未来两年软件工程展望:从写代码到管 AI,程序员正分化成两种职业

本文最初发布于 Addy Osmani 的个人博客。

软件行业正处在一个奇怪的转折点上。AI 编程已经从增强型的自动补全发展成了能够自主执行开发任务的智能代理。曾经推动科技行业招聘热潮的经济繁荣已经让位于效率至上的要求：企业现在往往更倾向于盈利而非增长，更倾向于经验丰富的员工而非应届毕业生，更倾向于组建配备更好工具的小团队。

与此同时，新一代的开发者带着不同的职业观步入职场：他们注重职业稳定性，对拼搏文化持怀疑态度，并且从入行第一天起就使用 AI 辅助工具。

接下来会发生什么确实还难以预料。以下这五个关键问题可能会决定 2026 年软件工程的发展，每个问题都对应两种截然不同的情景。这并非真正的预测，而只是一个观察的视角，帮助人们为应对软件工程的未来发展做好准备。我们的目标是基于现有数据，结合本领域特有的健康的怀疑精神，通过制定清晰的路线图来应对即将到来的挑战。

要点：随着 AI 将入门级任务自动化，初级开发者的招聘可能会暴跌，也可能会随着软件渗透到各行各业而强力反弹。两种未来需要不同的生存策略。

“学习编码，获得初级工作，成长为高级”，这一传统的职业路径正在动摇。哈佛对 6200 万工人的研究 发现，当公司采用生成式 AI 时，初级开发者就业率在六个季度里下降了大约 9-10%，而高级开发者的就业率基本保持不变。过去三年，大型科技公司招聘的应届毕业生减少了 50%。正如一位工程师冷嘲热讽地说：“花 9 万美元雇个初级程序员，为什么不用成本更低的 AI 编程助手？”

这不仅仅是 AI 的问题。大约在 2022 年，利率上升和大流行后的调整等宏观经济因素 就已经开始显现，这时 AI 工具尚未广泛使用。但 AI 加速了这一趋势。如今，在 AI 的帮助下，一名高级工程师可以完成过去需要一个小团队来完成的工作。企业正在悄然减少招聘初级员工，其幅度甚至超过了裁员规模。

相反的情景：AI 解锁了每个行业对开发者的巨大需求，而不仅仅是技术行业。医疗保健、农业、制造业和金融业都开始嵌入软件和自动化技术。AI 不是取代开发者，而是成为一个力量倍增器，将开发工作扩展到从未雇佣过编码人员的领域。我们将看到更多不同的入门级角色：为特定细分市场快速构建自动化和集成的“AI 原生”开发者。

美国劳工统计局 预测，从 2024 年到 2034 年软件工作仍然将增长约 15%。若企业利用 AI 扩大产出而非单纯裁员，就需要人类把握 AI 创造的机遇。

悲观情景的长期风险经常被忽视：今天的初级开发者是明天的高级工程师和技术领导者。如果完全切断人才管道，那么在 5-10 年内就将出现一个领导力真空。行业老兵称这为“缓衰”：一个停止培训接班人的生态系统。

初级开发者：使自己精通 AI 并成为多面手，证明一名初级开发者加上 AI 可以匹配一个小型团队的产出。使用 AI 编码代理（Cursor/Antigravity/Claude Code/Gemini CLI）构建比较大的功能，但要能理解并解释大部分代码行。聚焦不容易被 AI 替代的技能：沟通、问题分解、领域知识。将相邻角色（QA、DevRel、数据分析）视为切入点。构建一个项目集，特别是集成 AI API 的项目。考虑参与学徒计划、实习、外包或开源项目。不要成为“只是又一个需要培训的新毕业生”，而是成为一个学习速度快、立即就能发挥作用的工程师。

高级开发者：初级开发者减少意味着你的日常工作增加。利用自动化工具来完成例行任务，不要什么事都自己做。利用 CI/CD、linter 和 AI 辅助测试来捕捉基本问题。通过开源项目或指导其他部门同事开展非正式的导师工作。向管理层如实说明全由资深员工组成的团队所面临的风险。若初级人才需求回升，需做好高效接纳新人的准备，并运用 AI 进行任务分配。你的价值在于提升整个团队的产出，而非个人的代码产出。

要点：随着 AI 编写大部分代码，核心编程技能可能会退化，或者因为人类开发者需要监督 AI 而使这些技能变得比以往任何时候都更加关键。未来几年将决定我们是否会为追求速度而牺牲对代码的理解。

现在有 84% 的开发者定期使用 AI 辅助工具。对许多人来说，面对错误或新功能需求的第一反应不是从头开始编写代码，而是编写提示并组合 AI 生成的代码片段。初级程序员正在跳过“艰难的入门阶段”：他们可能永远不会从头开始构建二叉搜索树或独立调试内存泄漏。

开发者的技能集正在从实现算法转变为知道如何向 AI 提出正确的问题并验证其输出。现在，入门的第一个要求是提示和验证 AI 的输出，而不是展示原始编码能力。一些高级工程师担心，这会产生一代不能独立编码的人，导致开发者技能退化。AI 生成的代码可能会引入一些微妙的错误和安全漏洞，不太有经验的开发者可能会漏掉。

相反的情景：AI 处理 80% 的常规工作，人类专注于最难的 20%。架构设计、复杂集成、创意设计、边缘情况，这些问题是机器无法单独解决的。AI 的普及并没有使深厚的知识积累过时，反而使人类专业知识变得比以往任何时候都更重要。这就是“高杠杆工程师”，他们将 AI 作为一种力量倍增器，但必须深入理解系统才能有效使用。

如果每个人都有 AI 编码代理访问权限，那么区分优秀开发者的关键在于知道 AI 何时出错或不够优化。正如一位高级工程师所说：“最好的软件工程师不是最快的编码者，而是那些知道何时不信任 AI 的人。”

编程转变：需要输入的样板代码减少，把更多的精力用在审查 AI 输出的逻辑错误、安全漏洞和与需求不匹配的问题。关键技能变成了软件架构、系统设计、性能调优和安全分析。AI 可以快速生成一个 Web 应用程序，但专家工程师需要确保 AI 遵循了安全最佳实践，并且没有引入竞态条件。

2025 年，开发者中间出现了分歧。一些人坦言，他们几乎不“亲手”编写代码，并认为编码面试应该做出改变。其他人则认为，跳过基础知识面试会导致 AI 输出出现问题时需要完成的应急处理工作增加。行业开始期望工程师同时具备AI 的效率和保障质量的基本知识。

初级开发者：将 AI 当作学习工具，而不是拐杖。对于 AI 编码代理（Cursor/Antigravity/Claude Code/Gemini CLI）的建议，要通过审查代码了解其工作原理并识别薄弱环节。偶尔禁用你的 AI 助手，从头开始编写关键算法。优先考虑计算机科学基础：数据结构、算法、复杂性、内存管理。将项目实现两次，一次用 AI，一次不用 AI，然后对两者进行比较。学习提示工程，并掌握相关工具。通过严格的测试训练自己：编写单元测试，自己阅读堆栈跟踪信息而不是立即询问 AI，熟练使用调试工具。深化 AI 无法复制的互补技能：系统设计、用户体验直觉、并发推理。证明你既能用 AI 快速解决问题，也能在 AI 失败时自己处理棘手的问题。

高级开发者：将自己定位为质量和复杂性的守护者。磨练你的核心专长：架构、安全、扩展、领域知识。练习用 AI 组件进行系统建模并思考故障模式。随时关注 AI 生成代码中的漏洞。拥抱你作为导师和审查者的角色：定义什么时候可以使用 AI，以及什么时候必须手动审查（支付或安全代码）。侧重于创造性和战略性工作；让初级开发者和 AI 一起处理常规 API 连接，而你决定构建哪些 API。投资软技能和跨领域知识。随时关注新工具和最佳实践。加倍重视人类开发者不可或缺的因素：准确的判断、系统性思维和导师带徒。

要点：开发者的角色职责可能缩减为有限的审计（监督 AI 生成的代码）工作，也可能扩展为设计和管理 AI 驱动系统的关键协调者。无论哪种情况，创造价值都远不止于编写代码。

此处的两极分化非常明显。在前一种情景中，开发者的创造性职责被削弱。他们不再专注于构建软件，而是更多地审核和监管 AI 产出。AI 系统（或使用无代码平台的“公民开发者”）负责生产环节；人类开发者则审查自动生成的代码，检查错误、偏见或安全问题，并审批部署。创造者沦为检查者。编写代码的喜悦被风险管理的焦虑所取代。

有报道称，工程师将花更多时间评估 AI 生成的拉取请求和管理自动化管道，而不是从头开始编写代码。编程感觉更像是合规性检查，而不是创造性地解决问题。正如一位工程师感叹：“我不想沦为一个代码清洁工，整天收拾 AI 留下的烂摊子。”

另一种未来则有趣得多：开发者演变成高级协调者，兼具技术、战略和道德责任。AI“工人”意味着人类开发者承担架构师或总承包商的角色，负责设计整个系统，决定哪些任务分配给哪些 AI 或软件组件，并将活动部件组合成解决方案。

有一家低代码平台的首席执行官阐述了这个情景：在“智能代理”开发环境中，工程师将转型为“作曲家”，指挥由 AI 代理和软件服务组成的“乐团”。他们无需亲自谱写每个音符，但会定义旋律，即架构、接口以及代理间的交互方式。这个角色兼具跨学科性和创造性：既是软件工程师，又是系统架构师，同时也是产品战略家。

乐观看法：随着 AI 承担起一些重复性工作，开发者的角色必然转向更高价值的活动。工作可能变得更加有趣。必须有人决定 AI 应该构建什么，验证产品是否合理，并持续改进它。

向哪个方向发展取决于组织选择如何整合 AI。将 AI 视为劳动力替代工具的公司可能会缩减开发团队，并要求剩下的工程师保持相关任务自动化运行。将 AI 视为团队能力增强工具的公司可能会保持人员数量基本不变，但让每位工程师承担更费时耗力的项目。

初级开发者：不要局限于编写代码，要寻找其他机会。自愿参与测试用例编写、CI 流水线设置或应用监控，培养与审计员 / 监管人角色相一致的技能。通过个人项目保持你的创造性编码能力，以免失去构建乐趣。培养系统思维：学习组件之间如何通信，怎样设计出良好的 API。阅读工程博客和系统设计案例研究。熟悉除代码生成之外的 AI 和自动化工具：编排框架、AI API。提升书面与口头沟通能力。撰写文档时秉持向他人阐述的标准。向资深同事提问时，不仅要问“代码是否运行正常？”更要问“我的考量是否到位？”。准备好成为验证者、设计者和沟通者，而非仅是编码者。

高级开发者：把更多精力放在领导和架构责任上。打造供 AI 和初级团队成员遵循的标准和框架。定义代码质量检查清单和符合伦理的 AI 使用策略。随时关注与 AI 生成软件合规性和安全性相关的话题。专注于系统设计和集成知识；自愿绘制服务间的数据流并识别故障点。熟悉编排平台（Kubernetes、Airflow、无服务器框架、代理编排工具）。投入双倍精力履行技术导师角色：更多地参与代码审查、设计讨论、技术指导。提升快速评估他人代码并给出高层次反馈的能力。培养产品和商业意识；了解为什么构建一个功能以及客户关心什么。向产品经理学习或参加客户反馈会议。通过原型、黑客马拉松或新兴技术研究来保持你的创造激情。从编码者演变为指挥者。

要点：专业领域过于狭窄的专家会面临自身领域被自动化取代或逐渐淘汰的风险。在快速变化、AI 深度渗透的时代背景下，T 型工程师更受青睐——他们既具备广泛的适应能力，又拥有一个或两个有深厚知识积累的专业技能。

考虑到模型、工具和框架的快速兴衰，将职业生涯押注在单一技术栈上是有风险的。当新型 AI 工具能以极少需要人工干预的方式处理传统框架时，该领域的专家可能会突然发现自身需求锐减。那些专注于“单一技术栈、框架或产品领域”的开发者，某天醒来时或许会发现，该领域已日渐式微甚至被淘汰。

想想那些在行业转型时未能及时转型的人：COBOL 开发者、Flash 开发者或移动游戏引擎专家。如今不同的是变革速度。AI 自动化能让某些编程任务变得微不足道，削弱了因这些任务而存在的工作岗位。只精通单一技能的专家（比如调整 SQL 查询参数、将 Photoshop 设计切片为 HTML 代码）可能会发现，90% 的工作已被 AI 取代。

招聘经理们总在追逐最新的小众领域。几年前人人都想要云基础设施专家；如今 AI/ML 工程师需求激增。那些精通昨日技术的人，随着该领域的发展放缓，会感到职业发展陷入了停滞。

相反的结果是形成一种新的专业化形式，即“多面手专家”或 T 型开发者。他们在一两个领域拥有深厚的造诣（竖线），同时又广泛涉猎其他众多的领域（横线）。他们成了跨学科团队的“粘合剂”，既能与各领域专家沟通协作，又能在必要时填补技术空白。

企业不再需要知识深度或广度不够的开发人员；他们想要一个强大的核心竞争力，以及能够跨栈工作的能力。其中一部分原因是效率考量：一个 T 型工程师通常可以独立解决端到端问题，无需等待上下游交接。其中一部分原因是创新考量：知识的交叉传播可以带来更好的解决方案。

实际上，AI 工具增强了通才的能力，使一个人更容易处理多个组件。后端工程师可以在 AI 的帮助下构建出合理的 UI；前端专家可以借助 AI 生成服务器样板代码。一个提供丰富 AI 功能的环境让人们能够完成更广泛的工作。与此同时，深度专家可能会发现，他们的专业领域有一部分被自动化取代，却难以开拓新领域。

现在近 45% 的工程角色期望能够精通多个领域的知识：编程加云基础设施知识，或是前端开发加熟悉 ML。

初级开发者：尽早打下广泛的基础。即使被雇佣为特定的角色，也要了解那个岗位之外的知识。如果你是在做移动开发，不妨学习下后端基础知识；如果你是在做前端开发，则可以尝试编写一个简单的服务器。学习部署过程和工具，如 Docker 或 GitHub Actions。找一两个真正让你感到兴奋的领域深入学习，使它们成为你垂直领域的专业知识。将自己定位成混合型人才：“全栈开发人员，专注于云安全”或“前端开发人员，具有 UX 专业知识”。借助 AI 工具快速学习新领域的知识；如果你是后端新手，可以让 ChatGPT 生成入门 API 代码并学习它。养成不断学习新技能的习惯。参加黑客马拉松或跨职能项目，强迫自己进入通才模式。告诉你的经理，你想要接触项目的不同部分。适应性是职业生涯早期的超能力。

高级开发者：绘制你的技能图谱：你在哪些领域是专家，哪些相关领域你只是浅尝辄止？选择一到两个相邻领域并努力精通。如果你是一个后端数据库专家，不妨熟悉一个现代前端框架或学习机器学习（ML）流水线的基础知识。借助 AI 的帮助，在你的弱项领域做一个小项目。将你深厚的专业知识与新环境相结合；如果你专门从事 Web 应用性能优化，可以探索如何将这些技能应用于 ML 推理优化。支持或争取将你的角色设计成跨职能的，自荐成为涉及多领域项目的“集成负责人”。指导他人，传播技能，同时也从中学习新东西。更新简历体现多元化能力。利用你的经验识别模式和可转移知识。成为 T 型人才的典范：在你的专业领域深耕（建立权威和信心），并积极拓展横向能力。

要点：计算机科学（CS）学位是保持黄金标准，还是被更快的学习路径（训练营、在线平台、雇主培训）所取代？大学可能难以跟上每几个月就有重大变化的行业发展。

四年制计算机科学学位一直是进入软件领域的主要途径。但这一传统正在受到质疑。

一种未来：大学仍然重要，但难以保持相关性。学位仍然是默认的资格凭证，但受制于缓慢的课程更新周期和官僚审批流程，课程设置落后于快速发展变化的需求。学生和雇主均感觉学术界与行业脱节，学校教授的理论或过时的做法无法转化为工作技能。

最近的毕业生报告指出，他们在攻读学位期间从未学习过云计算、现代 DevOps 或 AI 工具。如果大学需要投入很多的时间和资金，但却只能提供低相关性教育，那么它们就有被视为昂贵守门人的风险。但出于惯性，许多公司仍然要求应聘者具备学士学位，因此压力就转到了应聘者身上，他们需要通过训练营、在线课程和自学项目来弥补这方面的不足。

学生贷款是一笔巨大的债务，而公司也要花费数十亿美元培训新毕业生，因为他们缺乏工作场所需要的技能。大学可能会在这里增加一门 AI 伦理课程，在那里增加一门云计算选修课，但当他们真正实施时，行业工具已经又向前发展了。

颠覆性场景：传统教育日益为新教育体系所取代。编码训练营、在线认证、自学作品集、雇主创建的培训学院层出不穷。许多知名雇主（谷歌、IBM）已经取消了某些技术角色的学位要求。到 2024 年，近 45% 的公司计划至少取消部分职位的学士学位要求。

训练营体系已经相当成熟，他们培养的毕业生与 CS 毕业生一起被顶级公司雇佣。这些项目周期更短（12 周强化），并且专注于教授实用技能：当前流行的框架、云服务、团队合作。招聘标准正在瞄准在线作品集、微证书和已认证技能。出色的 GitHub 作品集或公认的认证可以免除学位要求。

由雇主推动的教育正在兴起：企业自主搭建培训体系或与编程训练营合作。部分科技巨头已经为非传统背景的人才设立了内部“大学”。AI 本身也开辟了全新的学习路径：AI 导师、交互式编程沙盒、校外个性化教学。

模块化的学习生态远比昂贵的四年制学位更容易获取。在计算机科学专业实力薄弱的国家，孩子们也能修读 Coursera 的课程，构建与硅谷人士同样的个人作品集。

有志向的开发者 / 初级开发者：在学习传统的计算机科学课程时，不要完全依赖课程进行学习。要通过实际的项目补充课程内容：构建 Web 应用，参与开源项目。寻找实习或合作机会。如果你的课程中没有包含热门话题，则通过在线平台学习它们。考取行业认可的认证（GCP、亚马逊云科技、Azure）以证明自己的实践能力。如果是你在自学或参加了训练营，则一定要专注于创建一个引人注目的作品集：至少要有一个文档良好的重点项目。积极参与开发者社区：参与开源项目，撰写技术文章。通过 LinkedIn、聚会以及开发活动建立人际关系网络。争取资深开发者为你背书。考虑到技术技能的半衰期非常短，务必要不断学习。将 AI 作为个人导师。用具体的方式证明自己的能力：作品集、认证证书以及能清晰阐述工作成果的能力，这些将为你打开机遇之门。

高级开发者和领导者：你不能永远依赖于证书。要在继续教育方面进行投资：在线课程、研讨会、会议、认证。通过新的方式验证你的技能，为通过实际问题评估应聘者当前能力的面试做好准备。维护使用了新技术的业余项目。重新评估工作要求：你真的需要新员工拥有计算机科学学位，还是需要他们具备某些技能和学习能力？推动以技能为先的招聘，扩大你的人才库。支持内部培训计划或学徒制岗位。为没有正式大学背景的初级开发者建立导师制小组。与学术界及其他机构合作：加入顾问委员会、举办客座讲座、对课程存在的问题提出反馈。将这种合作融入自身的职业发展中：实际的成果和持续的学习比额外的学位更重要。

这些情景并不是相互排斥的。现实将融合所有要素。一些企业将缩减初级岗位的招聘，另一些则会在新的领域扩大招聘规模。AI 会将常规编码工作自动化，同时又提升人类编写的代码的质量标准。开发者或许会在上午审核 AI 生成的代码，下午则专注于设计高级架构。

一个贯穿始终的主题是：变化是唯一的常数。紧盯技术趋势（并保持审慎态度），避免被炒作或末日论所蒙蔽。通过更新技能、拓展能力、聚焦人类特有的优势（创造力、批判性思维、协作能力），你才能始终保持竞争力。

无论未来是迎来编程复兴，还是进入自动编码时代，那些具备全局思维、持续学习能力并能推动技术发展解决实际问题的工程师，始终会受到市场的青睐。

预测未来的最佳方式就是积极地塑造它。

原文链接：

https://addyosmani.com/blog/next-two-years/

声明：本文为 InfoQ 翻译，未经许可禁止转载。