程序员会不会被 AI 取代，这个问题被反复问了好几年。真到了日常的工作里，被替掉的是一部分任务：样板代码、重复修复、机械实现。审查、验收和判断留了下来，它们的成本并没有下降。
软件工程攒了几十年的实践，比如完整的回归测试、跟随代码演进的文档、清晰的模块边界和性能基准，一直没有真正普及。它们对人力的消耗太大，有交付压力时总是先被砍掉。AI 把执行成本降下来之后，这些实践第一次变得划算。
1. AI 没有取代程序员，重排了他们的工作
Anthropic 基础设施团队的体验是，AI 能快速生成 PR，但 RPC、内存、故障回滚这类关键路径仍然要人来看。模型犯小错也很常见：Spec 里写了十条，它可能漏掉一两条。人工审查不是旧习惯，而是安全底线。
时间的去向也变了。过去要两周才能手写完的任务，现在一小时内就能生成十几个 PR，但工程师还要花几天分批阅读、跑测试、改掉不合适的地方。「一小时抵两周」只对生成环节成立，交付仍然卡在判断和验证上。原型的收益更明显：一个想法以前要申请一个月的验证时间，现在可以先做原型，一两周就能看出方向能不能走。
真正扩大的还有工作范围。这位工程师说，原来三个人维护的领域，现在他用一半时间就能覆盖，零散知识交给 AI 补齐，自己抓住方向和边界。他开始同时理解产品、设计、策略和技术方案，成为一个更全面的工程师。价值点也跟着上移：知道该做什么、能提出 Roadmap 的人变得更稀缺，只会把手写代码当成全部能力的人，议价空间在变小。
协作方式也在变。AI 能先替人解释别人的领域和问题，长会因此减少，很多对齐转到异步消息里。沟通的总量没有消失，只是重心从会议记录转向可检索的上下文。
所以更准确的说法是任务替代。Stack Overflow 2025 年调查显示，84% 的受访者正在用或计划用 AI 工具，51% 的职业开发者每天使用。同时，46% 的人不信任 AI 输出的准确性，只有 33% 信任，高度信任只有 3%。66% 的开发者被「差不多但不对」的答案困扰，45% 觉得调试 AI 生成的代码更费时。这些数据指向同一个结论：AI 已经进入日常，验收权还在人手里。
市场情绪也在回落。Anthropic 的年化收入从 2026 年 2 月的 140 亿美元涨到 4 月的 300 亿，7 月底到 650 亿，绝对值还在涨，但增速从年初的每月翻倍降到约 17%。Simon Willison 在复盘 2026 年时写道，模型接管了容易的事，剩下的全是难的。年初那种「程序员要被取代了」的推文少了，讨论转向怎么审查 Agent 代码、怎么控制 Token 开销、怎么划授权边界。议题从「会不会被替代」变成了「怎么用好」。
2. 写代码变便宜，判断没有
Tison 在《When Code Is Cheap》里的判断更直接：只有模型能力覆盖了日常工作的基线，生产力才会井喷。他自己已经进入这个状态，但前提说得很清楚，模型得先达到这条基线。到了这一步，核心竞争力是两件事：把愿望说清楚，以及构建出愿望的落地路径。
他有选择地「不看代码」。有充分回归测试、范围清楚的代码，重构时只看测试快照就够了。需求还模糊的产品，靠端到端体验验证。但核心设计、并发原语、错误格式这类关键决策，他仍然读代码，必要时自己动手改。所以「不看代码」不是放弃审查，而是把审查的负担转移给测试和明确的验收边界。
他自己的项目也支持这个判断。他重写过一个几千行的工具，用超过 100 次对话和 155 次提交推进。省下来的手写时间没有变成休息，而是用去确认范围、审查入口契约、重命名模块和补集成测试。规模变大以后，协作文档、清晰命名和可读性反而成了更贵的投入。
他在 2026 年 9 月的《代码上道》里进一步说明了人的位置：AI 不能承担生产事故的责任，Code Owner 必须理解并重构 AI 生成的代码，才能对交付负责。他的做法是把设计固化成 IaC、项目结构、AGENTS.md、标准操作流程和运维日志，再授权 Agent 执行。连开源协作也要换假设：默认 PR 里有 AI 参与，维护者合并代码，就等于接下了责任。
这些做法和「软件工程实践变得更容易落地」是同一件事。他在 4 月的《Agentic Coding 的边界》里就指出，领域语言、模块边界和活文档能提高上下文的密度，同时提醒 AI 会放大滥用，过度抽象和无意义的测试覆盖率都要警惕。到 9 月，他的说法从「提示词像软工实践」变成了「项目结构和 SOP 本身就是提示词」，立场更冷静，也更可执行。
3. 初级人才需要新入口，不是更少的入口
初级岗位确实在承压。SignalFire 2025 年的报告估计，大厂新毕业生占招聘的比例降到了 7%，比 2019 年低了一半以上。初创公司这个比例低于 6%，比 2019 年低了三分之一以上。原因不能全归给 AI，融资收紧、团队变小和正式培养项目减少是同时发生的。
困境在于，传统初级工作正在被压缩。写样板代码、做重复修复、维护文档，这些以前是新人建立上下文的入口，现在 Agent 都能快速完成。我在三月的 AI 随笔里记过这个悖论：初级岗位可能变少，但用好 AI 又要求经验。SignalFire 的提醒更直接，公司如果完全跳过初级岗，长期的人才管道会被破坏。
解法不是等一个天然岗位回来，而是把入口前移到真实问题上。新人得更早接触方向、测试和验收，否则身上只剩「用过 AI」这个没有区分度的标签。
可行的培养路径有三层：
- 学基础：算法、操作系统、数据库和系统设计，仍然决定一个人能不能判断 AI 给出的方案，具体语法的重要性在下降。
- 用真实项目练验收：拿一个开源或个人项目当练习场，写行为测试和回归测试，读 AI 的 diff，再重构成自己能解释的结构。
- 练方向感：用户为什么需要它、哪些方案不该做、怎么算做成了。Roadmap 不是产品经理的专属头衔，而是可以被验证的判断。
这套路径也回应了访谈里的结论。软件工程仍然值得进入，因为编码成本下降会催生更多定制软件。但新人要按「基础 + 验收 + 产品判断」来准备，而不是追语法。
4. 省下的时间投向验证、原型和组织协作
这些投入有一个共同的目标：提高 oneshot 的命中率。我最近在自己的核心库里体会很深。oneshot 出得不好，第一次生成的代码就不能用，只能反复修，而反复修没有明确的终点。没有上线日期逼着交付，也没有测试告诉我架构方向对不对，动力就耗在调试循环里。反过来，Spec 写清楚了、测试边界划好了、架构约束落了盘，oneshot 命中率高，返工少，人就不会卡在中间。
省下来的编码时间不该全部变成更快的交付，它至少有三个去处。
第一个去处是验证，把测试、监控、文档和性能基准补齐。Tison 的体会是，AI 不怕枯燥，适合补齐以前懒得写的性能基准和基础测试。Anthropic 的工程师则把大批量生成改成小批量审查，避免上下文丢失和测试资源浪费。我在《稳定性：从传统工程到大模型时代》里的结论也一样：大模型场景不能靠断言判断对错，评测门禁就是新的回归测试。
第二个去处是原型和定义问题。Anthropic 的工程师用快速原型换来了更多提案机会。我读《部署工程师》时记下的关键不是技术，而是「写第一行代码之前，怎么确保在解决正确的问题」。FDE 的时间分布里有两三成花在对齐方向、拆问题和做架构决策上，一到五天的部署原型要求真实数据、可部署的结果和高管拍板。原型变便宜以后，验证问题是否成立这件事反而更前置了。
第三个去处是组织协作。我在《Agent 时代的人月神话》读后感里记录过一条分工线：能形式化的工作交给 Agent，目的、判据和处境的判断留给人。Agent 降低了个体的执行成本，但没有消除概念完整性、责任归属和协作摩擦。开会可以用 AI 减少，跨人的文档、命名和协作仍然决定系统能不能长大。软技能因此更像工程能力：把业务问题翻译成技术问题，把技术取舍翻译成业务结果，把现场经验沉淀成团队可复用的文档。
这些做法已经有了组织级的验证。Anthropic 内部一个团队每季度交付的代码量是过去的 8 倍，其中 80% 由 Claude 生成。测试量涨了 10 倍，半年里 CI 任务量涨了 25 倍，原来的测试调度服务追不上，打了三次补丁之后只能重写。Shopify CEO 把另一面叫「烂泥手榴弹」：工程师用 AI 几秒钟生成一段代码，自己没核对就发给同事，省下的五分钟变成了 reviewer 两小时的排错成本。生成端越快，组织层面的验证和审查架构就越重要。Anthropic 用两周把核心体验提速约 3 倍，走的也是同一条路：先把「哪里慢」变成可测的指标，再让 Agent 去改，最后把指标接进 CI，防止性能掉回去。
工程团队可以把这些动作制度化：
- 关键路径必须人工审查：先明确哪些模块涉及资金、隐私、稳定性或不可逆操作，再决定授权范围。
- 用回归测试换取有选择的信任：测试充分的服务可以少看实现，核心模型和错误处理仍然要读。
- 把工程约束写进可执行文件：IaC、CI、AGENTS.md 和 SOP 让 Agent 有章可循，也让责任可追踪。
- 把业务判断写进文档：成功标准、边界、风险和「为什么不这么做」要能被团队复核。
- 给验证链路留出余量：Agent 生成的速度远快于人的审查速度，CI、测试和审查带宽要按新产能重新规划。
上面这些做法都不是新发明。AI 改变的是执行成本，让团队能把软件工程的实践从「知道」推进到「每天做」。
5. 所以，程序员怎么做得更好
把 AI 当成放大器。基础越扎实、系统越健康，它放大的是判断和交付能力。基础薄弱、流程混乱，它放大的是返工和技术债。DORA 2025 年的报告也是这个定位：AI 放大组织已有的优点和弱点，收益主要取决于底层系统。
程序员的具体优势会转移。写代码仍然重要，但它从终点变成了起点，更重要的是定义问题、选择架构、设计验收边界、读懂复杂系统，并对上线的结果负责。范围扩大之后，工程师还要补产品判断和跨职能协作。方向感会带来更多话语权，因为验证一个想法的成本降低之后，组织更愿意采纳可执行的提案。
我在面试里是这样表达的：我负责把需求变成一条可验证的路径，让 AI 承担机械工作，自己保留技术决策和最终责任。这不是拒绝 AI，也不是把思考外包出去。
我自己的做法更具体一些。AI Native 不是让每一步都用 AI，而是把工程约束写进文档和流程：需求澄清、接口契约、决策记录都落盘，上下文被污染时及时切换窗口，代码变更同步回文档。Agent 生成之后，Hook 和 CI 做确定性的校验，人只处理真正需要取舍的问题。一些新模型已经不再把软件工程师当作首要用户，代码是写给人和其他 Agent 读的，可读性和可维护性反而更要靠人来守。AI Native 不该只是一个口号，能落地的版本就是这些约束和验证闭环。
6. 参考
- Stack Overflow 2025 开发者调查 · 一手调查，AI 使用率、信任度、Agent 采用与常见挫败感数据
- SignalFire 科技人才报告 2025 · 二手行业报告，大厂新毕业生招聘占比降至 7%，初创低于 6%
- DORA 2025 报告 · 一手研究摘要，AI 是组织已有能力的放大器
- Tison · When Code Is Cheap · 一手实践，模型能力覆盖基线后生产力才井喷，以及选择性审查的边界
- Tison · 代码上道、Agentic Coding 的边界 · 一手实践，Code Owner 责任、SOP 授权与上下文密度
- AI 工程师访谈 · 机器转写，Anthropic 基础设施工程师的审查、范围扩大与 Roadmap 判断。字幕有专有名词转写错误
- claude.dev · How we made claude.ai 3x faster in two weeks · 官方一手记录，两周把核心体验提速约 3 倍的做法
- CNBC · 二手报道，三个匿名信源，Anthropic 7 月底年化收入 650 亿美元
- Simon Willison · 二手摘录，Anthropic 官方公告中的 2 月 140 亿、4 月 300 亿、5 月 470 亿美元
- Simon Willison · 2026 in LLMs · 一手综述，容易的事被 Agent 接管、剩下的全是难的
- Anthropic 工程团队的 CI 案例 · 二手笔记转述，季度代码量 8 倍、CI 任务量 25 倍，原始出处未核实
- Shopify CEO Tobi Lütke 访谈 · 二手笔记转述，一半 PR 有 AI 参与与「烂泥手榴弹」的说法，原始出处未核实
- 稳定性：从传统工程到大模型时代 · 我的博客，评测门禁是新的回归测试
- 《部署工程师》(FDE)读后感 · 我的博客，写第一行代码前先确认问题
- 《Agent 时代的人月神话》读后感 · 我的博客，人机分工线与协作成本
- 【AI 随笔】尝试与洞察 · 我的博客，初级岗位悖论与 Review 负担