AI时代，程序员拼的到底是什么

一个反常的现象最近跟几个做技术管理的朋友聊招聘听到一个共同的说法面试里手写算法默写API这类环节权重在明显下降。不是不考了是考了也测不出太多东西——Vibe Coding 普及之后一个初级工程师借助 AI也能在半小时内写出过去需要三五年经验才能写顺手的代码。语法熟练度、样板代码的编写速度、对某个框架 API 的记忆量这些曾经用来区分生手和熟手的硬指标正在被 AI 大规模拉平。于是一个问题浮出水面如果写代码本身不再稀缺那招聘和考核到底在筛选什么变了的那些可以被外化、被标准化的能力先说清楚哪些东西真的贬值了。变量怎么声明、某个方法参数顺序是什么AI 张口就来不需要人记。一个 CRUD 模块、一个基础组件AI 十分钟能出一版可用的初稿。不需要啃一周文档才敢动手边写边问 AI上手成本被大幅压低。这些能力有个共同点它们是可以被清晰描述、可以被大量语料学习的显性知识。AI 的本质是对显性知识的压缩和复用所以这部分能力最先被替代也最先贬值这符合预期不意外。没变的甚至更值钱了的软素质真正有意思的是另一半——那些从来没写进技能清单却决定一个工程师上限的东西非但没贬值反而因为门槛降低、人人都能写代码变得更加稀缺、更容易被看见。提问题的能力比写代码的能力更重要AI 能回答问题但不会替你判断这问题问得对不对。业务方说帮我做个审批流程这句话本身就是一个模糊的、需要拆解的问题审批链路能不能加签能不能撤回超时怎么处理这些边界条件不问清楚AI 只会顺着你给的模糊描述生成一个同样模糊、同样有漏洞的方案。会提问的人才是真正在解决问题不会提问的人只是在把 AI 的产出物原样转发。判断力知道 AI 什么时候是对的什么时候是错的AI 生成的方案里语法层面几乎不会出错但架构层面的坑一个不少并发场景下的竞态、分布式事务的一致性、边界情况的遗漏——这些恰恰是 AI 最容易自信地说错的地方。能不能一眼看出方案里藏着的风险靠的是踩过坑积累下来的判断力这东西没法从训练语料里长出来只能从真实的失败里长出来。系统思维看得见代码之外的东西一段代码写得对不对AI 能判断这段代码放进整个系统里会不会成为半年后拖垮性能的那个瓶颈、会不会和另一个模块产生耦合、会不会在极端流量下崩掉——这是系统思维是把局部正确性和全局健壮性联系起来看问题的能力。AI 目前只对着你给的那一小段上下文负责系统级的责任始终落在人身上。沟通表达把复杂的东西讲清楚不管是给 AI 下指令还是给同事讲方案本质都是同一种能力——能不能把一个复杂问题拆解成对方不管是人还是 AI能听懂、能执行的清晰描述。表达含糊的人得到的产出也会含糊这个规律在 AI 面前依然成立甚至因为反馈周期变短被放大了。责任心愿不愿意为产出兜底AI 生成代码很快但代码上线出了问题兜底的还是人。愿不愿意在提交前多看一眼、愿不愿意为一个看似能跑但经不起推敲的方案说不这是态度问题不是能力问题也是招聘里最难考、却最决定长期上限的一项。为什么会这样一次技能的重新定价这背后其实是一次朴素的重新定价AI 把可复制的能力批量复制了那么在总的价值分配里不可复制的能力占比自然就上升了。这不是说技术能力不重要了——恰恰相反判断力、系统思维这些软素质本质上仍然是建立在扎实技术功底之上的只是它们从隐性技能变成了显性稀缺项从加分项变成了硬通货。给程序员的启示如果你也在纠结要不要花时间卷框架、卷新工具这里有个更值得投入的方向多花时间在复盘上而不只是完成任务——踩过的坑、做错的判断才是训练判断力的原材料AI 替代不了这一步。刻意练习把需求讲清楚无论是写 prompt 还是写文档这是同一种能力的两种表现形式。主动承担系统级的责任不只是把自己的模块写对多问一句这东西放到整个系统里会怎样。AI 拉平了写代码这件事的门槛但恰恰是这种拉平让那些一直没变的东西第一次变得清晰可见。有想进「编程一生」用户交流群的朋友吗