xmlns="http://www.w3.org/2000/svg"
style="display:
none;">
本文记录了一位九年工程师使用AI编程工具的演进过程，分为四个阶段：AI作为高效打字员、新视角交互范式、AI理解业务上下文的信任拐点、以及从编程到编排的转移。
文章指出，随着AI能力的提升，工程师的核心竞争力将从写代码的速度转向编排AI工作流的能力，并强调AI友好将成为未来编程的重要标准。
/>
2025
“完全跟着感觉走，拥抱指数级变化，忘掉代码本身的存在”。
大半年过去，这个词已经进了
Collins
这个层面，很少有人认真拆解过：一个有九年经验的工程师，从半手动的
辅助到几乎不碰编程语言，中间到底经历了什么，又因此改变了哪些判断。
这篇文章试图回答这个问题。
不是布道，不是教程，只是一份来自生产环境的演进记录。
/>
AI
编程演进四阶段时间线概览
第一阶段：AI作为高效打字员
2025
Cursor。
它的核心价值很明确：项目级的上下文理解。
把一个功能的业务逻辑梳理清楚，输给
Cursor，它能迅速写出写法一致、风格统一的代码。
对于那些非复杂交互的核心逻辑——比如一个标准的
CRUD
能节约大量的"体力劳动"时间。
但这个阶段的边界也非常清晰。
AI
debug
能力不可靠：它能修语法错误，但面对一个跨组件的状态同步
bug，往往会越改越乱。
复杂交互更是重灾区——但凡涉及多步骤、有条件分支的用户流程，AI
sense
的缺失。
"用户在这一步可能会返回上一页修改"这种隐含假设，AI
完全无法自行推断，需要把流程图级别的信息喂给它。
这个阶段的工作模式本质上是人脑做架构和决策，AI
做翻译和填充。
效率的提升是实在的，但人的参与度依然很高。
/> 第一阶段工作模式：人脑决策层与 执行层的分工协作 Claude 像一个真正的程序员在终端里工作：用 这种"程序员式"的操作方式带来了新的可能性。 它不只是在光标位置补全代码，而是能主动在项目中搜索、理解、修改。 但在早期阶段，Claude 的实际差距并不大——核心瓶颈仍然是业务理解。 它能操作代码，但不理解代码背后的业务意图，仍然需要大量的人工辅助来补全上下文。 这个阶段更像是看到了一种新的协作方式的可能性，但还没到可以放权的程度。 真正的转折出现在 Opus。 变化不是渐进的，而是一个明显的跃迁。 最让人意外的体验不是它写代码更快了，而是它开始真正理解业务上下文。 一个具体的例子：代码中有一段注释描述了某个业务流程的执行顺序，但后来业务逻辑调整了，代码已经改过来了，注释却没有同步更新。 Claude 在处理相关代码时，发现注释描述的流程与实际代码逻辑不一致，主动把注释修正了。 这不是简单的文本匹配——它需要理解代码在做什么，注释在说什么，两者之间的矛盾在哪里，正确的版本应该是什么。 这说明它已经具备了对业务场景的深层理解能力。 从这个阶段开始，工作模式发生了根本性转变。 不再需要给 预设角色或描述具体场景，它能从代码的上下文中自行提取这些信息。 于是工作流变成了：在每个项目的 甚至在完成开发后，它会自己做一轮测试验证。 理解业务上下文的能力跃迁 当 的智力跨过信任门槛后，工作的重心自然开始转移。 不再关注"怎么写代码"，而是关注"怎么让 在多轮对话后容易遗忘之前的任务上下文，而且无法追溯它为什么做出某个决定。 OpenSpec 四个层级，让整个开发过程变得可审核、可追溯。 它解决的核心问题不是"AI OpenSpec 四层级开发框架 同时，大量时间开始投入到 编写的领域知识文档——不是通用的编程规范，而是针对具体业务仓库的深度指南。 比如在某个项目的 问题"。 这些都是踩过的坑，是人类工程师花了时间才获得的经验，把它们写成 就能避免重复犯错。 更进一步，开始研究 智力的持续提升，需要人工干预的环节越来越少。 一个有趣的逆向变化也在这个阶段出现：为了让 工作得更好，主动改进了代码本身。 具体包括三类改动。 第一，把冷门的第三方库替换成社区主流方案——AI 对热门库的训练数据更充分，表现更好，而社区惯例本身通常也更合理。 第二，删除过度封装和不必要的抽象层——那些"只有原作者能看懂"的设计模式，对 来说是纯粹的噪音。 第三，将非标准写法改为社区惯例——冗余的自定义实现换成标准库提供的方案，减少了因为奇怪规则而额外消耗的第二阶段：新视角，但还不够
Code
grep搜索日志，用sed批量替换文件内容，甚至能理解语义相似但写法不同的代码片段。Code
第三阶段：信任拐点
Claude
Opus
agent.md里写入基本规则和业务背景，然后把需求直接输给它——不需要拆解，不需要翻译成技术语言，它完全能理解。第四阶段：从编程到编排
agent
agent
tasks
/>
Skill
Skill
Skill
workflow
/>
AI
倒逼代码质量：三类改动对比
本质上，AI
倒逼了一次对代码质量的重新审视。
那些"对人类勉强能用，对
编程的语境下就是技术债。
边界和代价
诚实地说，Vibe
Coding
目前有清晰的能力边界。
最典型的场景是复杂的
SQL
的表现明显不足。
整体流程能走通，但细节层面的问题不断：元素遮挡导致操作被阻塞、输入框无法正确响应焦点事件。
根本原因是
agent
runtime。
它能推理代码逻辑，但无法"看到"界面的实际渲染效果。
虽然
agent
等方案已经出现，但目前的连接成本和响应速度都还不够实用。
这意味着但凡涉及复杂视觉交互的场景，人工调试和验证仍然是不可替代的。
这不是一个会永远存在的限制
runtime
胜任区域与仍需人工区域
三个越来越清晰的判断
经过大半年的实践，有三个判断变得越来越确定。
关于流程控制：管理协作，而非管理执行。
随着
agent
之间如何协作——哪些是不可违背的原则，哪些是需要人工确认的关键节点。
这很像工程管理的演进：从
code
每一行代码，到定义架构约束和评审关键设计决策。
未来的高效工程师，核心竞争力不是写代码的速度，而是编排
agent
工作流的能力。
关于
Skill
设计：专精胜过通用。
越是具体、越是详尽的
Skill，适用范围虽然越窄，但在其适用范围内的表现会越来越好。
为某个项目专门编写的
Skill，能让新成员几乎零成本上手，agent
Skill
写得越来越通用、越来越庞大，它就会变得平庸。
这和工程师的能力模型完全一致：一个对所有环节都了解但不够深入的人，很难在某个方向上精通。
而一个在特定领域积累了丰富经验的人，效率会远超前者。
关于编程范式的迁移：AI
的自然语言驱动编码已经展示了这个趋势。
未来所有的框架、语言和工具只会分为两类：对
友好和对
不友好。
冷门的库、过度封装的架构、非标准的写法——所有"只有人类通过特殊训练才能理解"的东西，都会因为效率劣势而逐渐被淘汰。
不是因为它们本身不好，而是因为效率的迭代不可能倒退。
当
能在主流方案上做到
分的冷门方案而放弃这个效率差距。
/> 三个核心判断汇聚为工程师新核心竞争力 从写代码到写规则，从操作细节到设计框架，这个转变在大半年内发生得比预想的更快。 但它不是终点。 Agent 的最佳实践还在摸索中。 唯一可以确定的是方向：**工程师的价值正在从"实现能力"向"编排能力"迁移。 写代码这件事本身不会消失，但它在工程师工作中的占比会持续下降。 **取而代之的是对业务的深度理解、对 /> 价值迁移：从实现能力到编排能力 这不是一个关于"AI 会不会取代程序员"的故事。 这是一个关于编程这件事本身正在被重新定义的故事。 我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。 那些率先拥抱 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。 我整理出这套 大模型突围资料包： 完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇 /> 人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。 从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。 />智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。 AI产业的快速扩张，也让人才供需矛盾愈发突出。 麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。 /> 包含提示词工程、RAG、Agent等技术点 AI大模型学习路线图（还有视频解说） 全过程AI大模型学习路线 /> 市面上的大模型书籍确实太多了，这些是我精选出来的 /> 这些资料真的有用吗? 这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。 目前我正在和鲁博士共同进行人工智能的研究。 所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。 这份学习大礼包应该算是现在最全面的大模型学习资料了。 资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。 /> 智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。 课堂上不光教理论，还带着学员做了十多个真实项目。 学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！ /> 如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！ 应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。 零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。 业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。 😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓** /> 不是结论，而是一个坐标
runtime
agent
最后
/>
为什么说现在普通人就业/升职加薪的首选是AI大模型？
/>
/>
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
/>
③学习电子书籍和技术文档
④各大厂大模型面试题目详解
/>
⑤
/>
/>
👉获取方式：
