夜雨聆风❶ 所有人都在担心被 AI 替代
最近程序员圈子里， 有一种情绪在蔓延。
Cursor、Claude Code、Codex、vibe coding 出来之后， 很多以前需要人做的事，现在一句 prompt 就能跑。
代码生成越来越快。 demo 越来越容易。 execution 成本越来越低。
第一次认真用这些工具的时候， 那种冲击其实很真实：
程序员是不是没那么重要了？
这个结论很容易得到。
但但我后来发现：
AI 真正在重新定价的，不是"程序员"这个群体。
是：
局部执行型程序员。
❷ AI 真正削弱的，是"局部执行型程序员"
最擅长替代掉的，就那么几件事：
写功能 套模板 重复实现 接参数 改改样式延续逻辑
一个很具体的场景：
Cursor 生成一个组件，可能比人写还快。
但这个组件一旦需要在三个地方同步改——
你需要人盯着边界。
因为 AI 不知道这三个模块之间的隐式依赖。
三个地方各自单独看都没问题， 合在一起开始出问题。
这种事，在真正的项目里每天都在发生。
AI 很擅长局部生成。 模式延续它也很强。 快速搭一个能用的东西，它做得很好。
但它不擅长：
三个模块之间的隐式关系是什么？
这个改动会不会影响其他链路？
哪些依赖是松耦合、哪些是悄悄紧耦合的？
这些本质上是系统结构问题，不是代码问题。
是系统结构问题。
❸ 复杂性迁移之后，出现了以前没有的工作
CODE → SYSTEM BEHAVIOR
以前做一个功能， 代码写完，能跑，基本就差不多了。
现在复杂度换了位置。 带来了一类以前几乎不存在的工作：
监控 agent 开始互相影响。
判断 memory 是不是开始污染。
确认 workflow 为什么越来越不稳定。
评估模型升级之后哪些链路开始偏。
对比线上输出和测试结果的差距。
以前这些东西根本不是一个岗位。
现在开始越来越像新的核心工作。
❹ 真实线上系统，是怎么慢慢坏掉的
demo → production drift
demo 等于 product——这是 AI 最大的幻觉之一。
一晚上用 Claude Code 跑出来的东西， 第二天发现——
memory 漂移了。 workflow 选错了 prompt 版本。 router 的判断悄悄变了。
你改了一个 prompt， 三条链路开始出问题。 然后你修了一条，另外两条又出问题。
以前靠代码定位，debug 几步能找到。
现在变成了——你不知道这次到底是哪个环节在漂。
线上行为和测试行为不一致。 这个问题修好了，另一个开始出问题。 模型一升级，原来能用的 workflow 开始出奇怪的输出。
今天系统还好好的。 明天突然开始偶尔出错。 后天开始越来越不稳定。
但监控指标还是正常的。
这就是为什么很多团队在真实项目中， 反而越来越需要专职的人来"盯着系统"——
核心是盯着系统的行为是否还在预期的轨道上。
❺ 没有 feedback loop 的系统，会死得多惨
Feedback Loop
AI 时代真正重要的， 核心可能不在于"生成能力"。
而在于：系统有没有人在盯着它的行为。
以前系统错了会直接报错。 你知道它崩了，马上修。
现在很多 AI 系统最麻烦的是：
它不会直接崩。
你甚至不知道它什么时候开始坏掉的。
监控指标一切正常。 但系统在悄悄"漂"。
今天是好的。 明天开始有一点不对劲。 后天你才发现：
输出的质量在下降。 但指标没有反映出来。
直到你去看了具体的输出， 才发现系统在偏离。
这就是最危险的地方。
你真正在做的，是在系统行为里找"漂移的方向"。
这需要：
能不能持续感知系统的真实状态。
能不能从真实反馈里持续修正方向。
能不能在系统开始漂的时候及时发现并拉回来。
这听起来像是一个技术概念。
但它更像是：
一个系统能不能长期活着的基本姿势。
AI 系统最大的难点， 已经越来越像"养系统"， 核心变成了"养系统"，而不是"写系统"。
以前工程师的价值体现在：把东西做出来。
以后工程师真正的价值， 可能体现在：
系统开始慢慢失控的时候， 谁能最先发现：到底是哪一层开始漂了。
一个没有强 feedback loop 的 AI 系统， 就像一辆不知道刹车在哪的车，越开越快。
❻ 为什么技术很强，但项目还是推不动
many experiments → convergence
技术指标很漂亮， 论文发了好几篇， 准确率跑赢了所有对标产品。
但项目推不动。
技术指标很漂亮。 论文发了好几篇。 准确率跑赢了所有对标产品。
但项目推不动。
这个问题折磨了我很久：
技术指标那么漂亮， 为什么还是不对？
后来我越来越意识到：
准确率再高，方向不对，就是白做。
很多团队不是死在"技术不够强"。
而是死在：
整个系统没有办法持续修正方向。
他们有技术，但没有反馈。
有产出，但没有方向感。
能跑 demo，但不知道往哪走。
AI 时代之后，这个逻辑变得更尖锐了。
做出来越来越容易。 但方向判断的价值，在上升。
因为系统变复杂了， 你需要的，不是谁写代码快，而是这个方向对不对。 这个 workflow 为什么开始漂了。 这个模型升级之后，实际效果是好了还是坏了。 为什么线上和测试的差距越来越大。
以及：
谁能在这些混乱里，持续逼近正确方向。
真正强的程序员， 会越来越像：
建筑师 + 研究员 + 长期盯着系统的人。
这种"长期盯着系统"的人， 有一种以前没有过的质感：
他不一定在写代码。 但他在看系统有没有开始偏。
这个人存在的意义， 核心不在于产出什么功能。
而是整个系统能不能长期保持收敛。
❼ 最危险的程序员：还停留在局部执行里
一个常见的场景：
三个人各自接了 AI 工具，代码产出翻倍。
但没有人去定义他们之间的 shared memory 和交互边界。
三个月之后，三套系统在同时跑。
但加在一起——反而开始相互干扰。
问题不是"谁不懂 AI"。
而在于：
没有人管"系统层面的那层东西"。
很多人还在花时间：
熟悉框架、快速实现需求、写稳定CRUD高效接业务
这些能力， 现在越来越容易被 AI 加速。
于是很多人的工作， 开始从"亲手实现"， 变成"检查系统有没有开始偏"。
很多程序员现在还在拼命卷：
写代码速度、框架熟练度、局部实现效率
但这些东西， 恰好是 AI 最容易快速接管的部分。
未来最危险的程序员， 核心未必是不会用 AI。
而是在拼命优化"已经被 AI 大面积接管的那层"的人。
❽ AI 让做出来越来越容易，但让系统长期稳定越来越难
Complexity never disappears — it only migrates
execution 和工程实现，正在被快速替代。
但复杂性没有消失。
它只是换了位置。
以前一个功能，代码写完能跑就差不多了。
现在花最多时间的，不在于写代码，而在于：
为什么这个 agent 最近越来越不稳定。
为什么模型升级之后 workflow 开始互相污染。
为什么线上和测试的行为越来越不一致。
为什么一个 prompt 改动会影响另外三条链路。
AI 时代真正重要的能力，越来越重要的，是能不能让一个会持续自我生长的系统，长期保持稳定。
AI 没有消灭复杂性。
它只是把复杂性从代码层，迁移到了系统行为层。
未来程序员真正稀缺的能力，可能不再是"生成代码"。
而是：让一个不断自我生长的系统，长期保持收敛。
━━ ✦ ━━
这种能力，以前根本没有被当作一种核心价值。
