夜雨聆风
前几天我看到一个很典型的场景。
一个业务负责人想做一个内部系统，用来管理客户、订单和售后。他把需求简单描述给 AI，几分钟后，AI 给出了表结构、接口设计、后台页面、权限模块，甚至还补了一份“技术方案”。
从表面看，这件事很有冲击力：过去要几个人讨论半天的东西，现在一个工具很快就能生成初稿。
但如果继续往下看，问题马上就来了。
订单状态到底有哪些？哪些状态可以回退？支付回调重复怎么办？库存扣减失败以后怎么补偿？售后和财务对账以哪个系统为准？权限是按角色做，还是按组织和数据范围做？上线后谁看监控，出错后谁修数据？
这些问题，AI 都可以回答一部分，但它不能替团队承担结果。
这也是我为什么认为：AI 越强，资深工程师反而越重要。
AI 压缩的是编码劳动，不是工程责任
很多人讨论 AI 编程时，会把软件研发等同于写代码。
如果研发只是“把明确需求翻译成代码”，那 AI 的确会极大改变这个岗位。接口、脚手架、单元测试、SQL、页面逻辑、文档说明，很多重复性工作都会被快速生成。
但真实的软件项目不是这样运转的。
真实项目里，需求经常是不完整的，流程经常是有冲突的，数据口径经常是不统一的，系统边界经常是模糊的。越是企业内部系统，越不是单纯的技术题，而是业务、流程、组织、数据和成本共同作用的结果。
AI 可以帮你更快产生内容，但它不能天然知道哪一条业务规则才是公司的真实规则，也不能判断一个方案是否适合当前团队的能力。
所以，AI 压缩的是低确定性的人工编码时间，放大的却是高判断力的工程责任。
资深工程师首先要会定义问题
AI 时代，很多人的第一个误区是：直接让 AI “帮我做一个系统”。
这种提问通常会得到一个看起来完整的答案，但它可能只是“通用系统模板”。真正关键的问题没有被问出来，后面就会变成返工。
以订单系统为例，资深工程师不会只关心表有几张、接口有几个，而会先拆业务对象和流程边界：
1.订单、支付、库存、售后、发票分别由谁负责；
2.哪些流程必须强一致，哪些可以最终一致；
3.哪些异常一定会发生，发生后如何补偿；
4.哪些功能是当前阶段必须做，哪些可以延后；
5.哪些数据未来要用于财务、运营或审计。
这些问题定义清楚以后，AI 才能成为有效助手。
如果问题本身是模糊的，AI 生成得越快，风险扩散得也越快。
资深工程师要审查 AI，而不是崇拜 AI
AI 很擅长给出“像样”的答案，这既是优点，也是风险。
它可能会给一个小系统设计复杂的微服务架构，也可能会在没有必要的地方引入消息队列、缓存、分布式事务和各种中间件。它说得都对，但不一定适合你。
资深工程师的价值，就在于能审查这些输出。
一个方案是否靠谱，要看它是否匹配业务阶段、团队能力和运维条件。一个系统不是技术越多越高级，而是边界越清楚、恢复越容易、成本越可控，长期越稳定。
比如稳定性设计，不是无限堆机器，也不是所有服务都做最高规格高可用。更务实的做法，是先判断服务重要性、流量特征、故障影响和恢复成本。核心链路要有监控、告警、限流、降级、回滚和数据修复能力；边缘能力则可以用更轻的方式处理。
AI 可以列出所有技术选项，资深工程师要判断哪些该用，哪些不该用，哪些现在不用但要预留边界。
资深工程师要把技术问题翻译成组织动作
很多系统失败，不是因为代码写不出来，而是因为组织没有准备好。
流程没有共识，数据没有责任人，权限没有边界，运营不愿改变习惯，财务不认可口径，老板只看到了系统页面，却没有看到背后的流程治理。
这时，技术负责人不能只说“我已经把功能做完了”。
他要能把技术问题翻译成业务能理解的问题：如果不定义订单状态，后续售后会混乱；如果不统一客户数据口径，报表就没有可信度；如果没有灰度和回滚，任何一次上线都可能变成生产事故；如果没有审计链路，出了数据误操作很难追溯。
AI 可以帮助准备材料、画流程、写文档，但推动相关人达成共识，仍然需要人的沟通、判断和责任承担。
更好的工作方式：人负责判断，AI 负责放大
我更建议把 AI 当成工程放大器，而不是工程替代品。
一个更适合资深工程师的工作方式是：
6.人先定义目标、约束、边界和验收标准；
7.AI 生成候选方案、代码草稿、测试样例和检查清单；
8.人审查关键路径、异常场景、成本收益和上线风险；
9.AI 辅助补齐重复实现、文档说明、脚本和自动化流程；
10.人负责上线策略、监控恢复、复盘改进和跨团队协作。
这个模式下，AI 能显著提升效率，但不会替代工程判断。
它会让一个资深工程师更快完成低价值重复劳动，把更多精力放到真正影响系统成败的地方：需求理解、架构取舍、风险控制、流程治理和团队协作。
最后
AI 越强，普通编码能力越容易被商品化。
但这并不意味着资深工程师失去价值。恰恰相反，当代码生成变得更便宜时，判断什么该做、怎么做、做到什么程度、出了问题怎么恢复，会变得更贵。
未来真正稀缺的工程师，不是记住最多 API 的人，也不是手速最快的人，而是能把业务问题转成系统问题，把 AI 输出转成生产系统，把技术方案转成组织可执行动作的人。
所以，资深工程师不必和 AI 比谁写得快。
更重要的是，学会用 AI 放大自己的判断力、协作力和交付能力。
