大家好，我是前端小张同学，最近也是退出了xx银行，来到了一家私企干全栈开发，其实本人也是之前了解过一些java基础的代码编写是没问题的，最近AI编码是发展太快了，特别是 cursor 中 Claude-4.5.sonnet 模型那编码速度和理解能力是杠杠的，但我想和大家讨论，这样子趋势下去，你会焦虑吗？
1.程序员发展的趋势
目前的趋势看来，未来的程序员将会成为:
前端 + 后端 = 全栈
很大概率程序员的数量将会减少 原来 五个人能干的事情 现在 只需要 三个人或者两个人，有了AI的辅助，基础工作真的完全可以省略掉，我依稀记得2022年我写的一套管理系统 一个增删改查页面写的快的话 至少也得半天，前几天我用 cursor 写的 整套 前端加后端 一起 增删改查 也只需要最多两小时。
经历:
前端小张同学 干程序员也有三年多了，今年九月份从上家单位离职，果断从xx金融企业出来，一个是自身因素，另外一个也是因为外界因素毕竟在一个企业呆了三年也差不多了。那我在上家公司主要是负责 干前端，但我来到新的公司 已经成为了 全栈工程师，说说我的感受吧，新公司是一个传统建筑企业公司，目前我是第一个加入研发部门的，你可以理解为公司还没成立研发部，但我为什么还会选择呢？主要出于几个原因
1：自身的发展和学习
2：让AI在工作中进行应用
3：企业的发展方向需要进行转型，希望可以在这个过程中做一些事情。
总结：
我个人认为以后一定会往全栈工程师方向发展，因为前端现在基本上可以被平替掉了，所以各位还在岗的工程师你们需要继续学习了，无论是学习AI 还是 后端语言，这些都是你目前要知道的方向。
2.AI编码的发展
2.1：选择模型
我用AI开发也有一段时间了 给大家推荐几个模型
1: 首选当然是 Claude-4.5.sonnet 😭
2: cursor 自主研发的 composer 1
3: Grok code
4: Kimi K2
2.2：模型的优缺点
个人认为 Claude-4.5.sonnet 是我理想的模型，虽然它很喜欢写文档 😊，每次写一点代码就给你总结一下，但你可以通过 cursor rules 进行规避
Claude-4.5.sonnet
完美，一切都挺好，就是贼喜欢写文档。
composer1
优点：响应速度极快，生成速度达每秒 250 个 token，是同类顶级模型的 4 倍，多数任务可在 30 秒内完成，能契合开发者实时交互需求。
缺点： 复杂架构设计任务能力不足，面对深层系统架构规划、极致性能优化等复杂工作，表现不及 Claude - 4.5 Sonnet 等顶级模型。
Grok Code
优点：性价比高，使用成本低，适合个人开发者长期高频使用，降低日常开发的时间与经济成本。
缺点：复杂逻辑处理能力薄弱，面对多模块联动的大型项目开发、复杂算法设计时，易出现漏洞，感觉不太行
Kimi K2
优点：开源且成本低，遵循 Apache - 2.0 协议，支持自托管与微调，API 输入输出价格低廉，降低企业与开发者的使用门槛。
缺点：不支持多模态和思维模式功能，无法处理图片等非文本内容，对比 Claude - 4.5 Sonnet 存在功能缺失。
3.未来程序员面试的方向
在今年的环境下，我已经感受到，现在已经不像不像以前的面试了，除了那些小外包公司基本上现在面试要么场景题，要么AI使用的怎么样？MCP 根据啥的，就目前看来，以后的面试比如说给你一个场景题，更多的考虑你这个人的想法，以及对这个功能的设计和实现过程，看看你的想法是否满足现在的市场，有没有解决过实际的企业问题，当有问题了再往解决方案去探讨深究，接下来再进行编码方向的问题，大概率会往这个方向发展。
以前的什么 vue的响应式原理 diff算法啥的这些就不要想了，迟早会被淘汰，现在AI看代码比人看代码的速度快得多，所以不要再去纠结学什么技术了，不过我这里的建议是 AI也不是万能的 ，AI只是辅助你开发代码，前提是你要看得懂，不然就会陷入被动了，所以你需要一定的基础再进行。
4.应该如何学习，避免产生焦虑
不知道大家有没有这种感受
1：AI现在啥都能干了，以后怎么办？
大家伙不必焦虑，AI能干的你也能干，AI不能干的你还是能干，昨天了解到一个岗位叫做，善后工程师，大家可以去了解了解，其实就是 AI帮助我们完成了 百分之 80%的工作，还有 20% AI很难做到完美，此时善后工程师就要登场了，结合AI一起完成这百分之20 大家可以努力做善后工程师，哈哈哈。
2：AI一直写代码，这写完自己都不会写代码了怎么办？
核心问题：用 AI 的方式错了
- 直接让 AI 写完整代码，自己只复制粘贴，跳过了 "思考逻辑→拆解问题→调试优化" 的核心过程。
- 长期下来，大脑对代码的 "肌肉记忆" 和 "问题拆解能力" 会退化，就像长期用导航会忘路一样。
调整方案：把 AI 变成 "辅助工具"
- 先自己拆解问题，写伪代码或核心逻辑，再让 AI 补细节。比如先明确 "要实现用户登录，需要验证手机号、密码加密、生成 token"，再让 AI 写具体语法，自己审核调整。
- 用 AI 查 "方法" 而非 "成品"。遇到不会的语法或 API，让 AI 解释 "为什么这么写""有没有替代方案"，而不是直接要完整代码。
- 强制保留 "独立调试" 环节。AI 写的代码大概率有适配问题，必须自己动手改 bug，这个过程能快速唤醒代码感知。
- 定期 "断 AI 练习"。每周 留 1-2 个小需求，完全不用 AI，从 0 到 1 写出来，哪怕写得慢、有 bug，也能巩固基础。
3：AI好像慢慢干的事情越来越多，越来越智能，那岂不是直接失业了？
相信一句话，你的存在必然有你的价值，你只需往前继续前行，其他的将由命运来抉择
AI 更像是推动行业升级的 "催化剂"，而非让人类失业的 "终结者"。与其担心失业，不如主动学习 AI 工具，深耕需要人类独特能力的领域，在变革中找到自己的不可替代性。
我是小张同学，谢谢你的关注。