目录
-
- 前言
- [1. 能力权重的重新洗牌](#1. 能力权重的重新洗牌)
-
- [1.1 在下降的能力：语法记忆](#1.1 在下降的能力：语法记忆)
- [1.2 在上升的能力：Prompt、上下文、评估、安全](#1.2 在上升的能力：Prompt、上下文、评估、安全)
- [1.3 不变的能力：算法、架构、调试](#1.3 不变的能力：算法、架构、调试)
- [2. 4 项新增的核心能力详解](#2. 4 项新增的核心能力详解)
-
- [2.1 Prompt 工程：写 prompt 也是写代码](#2.1 Prompt 工程：写 prompt 也是写代码)
- [2.2 上下文管理：给 AI 一份"项目入职手册"](#2.2 上下文管理：给 AI 一份"项目入职手册")
- [2.3 结果评估：你必须比 AI 更懂"对不对"](#2.3 结果评估：你必须比 AI 更懂"对不对")
- [2.4 安全意识：踩过坑的人才懂](#2.4 安全意识：踩过坑的人才懂)
- [3. "领域知识 + AI + 工程"的三角护城河](#3. "领域知识 + AI + 工程"的三角护城河)
-
- [3.1 领域知识：你的"独门武器"](#3.1 领域知识：你的"独门武器")
- [3.2 AI 能力：你的"放大器"](#3.2 AI 能力：你的"放大器")
- [3.3 工程能力：你的"底盘"](#3.3 工程能力：你的"底盘")
- [4. 给开发者的 6 条成长建议](#4. 给开发者的 6 条成长建议)
- [5. 未来 3-5 年的趋势判断](#5. 未来 3-5 年的趋势判断)
-
- [5.1 工具平民化：AI 编程的"上手成本"会越来越低](#5.1 工具平民化：AI 编程的"上手成本"会越来越低)
- [5.2 Agent 吃掉流程：越来越多的"中间环节"会被 AI 自动化](#5.2 Agent 吃掉流程：越来越多的"中间环节"会被 AI 自动化)
- [5.3 跨学科溢价：既懂技术又懂业务的人越来越值钱](#5.3 跨学科溢价：既懂技术又懂业务的人越来越值钱)
- 参考资料
前言
先讲一个我亲眼见过的事。
2025 年底，一家中型公司的技术总监让我帮忙看他们的团队配置。前端组 8 个人，平均 6 年经验，组里没人用 AI。原因是"AI 写的前端代码我们看不上，不如自己写"。半年后我再去，这 8 个人里的 5 个已经被裁了，剩下 3 个合并到了别的组------他们用了 AI，效率是原来 8 个人的 1.5 倍。
不是他们不够努力。是他们对"程序员核心能力"的理解，还停留在 2019 年。
这件事让我越来越确信一件事：AI 时代，程序员的能力模型正在被重新洗牌。有些能力在贬值，有些能力在升值，有些能力仍然是"地板"。搞不清楚这个变化的人，会像那 5 个前端一样，被时代悄悄抛下。
这篇文章覆盖 5 个维度：1）哪些能力在贬值/升值/不变 2）4 项新增核心能力详解 3）"领域知识 + AI + 工程"三角护城河 4）给开发者的 6 条成长建议 5）未来 3-5 年的趋势判断。适合所有正在用 AI 写代码、或正在思考"我未来 5 年靠什么立足"的工程师。
1. 能力权重的重新洗牌
如果把"做一个软件项目"所需的能力列出来，会发现 AI 出现前后，每一项的权重都在悄悄变化。变化的不是能力本身，而是能力的"相对价值"------同样是"会写代码"，5 年前值 80 分，现在只值 30 分，因为后半段被 AI 拿走了。
1.1 在下降的能力：语法记忆
5 年前，衡量一个程序员的硬指标是"你记不记得住 API"。jQuery 的 $.ajax 参数顺序、Java 8 的 Stream API 怎么写、Python 的 *args 和 **kwargs 怎么区分------这些"语法肌肉记忆"曾经是面试必考、工作中常用。
现在？这些能力几乎归零了。你只要在 IDE 里装一个 Copilot，IDE 自己会补全；你忘了某个 API，问 AI 一秒就有答案；甚至你看不懂别人的代码，直接丢给 AI 解读。"记忆语法"不再是竞争力，就像"会查字典"从来不是作家的核心竞争力。
更进一步，"会查文档"这个能力也在贬值 。以前我们说"一个好的工程师要会读官方文档"，现在 AI 已经把官方文档读完了，你问它就行。真正还值钱的，是"知道该问什么、该往哪个方向查"------也就是问题定义能力。这和"会查字典"是完全不同的事。
1.2 在上升的能力：Prompt、上下文、评估、安全
AI 越强，人越需要"和 AI 高效协作"的能力。具体来说有四项：
第一是 Prompt 工程。能不能用清晰、具体、有约束的方式描述需求，直接决定 AI 输出的质量。好的 prompt 不是"我想要个登录页"，而是"用 React + Tailwind 实现一个响应式登录页，支持邮箱密码登录，登录失败时显示具体错误，提交时禁用按钮，后端走 /api/auth/login，保留 OAuth 扩展点"。两者输出质量天差地别。
第二是 上下文管理。能不能把项目背景、代码约定、历史决策组织好，放进 CLAUDE.md、AGENTS.md 这类文件里，让 AI"一次就懂"。这本质上是"知识管理"能力------把团队或个人脑子里的隐性经验，变成 AI 可读、可复用的显性文档。
第三是 结果评估。能不能快速判断 AI 的输出"对不对、好不好、有没有坑"，这是 AI 替代不了的核心。AI 输出的代码看起来都对，但"看起来对"和"真的对"之间隔着工程师的专业判断。
第四是 安全意识。能不能识别 AI 输出里的高危模式（SQL 注入、密钥硬编码、并发竞争、未授权访问），这是 review 能力的核心。AI 写代码很快，但"无意识地复制老代码里的安全漏洞"是它最大的隐患。
这四项能力，5 年前在程序员的能力清单里几乎不存在；5 年后，它们将占据至少 40% 的权重。换句话说，一个 2025 年的顶级工程师，能力画像和 2019 年完全不是同一种"物种"。
1.3 不变的能力：算法、架构、调试
有一类能力，AI 出现 5 年、10 年、20 年，都不会被替代------底层的"工程内功"：
算法与数据结构。什么场景用哈希、什么场景用 B+ 树、为什么这个排序更优------这是对"计算本质"的理解，AI 只是工具。一个工程师如果能在"为什么要用红黑树而不是 AVL"这种问题上讲出取舍理由，他的价值就远超"会调用现成 API"。
系统架构 。如何拆分微服务、如何设计数据一致性、如何权衡 CAP、如何做服务降级和熔断------这是"工程审美"和"取舍智慧"。AI 能给你 10 种方案，但它替你做不了"这个项目最适合哪种"的判断。这种判断需要对业务、对团队、对成本的综合理解。
复杂调试 。线上服务出问题、内存泄漏、并发死锁、诡异的 race condition------这些"只有人才能拍脑袋想通"的事，AI 还差得远。调试的本质是"在大量噪声里找到那根关键的线头"，这需要经验、直觉、和对系统的整体理解。
课程材料里有句话讲得很到位："模型能力是地板，配置质量才是天花板。"同样的话可以换种说法：算法和架构能力是地板，Prompt 和上下文能力才是天花板。两者缺一，但天花板决定了你飞多高。
2. 4 项新增的核心能力详解
新能力的崛起不是一句空话。每一项都有具体的训练方法和评判标准。下面逐项拆解。
2.1 Prompt 工程：写 prompt 也是写代码
5 年前我们写代码，5 年后我们"写 prompt"------告诉 AI 做什么、怎么做、做到什么程度。Prompt 已经是 AI 时代程序员的"母语"，它的重要性等同于 2010 年代的 Java/Python。
好的 prompt 有 5 个要素：明确的目标（不要"做个登录"，要"用 React + Tailwind 实现响应式登录页"）、清晰的约束（技术栈、性能要求、安全规范）、可验证的交付物（"返回完整可运行代码 + 一段自测说明"）、边界情况的处理（"用户输入空字符串时如何提示"）、可扩展的接口（"保留 OAuth 扩展点"）。
训练方法很简单：每次和 AI 协作完，回看 prompt 反思"哪句话没说清楚导致返工" 。三个月下来，prompt 质量会有质的提升。这个能力没有捷径，全靠刻意练习。
2.2 上下文管理：给 AI 一份"项目入职手册"
课程材料里反复强调一个概念：CLAUDE.md。这就是"给 AI 的入职手册" ------告诉它项目背景、技术栈、编码规范、踩过的坑、不能碰的禁区。一个维护得好的 CLAUDE.md，等于把团队的隐性知识全部"产品化"了。
课程材料里给了一个非常精辟的实践原则："每被 Claude 坑一次，立刻加一条到 CLAUDE.md。"三个月下来，这个文件就成了"这个项目 Claude 犯过的所有错误的预防清单"。它是一个活的文档，会随着项目一起成长。
上下文管理能力，本质上是"知识管理"能力------把隐性的经验变成显性的文档，让 AI 复用。这项能力在团队里尤其值钱，一个 10 人团队如果能维护好共享的 CLAUDE.md 和 Skills，效率提升是质变级的。新成员入职不再需要师傅手把手带三个月，看 CLAUDE.md 一周就能上手。
2.3 结果评估：你必须比 AI 更懂"对不对"
AI 输出的代码看起来都对，但"看起来对"和"真的对"之间隔着工程师的专业判断。结果评估能力有四个维度：
正确性评估 。这段代码在边界条件下还成立吗？输入 null 会怎样？并发调用会怎样？网络超时怎么处理？AI 写代码的"默认正确性"是 80%，剩下 20% 全在边界条件里------而生产事故的 90% 都来自这 20%。
安全性评估。有没有 OWASP Top 10 那些高危模式？SQL 注入、XSS、未授权访问、敏感信息泄露？AI 训练数据里充满了有 bug 的老代码，它"学"到的安全实践并不总是最新的。
业务匹配度评估。它实现的是不是真的符合我们的业务规则？有没有误解需求？比如你让它做"扣库存"，它可能只做了"减库存数"，没考虑"预占库存"和"释放库存"的业务逻辑。
可维护性评估 。半年后我自己回来看，能不能快速看懂？变量命名是否清晰？有没有过度抽象？AI 倾向于写"看起来聪明"的代码，工程师要学会"拒绝聪明、追求清晰"。
课程材料里的代码审查模板给出了 4 个维度：安全性、错误处理、性能、代码质量。这些维度的具体评估动作，必须由人来做，AI 自己审查自己永远有盲区。
2.4 安全意识：踩过坑的人才懂
AI 写代码很快，但"无意识地复制老代码里的安全漏洞"是它最大的隐患。课程材料里的 OWASP Top 10 检查清单、团队安全编码规范、security-audit skill，都是为了解决这个问题的。
安全意识的训练靠积累 ：每读一份 AI 写的代码，都问一句"这里有没有可能被攻击"；每接一个第三方库，都问一句"这个库还在维护吗？有没有已知 CVE"；每设计一个 API，都问一句"这个接口要不要鉴权、要不要限流、要不要审计日志"。这种"怀疑一切"的习惯，5 年前是高级工程师的标志，5 年后是所有工程师的入门要求。
更进阶的能力是威胁建模 ------在设计阶段就考虑"哪些地方会被攻击、攻击成本多高、被攻破后影响多大"。AI 在这一步几乎帮不上忙，它不会主动问你"如果用户改 URL 参数怎么办"------这种"主动找茬"的能力，必须靠人。
3. "领域知识 + AI + 工程"的三角护城河
如果你问一个 AI 时代最值钱的工程师长什么样，我的答案是：有自己独特领域知识、能把 AI 用到极致、工程基本功扎实。三者缺一不可，少任何一个都会被淘汰。
3.1 领域知识：你的"独门武器"
同样是用 AI 写代码，一个懂金融的工程师 和不懂金融的工程师，产出的质量完全不同。前者知道交易对账、知道监管报送、知道风控规则，AI 写出来的代码能直接用；后者写的代码虽然技术正确，但完全不符合业务，根本不能上。
领域知识是 AI 替代不了的东西 ，因为它不在公开的训练数据里，而在某个行业、某家公司、某条业务线里。你在一个领域深耕 5 年，这种"隐性知识"的积累，就是你和别人的差距。AI 可以读 1000 本金融教材，但它替代不了你在某家银行做过 3 年核心系统的经验。
领域知识的另一层价值是判断 AI 输出的"业务合理性" 。同样是写一个"订单状态机"，懂电商的人能立刻看出 AI 漏掉了"已发货但未签收"的中间态，不懂的人可能觉得"代码跑通了就行"。这种业务层面的"专业嗅觉"，是 AI 时代最值钱的软技能。
3.2 AI 能力：你的"放大器"
同样是有领域知识，一个会指挥 AI 的工程师 和不会的工程师，效率差 3-5 倍。会指挥 AI 的人，让 AI 干 80% 的实现工作，自己只做架构设计、关键决策和质量 review；不会的人，把 AI 当"高级搜索框"用，产出的还是自己一行行写的代码，效率提升有限。
会用 AI 的关键，是知道"什么时候不用 AI" 。有些场景 AI 帮不了你：高度创新的算法设计、复杂的架构决策、需要和团队深度对齐的方案------这些场景下，强行用 AI 反而会拖慢节奏。真正的高手是"AI 友好型"任务全交给 AI，"AI 不友好"任务自己干，两者无缝切换。
3.3 工程能力：你的"底盘"
没有工程基本功，前面两个都是空中楼阁。AI 写出来的代码，最终还是要在工程框架里运行------你得懂测试、懂 CI/CD、懂性能调优、懂代码 review、懂团队协作。这些"软件工程"的核心能力，5 年后仍然不会贬值。
具体来说，工程能力包含三个层面 ：第一是"代码质量层"，包括单元测试覆盖率、code review 严格度、CI 流水线设计；第二是"系统可靠性层"，包括监控告警、灰度发布、灾备切换；第三是"团队协作层"，包括 Git 工作流、文档规范、知识共享机制。这三层是 AI 时代的"基础设施"------AI 写得再快，工程能力不行，代码上线就崩。
三者形成稳定的三角 ：领域知识给你方向，AI 给你速度，工程能力给你质量 。这是 5 年后最值钱的工程师画像。三者中任何一个薄弱，都会让另外两个打折扣------领域知识强但不会用 AI，效率太低；会用 AI 但不懂工程，代码质量差；工程扎实但没领域知识，只能做通用项目。
4. 给开发者的 6 条成长建议
理论说完，落地到行动。我给想在 AI 时代保持竞争力的人，6 条具体建议。
第一条，立刻动手做真实项目，不要只读文档 。看 100 篇 AI 教程，不如亲手做一个真实项目。真实项目才会暴露你能力的真实短板------你会发现自己在某个框架上根本不熟、在某个业务逻辑上完全不懂、在某个工程环节上从来没做过。
第二条，用真实项目倒逼学习 。做项目遇到不会的，再去查文档、看视频、问人。这是最高效的学习路径------你不会忘掉，因为马上要用；你不会浅尝辄止，因为项目逼着你深入。
第三条，打好"工程基本功" 。数据结构、算法、网络协议、操作系统、数据库、设计模式------这些"基础课"5 年后不会过时。AI 再强，它替代不了你对"计算本质"的理解。LeetCode 还是要刷，但不是为了面试，而是为了"理解问题的本质"。
第四条，把 AI 当同事，练 Prompt 工程 。每次和 AI 协作，都有意识地问自己：我这次的 prompt 够清楚吗？有没有更简洁的描述？有没有遗漏约束？Prompt 是 AI 时代程序员最重要的"编程语言"，值得花时间系统学习。
第五条，保持好奇，跟踪前沿 。AI 工具迭代非常快，3 个月不关注就可能错过一波新特性。保持好奇、定期看更新日志、试用新工具 ，这是避免被淘汰的"软性能力"。但不要追新到忘了"工程内功"------基础不牢，新工具也用不出价值。
第六条，在 1-2 个领域深耕 。"什么都懂一点"的广度优先路径，在 AI 时代是危险的 ------AI 的"广度"比你强一万倍。你的护城河是"在某个领域，比 AI 更懂"。选 1-2 个你喜欢的行业，扎下去。5 年后，你会比"什么都懂一点"的同行值钱 3-5 倍。
5. 未来 3-5 年的趋势判断
最后讲 3 个我认为大概率会发生的变化。
5.1 工具平民化：AI 编程的"上手成本"会越来越低
课程材料里提过，Cursor 把"AI 写代码"做成了"改 Figma"一样简单的操作。3-5 年后，可能小学生都能用 AI 写一个完整的 APP 。这意味着"会用 AI 写代码"不再是稀缺技能------"用 AI 写出有商业价值的高质量代码"才是。
工具平民化的另一面是**"基础岗位"会快速消失**。CRUD 工程师、初级前端、初级测试------这些 5 年前的"入门岗位"，未来 3-5 年会被 AI 大规模替代。取而代之的岗位是"AI 协作型工程师"和"领域专家型工程师"，两者都需要 5 年以上的积累。
5.2 Agent 吃掉流程：越来越多的"中间环节"会被 AI 自动化
CRUD 代码、单元测试、CI/CD 配置、文档生成------这些"流程性"的工作，正在被 AI 大规模替代。未来 3-5 年，程序员的日常工作里，这类任务的比例会从 60% 降到 20% 以下。节省出来的时间，会流向"架构设计、业务理解、跨团队协作"这类高价值工作。
这意味着程序员的"日常"会变 。以前一天写 200 行代码是常态，未来一天写 200 行反而是低效------因为你花了 80% 时间在"机械实现"上。未来的高效工程师一天可能只写 20 行代码，但每一行都是关键决策。其余的 180 行让 AI 干。
5.3 跨学科溢价：既懂技术又懂业务的人越来越值钱
单一技能的工程师越来越"可替代"------纯前端、纯后端、纯算法，这些岗位的需求都在萎缩。既懂技术又懂金融、懂医疗、懂教育、懂制造业的"两栖工程师"，薪酬溢价会越来越明显。本质上，领域知识 + 技术能力形成的复合优势，AI 短期内啃不动。
"跨学科"不是让你"多学一门课" ，而是让你"在一个行业里深耕 3-5 年"。你不需要成为金融专家，但你需要懂"金融系统的核心痛点"------比如对账、监管报送、风控建模。这些知识在公开数据里很少，但在一个行业里待 3 年，自然就懂了。
AI 不会让你失业，但会用 AI 的同事会让你失业。
这句话听起来残酷，但它是这个时代最真实的写照。工具在变、能力在变、岗位在变，唯一不变的是"持续学习"本身。与其焦虑"AI 会不会替代我"，不如问自己一个问题：今天的我，比昨天的我多会了什么？
参考资料
- 课程材料：B 站《AI 编程系列》视频 --- https://www.bilibili.com/video/BV1RPET6tEp2
- Anthropic Claude 官方介绍 --- https://claude.ai/
- OWASP Top 10 --- https://owasp.org/www-project-top-ten/
- 《Lost in the Middle》论文（长上下文模型限制研究）--- https://arxiv.org/abs/2307.03172
- 阿里 Qoder 专家团模式（多 Agent 协作案例）--- https://qoder.com/