夜雨聆风一个34岁土木人的自白：当AI替你写代码之后，什么才是真正的护城河上周五早晨，我打开 Claude Code，跟它说：帮我把抖音发布脚本的封面生成逻辑改一下，换成竖版 1080x1920。两分钟后，改好了。跑了一遍，没 bug。
我一个土木工程毕业的，三十岁之前没写过一行代码。现在我能靠 AI 赚钱、做产品、管理自动化流水线。这种事放在两年前，我自己都不信。很多人觉得我在吹牛。但说实话，我做到这些，跟聪明不聪明没关系，也跟会不会编程没关系。
以前要把想法变成代码，你得先是一个程序员。现在，AI 帮你把编程这步跳过去了。然后一个更有意思的问题出现了：当编程不再是门槛，什么才是？
一、一篇博客，炸出了整个程序员圈的焦虑
5 月 30 日，Hacker News 上一篇题为 Domain Expertise Has Always Been the Real Moat 的博客火了——320 分、194 条评论。
作者 Aaron Brethorst 的观点很直接：在 AI 能写代码之后，软件行业真正的门槛从「你会不会做」变成了「你知不知道做对了没有」。翻译成人话就是——能写代码不稀罕了。稀罕的是你知道该写什么，以及能看出来 AI 写的到底对不对。底下有人吵。有人说领域知识才是新护城河，有人说别高兴太早，AI 迟早连你的领域知识也吃掉。
我刷着刷着就想回帖了——
“你们在这吵什么呢？我就是个活生生的例子啊。”
我一个搞土木的，在工地打了快十年灰。按理说，我跟软件行业八竿子打不着。但在 AI 的帮助下，我上个月做出了一个视频内容管理系统、一个抖音自动发布脚本、一个封面生成器。这些事，如果我必须从零学编程，一年都搞不定。但 AI 帮我把写代码这一步拆掉了，剩下的只有一件事：我知不知道我想要什么。
而这件事——知道自己想要什么——恰恰是我在工地、在项目上、在跟甲方扯皮的十年里练出来的。
二、有些东西，代码调不出来
做抖音封面生成器的时候，AI 给我写了第一版代码。跑起来没问题，但出来的图总觉得不对劲——标题位置太死板，颜色对比度不够，整体感觉就是能用但不好看。
如果我还是个纯程序员思维，我大概会去查更高级的图像处理库、去调参、去研究字体渲染算法。但我是做过内容的人。我当时想的是：一张图刷出来，凭什么让人愿意停下来多看一眼？这个问题，代码回答不了。
我跟 AI 说：标题别居中，靠左上试试；背景不要纯黑，加点深灰渐变；主标题字号再大 20%，副标题缩小到 60%。这些指令不需要我会写代码，只需要我做过内容、见过好封面、知道什么感觉是对的。
改完出来，效果上了一个台阶。这就是 Aaron 说的那个核心判断——AI 可以替你干，但不能替你判断。判断来自于你在一个领域里泡出来的直觉，来自于你踩过的坑、见过的错、交过的学费。
三、调度员不看代码，但一眼就看出 AI 错了
Aaron 的文章里举了几个例子，我觉得比任何理论都有说服力。
一个做了二十年的物流调度员，看不懂一行代码。但当 AI 排出一张班表的时候，他扫了一眼就说：这个司机这班不能上——连着跑 12 小时了，不合规。一个精算师，同样不懂编程。但 AI 算出来的理赔方案，他一眼就能看出哪个环节的费率出了问题。不是因为他会写 SQL，而是因为他见过几千份真实的理赔单，知道对长什么样。
反过来就更惨了——
一个优秀的全栈工程师被派去写医疗计费系统。代码写得很漂亮，测试全部通过。但上线之后，它生成的计费规则在临床场景下全是错的——因为工程师根本不知道什么叫合理的医疗编码。AI 说这个编码可以用，他就信了。这让我想起行业里最近流行的一个说法：
以前的价值链是「懂领域 → 会编程 → 做出软件」。AI 来了之后，「会编程」这步被压缩了。现在变成了「懂领域 → 会用 AI → 做出软件」。中间省掉的，是普通人最不可能越过的那堵墙。
四、这不是我一个人的感觉，是整个行业的共识
如果你觉得这只是几个 Hacker News 网友的瞎聊，来看看今年已经发生了什么。Gartner 在 2026 年战略技术趋势报告中预测：到 2030 年，80% 的企业会把大型工程团队缩减成小型 AI 增强团队，而这个团队里最值钱的人，不再是代码写得最好的，而是最懂业务的。
Zoho 的创始人 Sridhar Vembu 今年 4 月说得更直白：「编程是基础，但客户付钱买的是领域知识——他们需要的是可靠性、安全性、合规性。AI 能帮你写代码，但这些能力，AI 做不了。」
Anthropic 自己的趋势报告也指出了一个反直觉的数据：工程师目前在大约 60% 的任务中使用 AI，但完全交给 AI 的比例不到 20%。都到这个份上了，为什么不全交出去？因为最后那一下——发还是不发、对还是不对——人还是信自己的手感。那一下的手感，靠的就是领域经验。
甚至连咨询公司都下场了。Accenture 刚花 12 亿美元收购了 Speedtest 的母公司 Ookla。外界的分析是：他们买的不是测速工具，是 Ookla 积累了十几年的网络性能数据——
数据本身不值钱。值钱的是数据里压缩进去的领域知识。
五、但也有人说：AI 迟早也会吃掉领域知识
我不回避这个问题。Hacker News 那篇帖子下面，确实有不少人泼冷水。他们的逻辑是：今天的 AI 不会懂物流、不会懂精算、不会懂临床编码——但三年后呢？五年后呢？当模型把所有行业文献、所有案例、所有法规都消化干净了之后，你的领域经验还有什么护城河可言？
这个担忧不是没道理。但我想说一件事。
就算 AI 有一天能消化所有公开文本，它消化不了没写下来的东西。每一个领域都有大量隐性知识——「这个甲方说话不算数」「那个验收标准嘴上不说但实际都这么执行」「这个报错提示是假的，真正的原因在别处」——
这些东西不存在于任何教材、论文、数据库里。它们存在于从业者的肌肉记忆里。我当年在工地上，有一个项目拖了半年没验收，原因是甲方和总包之间有一个不成文的共识——验收必须走某个流程，但这个流程从来没写进合同里。新来的人搞不懂为什么一直过不了审。但老工长一句话就把事说清了。
这种事，AI 怎么学？它读遍全世界也找不到那句话。
六、如果你是普通人，这意味着什么
我这篇文章，硅谷工程师不用看，Gartner 报告读者也不用看。我写给我自己这种人——没学过计算机、不是科班出身，但手里有一门手艺，或者在一个行业里泡了好多年。
如果你是这样的人，我给你三个建议。
第一，别再纠结学不学 Python。
学当然有好处。但你的优先级不是学会写代码，而是学会指挥 AI 写代码。两件事完全不一样。你需要知道的是：怎么把自己的需求翻译成 AI 能理解的指令；怎么读 AI 返回的结果；怎么在它搞错的时候纠正它。这些能力，一个月就够了。
第二，把你最懂的那件事写下来。
不要觉得这谁不知道啊。你以为的常识，对于 AI 和对于其他人，都是稀缺信息。你对接过两百个甲方之后总结出的沟通套路，你做过上千次工序检查之后形成的质量直觉——写下来，它们就是你未来指挥 AI 的资本。
第三，现在就动手。
找一个你每天在做的重复劳动——数据处理也好、文档整理也好、内容排版也好——打开 Claude 或者 ChatGPT，跟它说：我是一个 XX 行业的从业者，我每天要做一件事……你帮我把它自动化。
第一次出来的东西大概率没法用。没关系，跟它说：不对，我的实际需求是……多说几轮，它能懂。
一个月之后，你会感谢现在的自己。
结尾
这篇文字，是我一个月前根本写不出来的。跟文笔没关系。我花了一个月才看懂一件事——我以前以为，跨行做软件要追的是技术。现在我明白了——我这十年在工地、在项目、在跟人扯皮里积累的东西，才是 AI 永远帮不了我的那部分。而那部分，恰好在今天变得最值钱。
2024 年行业崩塌的时候，我以为我的职业生涯到头了。现在回头看，那是转场。我从一个靠体力吃饭的土木人，变成了一个靠判断力指挥 AI 做事的人。两个角色之间，没隔着一座山。就是一个人重新看了看自己身上有什么东西，然后把那东西放大了。
如果你也是在一个行业里待了好几年的人，我希望你看完这篇文章之后，试一件事：用 AI 把你最熟悉的一个工作环节自动化。就一个。
你会发现——你这么多年攒下来的东西，在 AI 时代不但不过时，而且是你能拿得出手的最强装备。你只是还没确认这件事而已。
本文信息来源：Hacker News 社区讨论（2026-05-30）、Gartner 2026 战略技术趋势报告、Anthropic 工程趋势报告、Zoho 创始人 Sridhar Vembu 公开发言、Aaron Brethorst 博客。个人经历部分均为作者真实体验。
行动清单
1、挑一件你每天在做的重复劳动——数据处理、文档整理、内容排版，什么都行
2、打开 Claude 或 ChatGPT，告诉它：我是做 XX 的，我每天要干这件事，帮我把它自动化
3、第一版大概率没法用。用你的行业直觉告诉它哪里不对，多说几轮，它能懂
4、关注我，下篇聊怎么把这种能力变成收入
— END —
觉得有用？转发给一个跟你一样「非科班出身但手里有活」的人。
关注我，不错过下一篇：怎么把你会的那些事，变成 AI 时代的付费能力。
AI 辅助创作声明：本文核心观点和个人经历来自作者本人，AI 参与了素材整理和文字润色。
