夜雨聆风
我是一名软件工程师，今年即将迎来职业生涯的第十个年头。我最初以前端工程师的身份入行——彼时前端代码对我来说更容易调试，所以选择了这条路——但很快便转型至后端开发，从此一去不返。
兜兜转转之间，我进入了后端开发领域，并先后就职于金融、记账与支付处理等行业，享有较高的自主权，与产品经理和业务方也建立了坦诚而紧密的合作关系。
我在这一领域积累了大量专业知识，学会了如何为其编写高效的程序：PCI 合规、复式记账、托管账户、对账、支付生命周期、银行转账幂等性……不一而足。
于是我得出结论：专注于成为这一领域的专家，是我在职场上脱颖而出的必由之路——毕竟行业对领域专家的需求正与日俱增。
第一根支柱的崩塌：领域专业知识
去年，我入职了一家深耕金融领域的公司。此前的东家虽然都涉及支付和金融业务，但并非纯粹的金融企业。
这家公司对 AI 的拥抱近乎全情投入——入职第一天，我便拿到了 ChatGPT 和 Claude 的企业账户，并被鼓励将其用于研究、探索乃至编码，不过附有一条告诫：每一行进入生产环境的代码，仍须由我亲自审阅并承担责任。
我接手的首个项目，是重构公司一套混乱不堪的遗留在线支付系统。公司聘用我，部分原因正是看中了我在这一领域的实战经验，并将此重任交付于我。
与此前的雇主不同，这家公司要求我在编码前撰写的"设计文档"能够同时被工程师和产品经理读懂——不求技术深潜，而要呈现架构全貌。我几乎未借助任何 AI 工具便完成了第一份文档（彼时我甚至还以"随机鹦鹉"来称呼 LLM，这一看法如今早已改变），并顺利交付。
我深信自己的知识积累无可取代。
然而，我的经理随后找到我：你的代码产出不错，但这些设计文档的交付周期太长了。你有在用 AI 吗？应该多用用。
"这根本不可能奏效"，我心里这么想，但还是照做了。当时的模型远不如今日，但确实在写作和决策层面带来了可观的效率提升。
随即，我开始意识到一件事：我多年积累的全部知识——各种实现方案的权衡取舍、收单流程的运作机制、如何设计幂等性以防止重复扣款——正在变得无足轻重。即便模型仍需要人工引导，它们已经能够梳理出如何构建这类系统的脉络，而这恰恰是最难啃的硬骨头，通常需要多年一线经验才能在脑海中沉淀成型。这是我第一次真正感到震惊。
不过，我随即给自己找了个台阶：它们之所以能做到这一点，是因为网上有大量关于这些机制的文章和技术文档，也有无数博客讲解如何将这些工具应用于具体领域。人类学习这些需要漫长的时间，但对模型而言，这不过是训练数据而已。
但有一件事，模型永远无法胜任，而那正是人类的用武之地——调试！我在生产环境中积累了丰富的竞争条件与分布式系统调试经验。那是我长期保持竞争力的底牌。
第二根支柱的崩塌：调试与分布式系统
就在 LLM 开始擅长撰写文档、协助规划架构方案之后，它们又在编码上日益精进。这股浪潮始于 2025 年下半年 Claude Code 的爆火，随后 Codex 也随之而来。尽管彼时我已每天使用 LLM 编写单元测试，却仍不愿将完整的业务实现托付给它们。
引入更多 AI 参与编码，成了顺理成章的下一步。说实话，我乐在其中。我热爱将功能推上生产环境、看到用户满意，这份成就感不亚于编码本身——以一种喜欢换另一种喜欢，倒也公平。
LLM 在编码上越来越得力，但调试那些（由它们或人类）留下的烂摊子，仍非其所长。所以我还保有一席之地，角色不止于给机器打下手——那是我的安身立命之本。
一切似乎都还在掌控之中。
然后，MCP、Agentic 工作流与 Claude 4.5 接踵而至，天花板开始崩裂。
坦白说，Claude 4.5 并不算惊艳。给它一个堆栈追踪和若干上下文（大多数情况下，一个开启了 Sentry MCP 的 Sentry 链接就够了），它能解决约 60% 的 bug。偶尔也会给出听起来有理、实则完全偏差的方案。
然而这一次，我不再怀疑机器。我亲眼目睹了那些在过去需要整整一天高强度调试的 bug，被 Claude Code 一击即中。当然，并非全部，但趋势已然明朗。
紧接着，4.6、4.7、GPT 5.5、Opus 4.8，以及 DataDog MCP……如今，我有了能够跨分布式系统一次性定位 bug 的 CLI 工具。那些我过去无能为力的 bug，那些需要两天全力调试的 bug，那些横跨缺乏分布式可观测性的系统之间的 bug，都被它收入囊中。诡异的竞争条件、意料之外的边界情况、第三方集成问题、未文档化的 API 边缘案例……90% 的 bug 现在都能被一击即中。我几乎不需要介入。
当然，我仍然有岗位，因为总需要有人审阅代码、引导机器。但我已沦为一个普通的通用型工程师。我引以为傲的金融与支付领域知识、那些用汗水和泪水换来的调试直觉与分布式系统认知，如今都可以被提示词召唤出来。
我们曾被告知，通才与专才将永远各有其位。然而现在，市场正在将所有人塑造成通才。这本身或许无可厚非，但当你审视供需关系的底层逻辑时便会发现：如果人人皆为通才，而需求又无法跟上供给，通才的价格只会持续下跌。而需求正在萎缩，这是有目共睹的事实。
尚未崩塌的第三根支柱：代码质量与架构
我还剩最后一根支柱：代码质量与软件架构——如今已被简化为一个词："品味"。
职业生涯中，我一直热衷于重构，始终将高质量代码视若珍宝，并在每个迭代周期中为此争取时间。DDD、六边形架构、整洁架构……这些词你耳熟能详。我喜欢探讨这些话题，喜欢分析取舍之道与塑造代码库的不同思路。我是真心热爱这件事。
这是最后一根支柱。只不过，它已无人在乎。
Agent 在维护代码库组织结构方面表现糟糕。如果你不加以引导，它们用不了多久就会陷入循环依赖的泥沼。它们会重复代码，添加多余的注释，将纯函数与副作用混为一谈，对 SOLID 原则视而不见。
照理说，这应该让人类保有存在的价值——但这项技能如今已被"品味"二字一笔带过。而这不仅仅是一次改名，更是一种方向性的转变：整个行业正在迈向一个代码组织不再那么重要的世界。
当然，仍应由人类引导 Agent，以防代码库沦为循环依赖缠绕的意大利面。我们不希望那些牵一发动全身、动则崩溃的 F 级代码库大行其道。但 C 级或 D 级？如今已无人介意。没有人再需要 A 级或 B 级代码库了，因为代码是写给 LLM 读的，不是写给人类读的。
我不想在这件事上争论对错。如果源代码的读者已从人类变为机器，那么面向机器优化，或许本就无可厚非。
但这依然是我专业知识版图中又一块正在剥落的区域。我在这上面倾注的心血——阅读那些书籍，在真实项目中反复打磨，与其他工程师深入探讨，撰写架构决策记录——正在失去其价值。
何去何从？
我目前仍在职，也能预见自己在现公司的近期安全。但对于长远未来，我却茫然无措。
我花了十年（若算上非职业阶段则更长），磨砺那些正在变得越来越不值钱的技能。我最后一根专业支柱已被贬为"品味"，大概也撑不了多久。
而且这绝非我一人的困境。大约八个月前，公司经历了一轮裁员（据说与 AI 无关）。一些才华横溢的前同事因此离开，至今仍在求职。他们大多面临着我所描述的同一困境：领域专业知识已不足以令人脱颖而出。
公司如今再度招聘，而领域熟悉度已不再是有力的差异化筹码。我们曾经发布"软件工程师——某某方向"的职位，如今只剩下"软件工程师"，团队分配在 offer 接受后才会确定。
这对那些从未有机会深耕某一领域的优秀工程师当然是好事，他们如今拥有了更公平的竞争机会。但想到另一批将一生奉献于积累领域知识的优秀工程师，如今不得不与他们同台竞技，仍不免令人唏嘘。
为了维持长期竞争力，我能想到的唯一出路，似乎是将专业方向迁移至 LLM 难以轻易攻克的领域。但还剩什么呢？
我曾想过重返校园，系统学习数学、统计学、高级机器学习，然后去前沿实验室谋求研究职位。但我所在的国家没有前沿实验室，仅有的几家申请者已挤破门槛，而家庭因素也让移居海外困难重重。等到我真正有条件迈出这一步，RSI 或许早已让研究员也步入同样的命运。
也许，是时候考虑将木工爱好变成一门手艺了……
