他们的基线更低，AI 对他们的"提速效果"更显著。

这是否意味着 AI 在缩小经验差距？在"速度"这个维度上，确实如此。 但速度提升和质量提升是两件事，质量提升和系统级判断力提升又是两件事。一个初级工程师用 AI 写出的代码可能跑得通，但在高并发、故障恢复、数据一致性这些维度上是否可靠，仍然需要经验来把关。

换句话说：AI 拉平了"写代码"的门槛，但拉大了"做决策"的差距。 这是两个不同层面的事。DHH 和 Karpathy 说的是后者，而不是前者。

有人可能会反驳：历史上汽车比马车复杂得多，但驾驶门槛反而降低了，AI 工具难道不会走同样的路？我的看法是：使用门槛确实在降低，但驾驭门槛在提高——这是两件不同的事。 人人都能开车，但不是人人都能开赛车。AI 工具让"写代码"变得更容易了，但"用 AI 构建可靠的生产级系统"这件事，复杂度反而在上升。工具越强，驾驭它所需的认知门槛反而越高。

市场正在用真金白银验证这个判断

看一组数据：据 The Information 报道，Anthropic 年化营收（ARR）首次超过 OpenAI，达到约 $300 亿 vs $250 亿。需要说明的是，这是年化运行率而非全年实际营收，不同媒体的估算口径可能有差异，但趋势本身已经很说明问题。这个翻转的核心驱动力是什么？企业 API 市场的爆发。 Anthropic 在企业级 AI 应用上的强势增长，意味着越来越多的公司不是在用 AI 写周报、画图片，而是在用 AI 构建生产级系统——Agent 工作流、自动化管道、智能决策引擎。

这类系统的构建和维护，恰恰是资深工程师的主场。你需要理解分布式系统的可靠性、理解 Agent 编排的容错设计、理解如何在 AI 的不确定性输出上构建确定性的业务逻辑。这些不是看两篇教程就能学会的。

Simon Willison 提出的"黑暗工厂"（Dark Factory）构想更是把这个趋势推到了极致：AI 独立生产代码，无需人类介入。听起来很吓人？但仔细想想——谁来设计这个"黑暗工厂"的架构？谁来定义 AI 的约束边界？谁来在工厂出问题时做故障诊断？答案还是那些理解整个系统的资深工程师。

诚实的不确定性

我必须诚实地说，以上论证有一个前提假设：AI 工具的能力上限虽然在提高，但在"系统级判断力"这个维度上，短期内还无法替代人类经验。

这个假设目前成立，但不保证永远成立。DHH 和 Karpathy 本身就是顶级资深开发者，他们的视角天然偏向"经验有价值"。如果两三年后 AI 能自主完成可靠的架构决策——比如自动识别分布式系统中的级联故障风险、自动评估一个设计变更对上下游的影响——那今天的"认知鸿沟"论可能需要修正。

我的应对策略是：在利用经验优势的同时，持续观察 AI 能力边界的变化，保持随时调整的灵活性。 把经验当作当前的杠杆，而不是永恒的保险。

适合谁？

• 有 5 年以上后端/架构/基础设施经验的工程师
• 对分布式系统、可靠性工程有深入理解的技术人
• 愿意把 AI 当作"10 倍杠杆"而非"替代品"来使用的人

我自己是怎么做的

分享几个我自己正在实践的事情，不一定适合所有人，仅供参考：

1. 每天至少用 AI 编程工具完成一个真实任务。 不是玩具项目，是工作中的真实问题。坚持几个月后，我发现自己和 AI 的协作效率有质的飞跃——最大的变化不是"写代码更快了"，而是"知道什么时候不该让 AI 写"。
2. 花大量时间"审查 AI 输出"而非"让 AI 生成代码"。 具体做法是让 AI 生成一个架构方案，然后花时间找出它的三个潜在问题。这个练习帮我建立了对 AI 幻觉的直觉——哪些领域它容易出错，哪些领域它比我想的更可靠。
3. 投入精力学习 Agent 架构模式。 比如 Anthropic 工程博客上介绍的 Managed Agents 架构——将编排层（Brain）与执行层（Hands）解耦的设计思路——是一个很好的学习起点。理解这类架构，就是在为自己建立下一个五年的技术护城河。
4. 坚持做 Production Incident Review，坚持读 Post-Mortem 报告。 AI 能写代码，但"系统直觉"只能从真实的生产环境事故中长出来。这是我观察到的资深工程师和初级工程师之间最难弥合的差距。

赛道二：新兴岗位——Forward Deployed Engineer 和 Agent 平台工程师

一个全新的职业路径正在成型

如果说赛道一是"在原有赛道上加速"，赛道二则是"换一条全新的赛道"。

Salesforce 最近设立了一个引人注目的新岗位：Forward Deployed Engineers（FDE）。这个名字借鉴了 Palantir 的经典角色定义，但在 AI Agent 时代有了全新的内涵。

FDE 不是传统的客户成功经理，也不是纯粹的后端工程师。他们是驻扎在客户现场的 AI 系统工程师——既要理解客户的业务场景，又要能够配置、调优、甚至定制 AI Agent 工作流。Salesforce 同时推出了 Agentforce 360，专门助力小企业和创业公司部署 AI Agent，这意味着 FDE 的需求不仅来自大企业，也来自广阔的中小企业市场。

Palantir 早在 AI 浪潮之前就定义了 FDE 这个角色——他们的 Forward Deployed Engineers 长期驻扎在政府和企业客户现场，将平台能力与客户的具体业务场景深度结合。如今，随着 AI Agent 平台的爆发，这个模式正在被更多公司复制和演化。

企业 AI 基础设施投资的拉力

这些信号并非孤例。整个企业 AI 基础设施赛道正在经历前所未有的投资周期。

Amazon CEO Jassy 在 2026 年度股东信中披露，Amazon 2026 年的资本支出（capex）计划高达 $2000 亿，其中 AI 基础设施是核心方向。AWS AI 相关业务增长迅猛，这意味着云上的 AI 工作负载正在以前所未有的速度增长。与此同时，据此前提到的报道，Anthropic 在企业 API 市场的强势增长也从需求侧印证了同一个趋势：企业 AI 基础设施的建设才刚刚开始，而每一层基础设施都需要人来构建、运维和优化。

当基础设施投资以千亿美元计，上层应用的人才需求必然跟着爆发。这就是 FDE 这类角色出现的结构性原因——不是某家公司的偶发奇想，而是整个行业投资周期的必然产物。

过去十年，技术人的职业路径大致是两条：要么走纯技术路线（IC），要么转管理。但 AI Agent 时代正在催生第三条路——技术产品工程师。这类角色需要你：

• 能够理解客户的业务痛点（不是技术痛点）
• 能够将业务需求翻译成 Agent 工作流设计
• 能够在 AI 的不确定性和业务的确定性需求之间找到平衡点
• 能够快速迭代，因为 Agent 的行为不像传统软件那样完全可预测

这些平台和基础设施催生的新角色远不止 FDE。我观察到至少还有这些新兴岗位正在快速成型：

• Agent Orchestration Engineer（Agent 编排工程师）：设计和维护多 Agent 协作的工作流，确保 Agent 之间的通信、状态管理和故障恢复。
• AI Reliability Engineer（AI 可靠性工程师）：传统 SRE 的 AI 版本，专注于 AI 系统的可观测性、幻觉检测、输出质量监控。
• Prompt Architect（提示词架构师）：不是写几句 prompt 那么简单，而是设计企业级的 prompt 管理体系——版本控制、A/B 测试、效果度量。

需要坦诚说明的是，以上新兴岗位的观察主要来自我个人的行业观察和招聘信息浏览，目前还没有权威的第三方统计数据来量化这些岗位的市场规模和增长率。它们是否能从"新兴趋势"变成"成熟职业路径"，还需要时间验证。但从基础设施投资的规模来推断，需求侧的拉力是真实存在的。

适合谁？

• 有 3-7 年经验、技术扎实但对纯技术路线感到天花板的工程师
• 有客户沟通能力、喜欢解决"真实世界问题"而非"纯技术问题"的人
• 全栈工程师或有跨领域经验的技术人

我观察到的几条路径

我身边有几位同事和朋友正在往这个方向走，他们的经历给了我一些启发：

1. 从自己最熟悉的业务领域切入。 我身边转型最顺利的同事，无一例外都是从自己最熟悉的领域开始的。做电商的去研究电商场景下的 AI Agent 应用，做金融的去研究金融合规场景下的 Agent 设计。领域知识 + AI 能力的组合，比纯 AI 能力更稀缺。
2. 动手搭建一个端到端的 Agent 工作流。 用 LangChain、AWS Bedrock Agents 或类似框架都行，关键是要走完从需求定义到部署上线的全流程。我自己搭过几个之后最大的感受是：真正的难点不在"让 Agent 跑起来"，而在"让 Agent 可靠地跑起来"。
3. 学习企业级 AI Agent 平台的设计哲学。 不管是 Salesforce Agentforce 还是其他平台，核心是理解企业级场景下 Agent 的约束条件——安全、合规、可审计、可回滚。
4. 培养"翻译"能力。 我见过太多技术很强但无法跟业务对话的工程师，在 FDE 类角色中反而不如技术稍弱但沟通能力强的人。这个观察让我自己也开始刻意练习用非技术语言解释 AI Agent 的能力边界。

赛道三：弹性工作——资深技术人的"时间套利"

两种不同的"弹性"，指向同一个方向

第三条赛道可能是最出乎意料的，但也是最不可忽视的。

最近的报道揭示了一个惊人的数据：75% 的 Gen Z 将办公桌工作与倦怠划等号，正在转向蓝领职业 。同时，越来越多的 Gen Z 正在放弃全职工作，拥抱"多重雇佣"（Polyemployment）的生活方式 。

作为一个在大厂坐了十年办公桌的人，我第一反应是"这也太激进了"。但仔细想想，他们的选择并非没有道理。

不过我需要先做一个重要的区分：Gen Z 的弹性工作和资深技术人的弹性工作，驱动力完全不同。 Gen Z 的选择更多是"逃离"——逃离倦怠、逃离他们认为不健康的工作模式、逃离"一份工作定义一生"的叙事。这是一种对工作形态的价值观重塑，它的底层逻辑是心理健康和生活方式优先。

而对资深技术人来说，弹性工作的逻辑是"主动套利"——当 AI 工具大幅提升了你的单位时间产出，你就有了重新分配时间的资本。这两种现象的动机不同，但它们恰好指向同一个方向：传统的"一份全职工作、固定工时"模式正在从两端同时被瓦解。

Jamie Dimon（摩根大通 CEO）的预言给这个趋势加了一把火：AI 将带来 3.5 天工作周。需要注意的是，Dimon 说的是未来数十年的长期展望，而非明天就会发生的事。但方向本身已经足够清晰——当工作时间缩短成为大趋势，"一份工作干到退休"的模式就显得越来越不合理。

弹性工作对资深技术人意味着什么？

回到赛道一的核心论点：AI 放大了经验的价值。当你的判断力本身就是稀缺资源时，你就有了"时间套利"的资本：用更少的时间交付更高价值的产出，把省下来的时间投入到第二、第三个价值创造场景中。

初级工程师做弹性工作，卖的是时间——多接一份活就多干几小时。资深工程师做弹性工作，卖的是判断力——客户买的是"少走三个月弯路"的确定性。这是本质区别。

我身边已经有几位前同事在实践不同的模式，他们的经历让我看到了一些具体的可能性：

场景一：高级技术顾问模式。 我的一位前同事，在云行业做了八年分布式存储，去年开始同时为几家中型公司提供 AI 数据架构咨询，每家每周投入 1-2 天。他的体感是收入有明显提升，但更重要的变化是工作满意度——因为每个客户的问题都不一样，他觉得自己在"解决真实问题"而不是"完成绩效指标"。当然，这条路的前提是你已经有了足够的行业口碑和人脉网络。

场景二：AI 增强的独立开发者。 有了 AI 编程工具的加持，一个资深开发者独立完成一个产品的能力被极大增强。用 Claude Code 辅助开发了一个面向跨境电商的自动化选品工具，从设计到上线只用了六周——过去这至少需要一个三人小团队干三个月。"一人公司"或"微型团队"正变得前所未有地可行。

场景三：组合式职业。 一周中 3 天做全职工作，2 天做自己的项目或咨询。这种模式在欧洲已经相当普遍，在 AI 的加速下，正在向全球扩散。

但要警惕的陷阱

弹性工作的风险也很真实：

• 没有系统思维的"多重雇佣"只是多份打工。 如果你做的都是低门槛的执行性工作，多份兼职只会让你更累，而不是更自由。
• 弹性工作需要极强的自我管理能力。 没有公司的框架约束，很多人会陷入"看起来很忙但没有产出"的陷阱。
• 社保、医疗等保障体系还没跟上。 在中国和美国，脱离全职工作意味着失去很多隐性福利，这个成本要算清楚。

适合谁？

• 有明确的专业领域和个人品牌的资深技术人
• 自律性强、能够在没有外部约束的情况下保持高产出的人
• 对"用时间换稳定性"的传统模式感到不满、愿意承担一定不确定性的人

我看到的几种切入方式

1. 先在全职工作中建立"可迁移能力"。 技术博客、开源项目、行业演讲、专业社群——这些是未来做弹性工作的信用基础。
2. 从"副业"开始试水，而不是直接辞职。 先用业余时间接 1-2 个小型咨询项目，验证市场需求和定价能力。这一步的目的不是赚钱，是验证假设。
3. 建立财务缓冲。 我见过的成功案例，无一例外都是在有充足储备的情况下转型的。具体多少因人而异，但没有缓冲就裸辞是我不推荐的。
4. 学习"卖产出"而非"卖时间"的定价方式。 按项目收费、按成果收费，而不是按小时收费。这是弹性工作能否真正提升收入的关键。

三条赛道不是互斥的

写到这里，我想分享一个更大的图景。

这三条赛道——深耕 Agent 架构、转型 AI 产品工程、拥抱弹性工作——并不是三选一的单选题。对很多技术人来说，最优解可能是组合。

比如，你可以在一家公司做 AI 架构师（赛道一），同时利用 AI 工具的效率提升，用省下来的时间为另一家初创公司做 Agent 工作流咨询（赛道二 + 赛道三）。或者你可以先在大厂的 FDE 岗位上积累 2-3 年的客户场景经验（赛道二），然后带着这些经验转向独立咨询（赛道三）。

Amazon 2026 年 capex 计划 $2000 亿，Anthropic 和 OpenAI 在企业 API 市场的激烈竞争，Salesforce 等平台公司的 Agent 生态扩张——这些数字和信号背后是海量的技术岗位需求。但这些需求的形态，和五年前你熟悉的那些岗位已经很不一样了。

市场不会等你准备好。但好消息是，如果你已经有了几年甚至十年的技术积累，你手里的牌比你以为的要好得多。

写在最后

在 AI 时代，经验不是被折旧的资产，而是持续增值的复利——因为机器能生成一万个答案，但只有老兵知道哪个答案不会在生产环境爆炸。

这句话不是鸡汤。它是 DHH 在看到 AI Agent 实际表现后的判断，是 Karpathy 在观察 AI 超级用户行为后的总结，也是我自己在用 AI 工具做架构决策时的真实体感。

AI 时代的职业竞争，不是"会不会用 AI"的竞争——再过两年，不会用 AI 的人可能根本进不了这个行业。真正的竞争是：你能用 AI 做出什么别人做不出的东西。 而这个"别人做不出"，归根结底来自你的经验、判断力和系统思维。

所以，别焦虑。但也别停下来。

前路漫漫，我们更高处相见。

📢 免责声明：本文基于公开数据与行业观察进行分析，不构成投资建议或职业决策建议，文中观点仅代表作者个人判断，不代表任何公司立场，欢迎理性讨论。

既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～ 谢谢你看我的文章，我们，下次再见。

📢 免责声明：本文基于公开数据与行业观察进行分析，不构成投资建议，文中观点仅代表作者个人判断，不代表公司观点，欢迎理性讨论。

军见| 洞见科技，洞见职场，洞见自己；科技有深度，职场有方法，管理有温度，做长期有用的内容。

点赞 +「在看」，转发给你身边有需要的朋友。收不到推送？那是因为你只订阅，却没有加星标。