AI 时代的认知变化：从写代码到定义问题

代码会变便宜

AI 编程工具越来越强以后，写代码这件事本身会变便宜。

以前一个功能要花很多时间写样板代码、查文档、改 bug。现在很多步骤可以交给 Cursor、Claude Code、Codex 这类工具先跑一遍。它们不一定一次就对，但已经能把很多重复劳动压下去。

这不代表工程师没价值了。

更像是木工有了电锯。锯木头变快了，但房子怎么设计、结构怎么安全、哪里该留空、哪里不能省，还是要人判断。

问题会变贵

代码便宜以后，真正贵的是问题本身。

你要知道现在要解决什么，边界在哪里，哪些需求是真的，哪些只是看起来热闹。AI 可以很快给出实现，但如果问题问错了，它只会更快地把你带到错误方向。

我现在越来越觉得，技术人的核心不只是“我会不会写”，而是：

• 能不能把一个模糊需求拆清楚
• 能不能判断方案是不是过度设计
• 能不能看出 AI 生成代码里的坑
• 能不能把结果放回真实业务里验证

这些东西没有因为 AI 出现而消失，反而更重要了。

技术人的位置会变

以后技术人会更像一个指挥者。

以前是自己一行一行写。以后可能是把任务拆好，让 AI 先生成一版，然后自己审结构、改关键路径、补测试、看性能、看边界。

这里面最难的不是会不会提示词，而是你自己脑子里有没有结构。

如果你本来就不知道一个好系统长什么样，AI 只会帮你更快地产出一堆看起来能跑的代码。能跑不等于好用，好用也不等于能维护。

我比较关心几个能力：

• 产品判断：这个功能到底有没有必要做
• 工程判断：这个实现以后会不会拖累系统
• 质量判断：这段代码出了问题，哪里最可能先坏
• 沟通判断：怎么让团队接受新的工作方式

AI 会放大这些差异。

我会怎么准备

我不会把重点放在背工具名单上。

工具会变，模型会变，价格也会变。今天好用的工具，半年后可能就不是最好的了。

更值得练的是几件事：

第一，继续写真实项目。只有真实项目才会遇到脏数据、历史包袱、权限、性能、发布、回滚这些问题。

第二，用 AI 做完整任务，而不是只让它补几行代码。比如从需求拆解、方案设计、代码实现、测试补充、文档整理，全流程跑一遍。

第三，保持复盘。哪类任务 AI 做得好，哪类任务容易胡来，哪些提示没用，哪些流程能稳定复用，这些都要自己记下来。

第四，不要把判断外包出去。AI 可以帮忙生成选项，但最后拍板的人还是自己。

这就是我现在对 AI 编程的基本看法：写代码会越来越快，但定义问题、做取舍、验证结果，会越来越值钱。