如今，我已经不再亲手写代码了。

我提交的每一行代码，几乎都是 AI 写的。

所以，我总被问到这样一个令人不安的问题——说实话，这也是我一直在问自己的问题：如果连我这样的人都不再真正写代码了……那现在学编程，对你来说是不是太晚了？

如果是一年前，你问我这个问题，我会非常确信地告诉你：AI 编程工具还差得远，我甚至怀疑它们永远也达不到专业水平。但今天，我认为那些怀疑 AI 能否胜任专业编程的人，只是没有用对工具。在会用的人手里，像 Claude Code 这样的 AI 助手，早就超越了「自动补全」的范畴，已经能够执行复杂、多步骤、甚至持续数天的工作流。

当然，这只是我个人的经验。所以，我去翻了翻数据。

而第一眼看上去，情况确实相当惨淡。

数据怎么说

先从就业市场说起。美国劳工统计局（BLS）的数据显示，「计算机程序员」岗位在短短两年内减少了约 27%，而且预计到 2034 年还会再下降 6%。这些岗位，是真的回不来了。

更不用说疫情后的裁员潮和过度招聘的修正。截至 2025 年年中，Indeed 上的科技类职位发布量比疫情前基线低了 36%。

而与此同时，AI 的使用量却在增长。Stack Overflow 2025 年开发者调查发现，84% 的开发者正在使用或计划使用 AI 工具。而来自 Pragmatic Summit（一场聚集了 500 名顶级工程师的大会）的最新数据更高：93% 的开发者现在都在使用 AI 工具，平均每周节省四个小时。AI 编写的代码占比从 2025 年第三季度的 22%，跃升到 2026 年 2 月的 27%——仅仅一个季度，就发生了如此巨大的转变。AI 已经能够从规格说明到测试再到部署，创建完整的应用程序。

所以，如果你看到这里心想：「我为什么要花几年去学一个 AI 已经会做的事情？」——这个反应完全可以理解。

但数据讲出的故事，比那些标题党暗示的要复杂得多。

因为那些吓人的数字，恰恰漏掉了一些东西：

「计算机程序员」岗位在消亡，但「软件开发工程师」岗位只下降了 0.3%，基本持平。而且美国劳工统计局实际上预测，到 2034 年软件开发工程师岗位将增长 15%——是所有职业平均增速的五倍。

那么，这两类岗位的区别到底是什么？

「程序员」（Programmer）的职责，历来是把规格翻译成语法——拿到需求，转成能跑的代码。而这恰恰是 AI 擅长的部分。说实话，这个岗位早在 ChatGPT 出现之前就已经在走向自动化了，AI 只是按下了加速键。

而「开发者」（Developer）和「工程师」（Engineer）的岗位，涉及的是设计决策、可靠性、权衡分析、跨职能沟通和故障响应——所有需要判断力的工作。

正在消失的工作，本来就是要消失的。留下来的工作，需要人脑（至少目前是这样，这一点我们后面再谈）。

还有一点：虽然整体科技招聘在下滑，但 AI 相关的需求却朝着相反的方向移动。Axios 报道称，尽管整体科技招聘下降了 27%，但职位描述中提到 AI 技能的数量在短短三个月内上升了 16%。我们看到的，与其说是衰退，不如说是一场市场转型。

还记得那个「84% 开发者使用 AI」的数据吗？后面还有一个更重要的后续：

Stack Overflow 发现，46% 的开发者明确不信任 AI 生成的代码，而一年前这个数字是 31%。只有 3% 的人表示「高度信任」。三分之二的开发者说，AI 给出的答案「基本正确，但总差那么一点」——这让调试变得更耗时，而不是更省时。AI 正在生产看起来正确、实则不正确的代码。

我既是那 84% 使用 AI 的开发者之一，也是那 46% 明确不信任 AI 生成代码的开发者之一。

工作是怎么变的

那么，让我给你看看，在我自己不再写代码之后，我的工作到底是什么样的。

把软件工作分成三个阶段来看：

1. 写代码之前（Before code）：我们要构建什么？为什么？有哪些约束——比如延迟、成本、隐私？可能会出什么问题？利益相关者是谁，他们为什么关心这件事？决定最终构建什么的，还有团队之间的政治和人际关系。

2. 写代码之中（During code）：编写实际的函数、模块和测试。

3. 写代码之后（After code）：从部署、监控、合规，到故障响应，再到向利益相关者沟通一切。这是生产系统和决策所需的所有东西。

AI 压缩的是「写代码之中」这个阶段，但它并没有神奇地消除「之前」和「之后」。事实上，它让这两个阶段比以前更受关注了。

现在，一个项目对我来说大概是这样的：先花几周时间与利益相关者协调、收集需求、编写非常详细的规格文档；然后花一两天和 AI 编程助手一起，真正把项目搭起来；接下来，可能还要花好几周测试、评估，确保我对要交付的东西有十足的信心。

第一部分真的非常重要。你必须对自己要构建什么有清晰的想法，AI 才能成功。我真心觉得，这正是剩下的那些 AI 怀疑者想不明白的地方。

用对了这些工具，你可以取得令人难以置信的快速进展。AI 能以创纪录的速度帮你走完 80% 的路。但最后那 20%——构建正确的东西、并让它达到生产安全标准——才是真正的硬功夫一直都在的地方。

而如果你对系统的理解不够深，无法评估那最后 20%，你交付的就是你无法为之担保的代码。

因为无论 AI 变得多强，有一点始终不变：当生产环境出问题时——安全漏洞、合规违规、或者让公司损失惨重的宕机——总要有人来负责。

AI 不会在凌晨 3 点被传呼起来处理问题。你会。

AI 不会被叫去参加故障复盘会议。你会。

AI 不会向领导层解释为什么客户数据被泄露了。你会。

展望未来

所以，即使在最乐观的 AI 未来，问题也不是「人类还会参与吗？」，而是「人类需要知道什么，才能有效地参与？」

答案是：你需要理解系统。而这意味着，你需要理解代码。

如果你不知道「正确」长什么样，你就无法审计 AI 生成的代码；如果你读不懂日志和堆栈跟踪，你就无法调试生产事故；如果你不理解数据库、网络、并发和故障模式，你就无法做出好的架构决策。

重点不在于敲代码，而在于理解。

正如《Modern Software Engineering》的作者 Dave Farley 所说，AI 编码辅助就像一种放大器：如果你本来就在做正确的事，AI 会放大这些正确的事；如果你本来就在做错误的事，AI 会帮你更快地挖出更深的坑。工具放大能力，而不是取代能力。

在 Pragmatic Summit 上，我从招聘经理和工程领导那里反复听到同样的信息：强大的团队正在以更快的速度变强，糟糕的团队也在以更快的速度变得更糟。有些公司采用 AI 工具后，面向客户的事故减少了一半；另一些公司则翻了一倍。同样的工具，完全不同的结果。区别在于使用它们的人。

现在你可能会问自己：「但如果 AI 在未来两三年变得更强呢？如果它也能做大格局的思考呢？」

让我们聊聊「更好」到底意味着什么。前沿模型的能力确实还在提升，但我们看到的大部分性能改进，并不是来自更大的基础模型，而是来自更好的工具——比如改进的上下文工程（context engineering）和智能体工作流（agent workflows）。理解如何引导和改进智能体系统，在可预见的未来仍将是宝贵的技能。

而且，再说一次：即使 AI 在「写代码之中」这个阶段变得极其强大，验证、治理、沟通和问责，仍然需要编程素养。

或者，你可能会想：「我已经能凭感觉（vibe code）做出应用了，不需要深入理解。为什么还要费劲去学？」

没错，你确实可以在不理解编程的情况下做出 demo 和 MVP。但生产系统需要海量的「你不知道自己不知道」的东西——如果你没有从零开始系统学过，你根本不会意识到这些。如果你想交付一个处理真实用户数据、承担真实责任的产品，你就必须投入时间。否则，你只会困在达克效应（Dunning-Kruger）的迷宫里。

最后，你可能会认同工作中学习这些是有意义的，但还是会想：我到底能不能找到工作？现在初级岗位的招聘真的很糟糕，为什么还要费劲？

是的，这比 2021 年难多了，这一点毫无疑问。但只要项目、心态和策略对了，仍然是有可能的。

所以，如果你现在正在学编程——或者正在考虑学——这是我建议你专注的方向。可以分成三步：

2026 年，该怎么学

第一步：打基础。挑一门语言，学透它。Python 或 JavaScript 都是不错的起点。理解数据结构、API、认证基础、数据库工作原理这些基本功。会写单元测试和集成测试。练习阅读不熟悉的代码，并解释它在做什么。这个阶段，AI 只用来解释概念和检验你的理解——不要把学习这件事外包给 AI。

学习一段时间后，问问自己：我能读懂代码并理解它在做什么吗？我能调试失败的测试吗？我能推理数据流和故障场景吗？

如果都能，进入第二步。

第二步：高效地与 AI 协作。学会用约束条件和清晰的「完成定义」来组织提示词（prompt）。用 AI 生成测试，然后批判性地审查它们。练习小而专注的 PR（代码合并请求），而不是大规模改动。为 AI 的输出编写评估检查。把代码审查当作一项核心技能。

当你确信自己能在不牺牲正确性的前提下用 AI 提速，就可以进入第三步。

第三步：人的层面。在这里，你开始练习专业级别的判断力：思考各种权衡——性能 vs 成本、一致性 vs 可用性、安全与合规；写清晰的技术规格和设计文档；向非技术人员解释技术决策——比如，试着讲给你妈妈听；培养故障响应的心态：当系统出问题时，你如何分级处理并修复？

你的目标应该是端到端地拥有一个产品，从需求到生产。

我知道这听起来很多。确实很多！我不会告诉你这会很容易，我也不会向你承诺：学了编程，就一定能找到工作。

市场比几年前难多了。AI 每天都在改变我们的工作方式，而重要的技能也在随之改变。

所以，编程死了吗？

你最近可能听过各种版本的「编程已死」。也许是英伟达 CEO 说以后没人需要编程了；也许是 Anthropic 的 CEO 预测 AI 将在 6 个月内写出 90% 的代码（顺便说一句，那已经是一年前的预言了）。

但正如 Keras 的创造者 François Chollet 指出的那样：「自 2023 年初以来，软件工程就一直处于『还有 6 个月就死了』的状态。」

而且，这种模式比 AI 古老得多。FORTRAN 当初的设想，是让科学家不用程序员也能写程序；COBOL 类英语的语法，本意是让管理者完全绕过开发者。

每一个重大的抽象——编译器、高级语言、面向对象编程——都曾被宣传为会让软件工程师过时。但现实是，对理解系统的人的需求并没有消失，反而增长了。

所以，你并不算晚。别让那些唱衰的人打击到你。