在AI的大趋势下，程序员这个夕阳行业还能存在几年

在AI大模型趋势下，程序员行业面临效率提升与生存危机并存的挑战，角色转型和技术方向选择成为关键，部分人认为程序员行业将加速萎缩，但也有观点认为“软件工程”将永生，人类将更多地扮演AI的管理者和引导者角色。

1. 关键信息

• (之前已归纳) AI（特别是大语言模型）正快速渗透编程领域，导致程序员减少手写代码，依赖AI进行编码、测试和问题排查。
• (之前已归纳) 这种趋势引发了对程序员行业未来生存空间的担忧，有人将其比作“49年入国军”。
• (之前已归纳) 部分公司管理层已开始考虑“homestead”（自给自足的农场生活）等应对AI冲击的后备方案。
• (之前已归纳) “vibe coding”（不深入理解代码，仅通过AI辅助快速生成）可能导致代码质量下降，使软件业变成“屎山”。
• (之前已归纳) AI生成的代码质量参差不齐，代码审查（Code Review）负担加重，甚至出现了AI审查AI的现象。
• (之前已归纳) 部分公司因AI应用而出现降薪现象，加剧了对行业前景的悲观情绪。
• (之前已归纳) 美国科技公司（如Meta）也存在非AI相关软件工程师（SWE）价值降低而导致的降薪现象。
• (之前已归纳) AI生成代码的比例迅速增加，有用户反映从一个月50%上升到近期一周97%。
• (之前已归纳) 部分程序员反映工作负担加重，需要在多个工作区切换prompt，并处理糟糕的工具链。
• (之前已归纳) 管理层认为程序员不如以前“专研”，倾向于使用AI而非深入阅读原代码。
• (之前已归纳) 用户对“99%的代码不需要审查”表示怀疑，认为AI生成代码出问题时，责任仍由提交PR的人承担。
• (之前已归纳) 部分公司高管已开始在农村购买土地，为AI带来的“大冲击”做准备，与历史上的“跑路”现象类似。
• (之前已归纳) AI生成的代码量大且质量堪忧，导致代码审查耗时且负担重，有人宁愿在家吃福利也不愿处理。
• (之前已归纳) 有用户提出，AI生成的代码如果出现问题，责任应由AI承担，而非人类程序员。
• (之前已归纳) AI生成的代码量大且质量差，可能需要大量人力修复，这反而可能成为job security的来源。
• (之前已归纳) 出现了“AI resistance movement”，如“poison fountain”，旨在让大语言模型“变傻”。
• (之前已归纳) AI生成的代码质量低下，可能导致软件业退化，需要大量程序员在后面修补。
• (之前已归纳) AI带来的“大跃进”式发展，一旦基础设施出现bug，可能导致人类生存危机。
• (之前已归纳) 部分团队仍坚持人工审查代码，并担心AI生成的低质量代码（slop）。
• (之前已归纳) 随着AI生成代码普及，SDE角色可能转变为SDM（协调AI代理并与PM沟通），未来甚至可能取消SDM层。
• (之前已归纳) 在汽车、飞机、硬件等高可靠性行业，AI生成的“vibe code”是不可接受的。
• (之前已归纳) 相较于程序员，那些“工作内容全靠一张嘴”的岗位更容易被AI替代。
• (之前已归纳) 公司高层（director）购买土地为“大冲击”做准备，但他们本身不写代码，可能并不担心。
• (之前已归纳) 项目要求用AI快速写代码，质量可以先不管，只为快速出成果演示。
• (之前已归纳) AI辅助编程反而导致工作更累，因为需要不断修改AI生成的错误代码。
• (之前已归纳) AI生成代码后，管理层对开发速度的期望反而提高了。
• (之前已归纳) AI生成的代码量巨大，导致PR审查难以仔细进行，AI的审查也可能存在疏漏，最终导致代码稀里糊涂地合并。
• (之前已归纳) AI生成代码的“屎山”问题，在硬件发展迅速的情况下可能影响不大，但从竞赛角度看，所有代码都是“屎山”。
• (之前已归纳) AI时代的项目管理能力变得尤为重要，如何让AI写出大型项目而不崩是个学问。
• (之前已归纳) 未来进入编程领域可能需要PhD学位，类似于药厂的招聘门槛。
• (之前已归纳) 即使是强大的AI，也可能陷入死胡同，并且出错后越改越乱。
• (之前已归纳) 程序员需要为AI生成的代码背锅，因为工资是人领的。
• (之前已归纳) AI最容易出成绩且最容易干掉的领域是写代码，这出乎了许多人的意料。
• (之前已归纳) ChatGPT的出现预示了AI在编程领域的优势，因编程语言数据集丰富、验证简单、歧义性低，且是AI研究者熟悉的领域。
• (之前已归纳) AI的强大可能会催生更多个人公司去满足个性化、定制化需求，但大型公司可能会减少。
• (之前已归纳) “软件工程”将永生，因为组织AI完成大型复杂项目比AI独立写代码更难。
• (之前已归纳) AI最终可能掌握软件工程的最佳范式。
• (之前已归纳) AI在编程领域的优势是“明摆着”的，尤其是在ChatGPT出现后，大家逐渐学会了利用AI。
• (之前已归纳) 对于“job security”，学习“vibe coding”是趋势，但AI技术更新迭代快，学习皮毛可能很快过时。
• (之前已归纳) AI Lab的PhD不一定擅长使用AI编程工具，更关注基础模型研究，对软件工程敏感性可能较低。
• (之前已归纳) AI训练编程能力不一定需要使用者会写代码，而是看模型能否判断好坏。
• (之前已归纳) 程序员的开源材料丰富，使得AI更容易训练。
• (之前已归纳) AI可能带来“三年自然灾害”，消灭过剩人口。
• (之前已归纳) TL/TLM/EM（技术负责人/技术项目经理/工程经理）是未来大趋势，具体执行将交给AI，而TL本身一直以来就是“vibe”工作。
• (之前已归纳) 科技公司可以效仿快消公司设立管培生制度，培养TL技能而非纯粹写代码。
• (之前已归纳) AI的发展仍然需要NG（New Graduate）来培养未来的TL/EM。
• (之前已归纳) Systems方向（OS, Database, Network）替代性相对较低，AI写高性能代码有难度。
• (之前已归纳) MLSys（Machine Learning Systems）方向需求大且替代性一般。
• (之前已归纳) Theory方向（理论研究）最不容易被替代，但主要适用于学术界或Quant/MLE岗位。
• (之前已归纳) 计算机体系架构和操作系统方向代码相对较少，且涉及HW in the loop等测试难题，安全性和替代性也相对较低。
• (之前已归纳) 针对性SFT（Supervised Fine-Tuning）可能不需要大量数据就能训练出AI在特定领域的（如体系架构）能力。
• (之前已归纳) Dijkstra关于软件工程“注定失败”的观点，强调了编程本身的固有难度，AI试图降低门槛的局限性。
• (之前已归纳) AI对程序员的冲击速度极快，可能以月为单位计算。
• (之前已归纳) AI对软件工程的冲击引发了对“vibe coding”的讨论，并质疑相关调查数据。
• (之前已归纳) AI对程序员的冲击可能导致manager效率提升，组织结构扁平化，从而减少管理岗位。
• (之前已归纳) AI对程序员的冲击可能引发系统性的经济崩溃，关乎人类生存。
• (新增回复) Prompt engineering目前处于早期阶段，远未达到AI能力的全部潜力，需要高效、直接地“压榨”AI产出，甚至可能需要强硬的沟通风格。
• (新增回复) AI模型在工程应用中存在“out of context”的问题，即无法充分获取项目上下文信息，导致其决策和产出存在偏差。
• (新增回复) Agentic infra（代理基础设施）的落后是制约AI能力发挥的重要因素，一旦完善，即使是现有模型也能显著提升。
• (新增回复) AI生成代码的质量问题依然存在，尤其是在复杂或非标准场景下，需要人工定框架和填坑，且存在具体的技术问题（如变量未初始化），人工排查耗时。
• (新增回复) 基于当前美国经济现状，程序员行业的萎缩速度可能比其他行业更快，未来可能仅需少数特定岗位。
• (新增回复) 未来可能兴起一人工作室，但需要选择大厂不看好、营收不高的细分领域。
• (新增回复) 设想未来人人都是自媒体，产出App，流量分发渠道作用凸显，被视为“共产主义”的实现。
• (新增回复) 用户IlllIIlIIIllIIl对“都会”的定义提出疑问，认为大厂的螺丝钉化限制了个人全面发展，并对“都会”人士的工作地点（如创业）表示好奇。
• (新增回复) AI在漏洞检测、入侵检测、代码分析和自动化安全测试方面的能力远超传统安全人员。但他也指出，系统和安全是不同领域，尤其在嵌入式开发等涉及硬件的场景下，AI打通整个开发流程的成本很高。
• (新增回复) 对不同AI模型的评价：Opus在抠代码细节方面强，但抽象逻辑思考差，且在修复bug方面不如Codex高效；Gemini3在数学关系判定任务上优于Opus。
• (新增回复) 未来范式：AI写AI自己的代码（甚至机器代码），使用者不参与、不懂、不负责，由提供AI工具的部门负责；少数任务中，AI写人能看懂的代码，人负责review并承担责任。他质疑人类的想象力和创造力是否能跟上AI解放的生产力。
• (新增回复) 下一阶段是“AI写代码AI review”，人只负责设定AI review的标准、任务目标和验收标准，人将更多地控制流程本身。
• (新增回复) 有用户认为，人的“破事”永远解决不完，只会越来越多，这需要更多的“AI驯兽师”。
• (新增回复) Jevons paradox（杰文斯悖论）被提及，暗示效率提升可能导致资源（如AI编程工具的使用）总消耗量增加。
• (新增回复) AI能否自主提出需求是未来发展的一个方向，目前已开始尝试让AI模拟用户群体进行点评。
• (新增回复) CS 101 改教 Python 获得一片叫好，暗示了降低编程门槛的趋势，这可能与AI试图降低编程难度有异曲同工之妙，也可能意味着大量“轮子”的出现是为了让不具备深厚编程基础的人也能参与开发。
• (新增回复) Waymo的自动驾驶技术在实际应用中存在需要远程监控的情况，这暗示了即使是高度自动化的技术也需要人工介入，以及AI在复杂场景下的局限性。
• (新增回复) 用户分享了使用 ChatGPT (cc) 辅助 Airflow pipeline 故障排查的经验，指出 AI 定位问题比自己快，但仍需要手动操作。

2. 羊毛/优惠信息

• 无

3. 最新动态

• 无

4. 争议或不同意见

• (之前已归纳) 有用户认为AI辅助编程在复杂问题上仍存在麻烦，并非万能。
• (之前已归纳) 有用户认为AI生成的代码质量堪忧，可能导致软件业整体退化。
• (之前已归纳) 部分用户认为AI生成的代码质量低下，可能需要大量人力修复，这反而增加了工作机会。
• (之前已归纳) 有用户认为AI生成的代码质量差，但责任应由AI承担。
• (之前已归纳) 有用户对AI生成的代码质量表示担忧，认为其可能导致软件基础设施的 মারাত্মক问题。
• (之前已归纳) 有用户认为AI生成的代码质量低下，但其可能反而增加人力修复需求，成为工作保障。
• (之前已归纳) 有观点认为AI的普及可能导致经理（manager）角色被削弱甚至取消。
• (之前已归纳) 有用户认为在对可靠性要求极高的领域（如汽车、航空、硬件），AI生成的代码不可靠。
• (之前已归纳) 有观点认为“靠嘴”工作的岗位比程序员更容易被AI替代。
• (之前已归纳) 高层（director）购买土地为“大冲击”做准备，但他们本身不写代码，因此并不担心。
• (之前已归纳) AI辅助编程反而导致工作更累，因为需要不断修改AI生成的错误代码。
• (之前已归纳) AI生成代码后，管理层对开发速度的期望反而提高了。
• (之前已归纳) AI生成的代码量巨大，导致PR审查难以仔细进行，AI的审查也可能存在疏漏。
• (之前已归纳) AI生成代码的“屎山”问题，在硬件发展迅速的情况下可能影响不大。
• (之前已归纳) AI时代的项目管理能力变得尤为重要。
• (之前已归纳) 未来进入编程领域可能需要PhD学位。
• (之前已归纳) 即使是强大的AI，也可能陷入死胡同，并且出错后越改越乱。
• (之前已归纳) 程序员需要为AI生成的代码背锅是因为工资是人领的。
• (之前已归纳) AI最容易出成绩且最容易干掉的领域是写代码。
• (之前已归纳) ChatGPT的出现早已预示了AI在编程领域的优势。
• (之前已归纳) AI的强大可能会催生更多个人公司去满足个性化、定制化的需求，但大型公司可能会减少。
• (之前已归纳) “软件工程”将永生，因为组织AI完成大型复杂项目比AI独立写代码更难。
• (之前已归纳) AI最终可能掌握软件工程的最佳范式。
• (之前已归纳) AI在编程领域的优势是“明摆着”的，尤其是在ChatGPT出现后，大家逐渐学会了利用AI。
• (之前已归纳) 对于“job security”，学习“vibe coding”是趋势，但AI技术更新迭代快，学习皮毛可能很快过时。
• (之前已归纳) AI Lab的PhD不一定擅长使用AI编程工具，他们更关注基础模型研究，而对软件工程的敏感性可能较低。
• (之前已归纳) AI在编程领域的优势是“明摆着”的，尤其是在ChatGPT出现后，大家逐渐学会了利用AI。
• (之前已归纳) 程序员的开源材料丰富，使得AI更容易训练。
• (之前已归纳) AI可能带来“三年自然灾害”，消灭过剩人口。
• (之前已归纳) TL/TLM/EM（技术负责人/技术项目经理/工程经理）是未来大趋势，具体执行将交给AI，而TL本身一直以来就是“vibe”工作。
• (之前已归纳) 科技公司可以效仿快消公司设立管培生制度，培养TL技能而非纯粹写代码。
• (之前已归纳) AI的发展仍然需要NG（New Graduate）来培养未来的TL/EM。
• (之前已归纳) Systems方向（OS, Database, Network）替代性相对较低，AI写高性能代码有难度。
• (之前已归纳) MLSys（Machine Learning Systems）方向需求大且替代性一般。
• (之前已归纳) Theory方向（理论研究）最不容易被替代，但主要适用于学术界或Quant/MLE岗位。
• (之前已归纳) 计算机体系架构和操作系统方向代码相对较少，且涉及HW in the loop等测试难题，安全性和替代性也相对较低。
• (之前已归纳) 针对性SFT（Supervised Fine-Tuning）可能不需要大量数据就能训练出AI在特定领域的（如体系架构）能力。
• (之前已归纳) Dijkstra关于软件工程“注定失败”的观点，强调了编程本身的固有难度，AI试图降低门槛的局限性。
• (之前已归纳) AI对程序员的冲击速度极快，可能以月为单位计算。
• (之前已归纳) AI对软件工程的冲击引发了对“vibe coding”的讨论，并质疑相关调查数据。
• (之前已归纳) AI对程序员的冲击可能导致manager效率提升，组织结构扁平化，从而减少管理岗位。
• (之前已归纳) AI对程序员的冲击可能引发系统性的经济崩溃，关乎人类生存。
• (新增回复) AI模型在工程应用中存在“out of context”的问题，即无法充分获取项目上下文信息，导致其决策和产出存在偏差，这与旧摘要中AI生成代码质量问题相互印证。
• (新增回复) Agentic infra（代理基础设施）的不足是制约AI能力发挥的关键，其完善将极大提升AI的效能。这为AI在编程领域的进一步发展指明了方向，也暗示了未来可能需要专门的AI基础设施来支持更复杂的编程任务。
• (新增回复) 与AI模型沟通需要高效、直接的方式，甚至可能需要“打是亲骂是爱”的沟通风格来最大化其产出，这与旧摘要中关于程序员工作负担加重，需要不断切换prompt的描述相呼应，强调了与AI协作的技巧性。
• (新增回复) AI生成代码的质量问题依然存在，尤其是在复杂或非标准场景下，需要人工进行框架搭建和错误修复，耗时且费力，这与旧摘要中关于“屎山”代码和代码审查负担加重的担忧一致。
• (新增回复) 基于当前美国经济现状，程序员行业的萎缩速度可能比其他行业更快，未来可能仅需少数特定岗位，这呼应了旧摘要中关于降薪和行业前景悲观的讨论。
• (新增回复) 探讨了未来一人工作室的可能性，但强调需选择大厂忽视的细分领域，这与旧摘要中AI可能催生更多个人公司但大型公司可能减少的观点形成补充。
• (新增回复) 预测未来可能出现“人人都是自媒体”的趋势，通过App产出内容，流量分发成为关键，这为程序员的未来发展提供了新的视角。
• (新增回复) 对“都会”的定义提出质疑，认为大厂的螺丝钉化限制了个人全面发展，并对“都会”人士的工作地点（如创业）表示好奇，这反映了对传统职业发展路径的思考。
• (新增回复) AI在安全领域的应用（如漏洞检测）被认为远超传统安全人员，但涉及硬件的开发流程AI打通成本高，这为程序员在特定领域（如嵌入式开发）提供了相对安全的避风港。
• (新增回复) 不同AI模型在代码细节、逻辑思考、bug修复和数学判定等方面表现各异，Codex在bug修复上优于Opus，Gemini3在数学判定上优于Opus，这为程序员选择和使用AI工具提供了参考。
• (新增回复) 未来可能出现AI写AI代码，人只负责设定标准和目标，人更多地控制流程的范式，这与旧摘要中关于SDE转变为SDM，甚至取消SDM层的设想相呼应，预示着人类角色的转变。
• (新增回复) AI生成代码的“review”形式可能改变，不再是为保证质量而设计给人的流程，而是机器采用更优化的方式进行交叉检查，这进一步强调了AI在软件开发流程中的自动化和潜力。
• (新增回复) 有用户认为，人类总会产生新的问题，这需要更多的人来充当“AI驯兽师”，这为程序员的未来角色提供了新的定义，即成为AI的管理者和引导者。
• (新增回复) Jevons paradox（杰文斯悖论）被提及，暗示效率提升可能导致资源（如AI编程工具的使用）总消耗量增加，这为理解AI对程序员工作量的影响提供了经济学理论视角。
• (新增回复) AI能否自主提出需求是未来发展的一个方向，目前已开始尝试让AI模拟用户角色进行点评，这为AI在软件开发生命周期中的应用拓展了新的可能性。
• (新增回复) CS 101 改教 Python 获得一片叫好，暗示了降低编程门槛的趋势，这可能与AI试图降低编程难度有异曲同工之妙，也可能意味着大量“轮子”的出现是为了让不具备深厚编程基础的人也能参与开发。
• (新增回复) Waymo等自动驾驶技术在实际应用中仍需远程监控，表明即使是高度自动化的技术也需要人工介入，AI在复杂场景下仍有局限性。
• (新增回复) 用户分享了使用 ChatGPT (cc) 辅助 Airflow pipeline 故障排查的经验，AI 定位问题比自己快，但仍需要手动操作。
• (新增回复) 不排除是故意不去推动AI完全打通，因为一旦打通，领导层可能面临被取代的风险。

5. 行动建议

• (之前已归纳) 关注Systems、MLSys、Theory方向，或计算机体系架构、操作系统等替代性较低的领域。
• (之前已归纳) 提升项目管理能力，学习如何组织AI完成大型复杂项目。
• (之前已归纳) 考虑向TL/TLM/EM等管理或协调角色转型，而非纯粹的编码者。
• (之前已归纳) 学习AI工具的使用，掌握prompt engineering，提高工作效率。
• (之前已归纳) 警惕“vibe coding”的陷阱，避免过度依赖AI而忽视代码质量和深入理解。
• (之前已归纳) 关注AI发展对行业的影响，为可能的“大冲击”做好准备。
• (新增回复) 程序员应积极探索和试验各种AI编程工具，并学习如何有效与AI模型沟通（prompt engineering），以提升工作效率和产出，甚至可能需要“打是亲骂是爱”的沟通风格来压榨AI的产出。
• (新增回复) 对于希望在AI时代保持竞争力的程序员，建议关注构建系统、架构设计等更高级的技能，或者在AI不擅长或大厂不看好的细分领域寻找机会，例如一人工作室，同时要警惕AI生成代码的质量问题，需要人工定框架和填坑，并高效排查错误。
• (新增回复) 关注美国经济现状，并为程序员行业可能面临的快速萎缩做好准备，考虑在细分领域建立一人工作室以实现“一人吃饱全家不饿”的状态，并探索未来“人人都是自媒体”的趋势，可能转向App产出。
• (新增回复) 针对AI在安全领域的应用，建议关注涉及硬件的开发流程，以及不同AI模型在代码细节、逻辑思考、bug修复等方面的差异，以便更好地利用AI工具。
• (新增回复) 思考未来AI主导的开发范式，如“AI写代码AI review”，并为向流程控制者转型做好准备。
• (新增回复) 认识到人类解决问题的能力是持续的，且会不断产生新的问题，因此需要培养“AI驯兽师”的角色，以应对AI带来的挑战。
• (新增回复) 关注Jevons paradox（杰文斯悖论）对AI编程工具使用量可能增加的影响，并思考如何高效利用AI以避免过度依赖。
• (新增回复) 积极探索AI自主提出需求的可能性，并尝试让AI模拟用户角色进行点评，以期在未来AI驱动的开发流程中占据有利位置。
• (新增回复) 关注编程语言教学（如Python）的趋势，理解降低编程门槛可能带来的影响，并思考AI在其中扮演的角色。
• (新增回复) 关注自动驾驶等前沿技术在实际应用中对AI局限性的揭示，认识到即使是AI也需要人工的辅助和监控。
• (新增回复) 程序员应积极尝试使用AI工具（如ChatGPT）进行故障排查和问题定位，以提高效率，但同时要认识到AI仍需人工介入和操作。
• (新增回复) 领导层或管理层可能出于自身利益考虑，故意延缓AI在编程领域的深度整合，以避免自身被取代。