赢得判断力

品味曾是通过重复实践自然产生的副产品。过去，新手开发者通过大量练习来积累经验。但现在，你必须主动去获取品味（以及判断力）。

在我的职业生涯成长过程中，我学会了以根本不同的方式思考代码。我的第一轮学习来自于成千上万次的模板代码编写、bug修复和问题解决。我几乎所有的品味和判断力都来自这些重复实践，而非天赋。 随着时间的推移，我学会了处理日益复杂的抽象和权衡。这就是初级开发者成长为高级开发者的路径。

但AI智能体会自动化所有这些重复实践。这将从根本上改变从初级到高级的成长路径。

剧透：真正持久且不可自动化的能力，并非变得擅长解决那些已有已知答案的问题，而是选择构建什么，以及判断它是否真的够好。

初级岗位正在弱化。 截至2026年3月，应届大学毕业生失业率高达5.6%，低就业率达41.5%——而且应届生现在的失业概率已经高于整体劳动力，这与历史常态相比发生了逆转（纽约联邦储备银行）。《福布斯》援引圣路易斯联邦储备银行的数据指出，近期计算机工程毕业生的失业率为7.5%，计算机科学毕业生为6.1%，均高于许多非技术专业。

需求侧在他们脚下重塑：Indeed招聘实验室发现，初级和标准技术职位的招聘量较2020年初下降了34%，而高级和管理岗位仅下降19%；同时，要求五年以上经验的技术职位占比从37%攀升至42%——尽管计算机科学毕业生数量持续增长。斯坦福数字经济实验室的原始研究表明，最易受AI影响的早期职业工作者（22-25岁）的就业率相对下降了13%；2026年2月的一项后续研究将该数据修正为截至2025年10月的16%（Brynjolfsson, Chandar & Chen）——而且在这些职业中，该年龄组原本约占所有招聘的近一半。

我们该恐慌吗？嗯，初级软件开发岗位不仅仅是一份工作，它们是一个培训体系。

微软的Mark Russinovich和Scott Hanselman曾警告说，AI智能体远非夺走所有软件开发者的饭碗，实际上它们帮助了高级开发者，却剥夺了初级开发者的成长机会，并且使金字塔结构变窄。Hanselman举了一个典型例子：插入一个sleep()来掩盖竞态条件。高级开发者能发现这个错误并帮助你从中学习。初级开发者跳过代码审查，直接将其推送到生产环境，然后竞态问题导致网站崩溃——接着又重复同样的错误。他们的核心观点是，智能体本身不会自行完成这些操作；这与其说是AI的故事，不如说是人们如何选择使用这些产品的故事。

更糟糕的是，2026年《麻省理工科技评论》的一篇文章警告说，自动化学习阶段虽然在当下换取了产出，但会逐渐削弱社会未来的能力；世界经济论坛在2026年中也警告，削减初级招聘可能会削弱未来的人才管道。但请注意一个警示：这并非纯粹的AI故事。我们部分上是在纠正从2022年开始并持续到2025年的招聘热潮。而且即使是斯坦福的作者们早期也很谨慎——早期信号是模糊的，只有到2024年之后，数据才足够清晰，能够分离出可归因于AI的下降。太多供应商的“合成劳动力“声明只是营销文案，而非预言。

当然，这一切又恰好与市场上一个真正乐观的故事并存。世界经济论坛2025年1月发布的《2025年就业未来》报告预测，到2030年，将新增约1.7亿个工作岗位，而仅约9200万个岗位被取代——净增7800万。 阿波罗全球管理公司首席经济学家Torsten Sløk曾引发轰动，声称“没有证据表明AI导致失业“——他认为，如果说有什么影响，那么AI开支反而为拥有AI技能的人创造了工作机会。

那么，同一年怎么会有相互矛盾的报道呢？

因为净增数和初级岗位是两个不同的问题。乐观主义者并没有错。需要判断力和批判性思维的高级岗位将大幅增长，而初级岗位则可能萎缩。 Indeed的数据也说明了这一点。高盛在研究2026年薪资时估计，美国每月净损失约1.6万个工作岗位，其中Z世代和初级岗位受冲击最大——这是对“零证据“的实证回答。

总体增长与第一级阶梯消失同时成立——而如果你正是那个试图爬上阶梯的人，净增数字就是一句苍白的安慰。

因此，如果初级开发者在当前阶段面临风险，真正的问题是我们该如何前行？如果AI层擅长做什么，那一定是任何拥有答案的事情。学业曾经就是一路都有标准答案，全在于给出正确答案。

所以我建议我们少关注岗位的可获得性，多关注培养品味：通过有意识的模式匹配来压缩经验。 Kent Beck指出，AI智能体不太可能拥有品味——即判断力——因此我们将不得不在这些交叉点提供它。

我们现在欠下两笔债：认知投降和理解能力。 当你第一次学习编程时，一位明智的老师告诉过你不要从Stack Overflow复制粘贴。不幸的是，我想我们所有人都在某个时候违反过这个建议，尤其是在职业生涯中期。当我们把复制粘贴的决策权交给AI智能体时，问题变得更糟。Shaw和Nave对1372名参与者进行了约10000次试验，发现他们接近80%的时间会接受错误的AI输出。他们的准确率比没有AI的基线下降了约15个百分点，而信心却上升了约12%。

智能体运行一个活动循环（调查、实现、测试、报告）。

你，作为人类，拥有外层循环：决定结果是否值得你关注；验证结果是否值得批准（diff、测试结果、日志以及简短的原因说明）；批准或阻止；承担后果。边界是证据（我的信条）。 这些循环之间的差距正在迅速扩大，你必须管理好它。

当智能体编写代码时，很容易认为它们在做所有的艰苦工作。当智能体大部分正确时，很难看出人类必须做什么来维持质量。现在让我从管理智能体转向构建你的品味和判断力，从七件具体可行的事情开始。

• 阅读的代码远多于你生成的代码。 寻找逻辑错误、安全漏洞、简单或微妙的边界情况。定期问自己关于你所读代码的问题：我是否考虑了正确的事情？

• 保留一个错误日志。 智能体犯的每个错误记一句话。三十天后，你会对模式有所感觉。

• 故意用困难的方式做几件事。 手动构建一个解析器，或一个CRM，或从头开始构建一些有意义的东西。保护你的附带学习。Karpathy强调基础知识，比如内存、视图（世界如何呈现给系统）和存储，这些是智能体会出错的地方。

• 深入理解一个完整的端到端系统。 把它推到失败点。然后学习真正的深度是什么感觉。

• 分开学习规范和验证。 规范编写是清晰的思考。验证是证据。规范质量是最大的杠杆。

• 构建一个评估框架，围绕正确性、可维护性、效率、安全性、风格等标准建立测试套件。 对AI智能体生成的50个真实PR运行它。记录令人惊讶的测试失败和修复。校准以使你的内部质量函数显式化。

• 根据任务调整自主程度。 对廉价、可逆的任务提高自主程度。对昂贵失败的任务降低自主程度。学会校准是一种高级开发者的本能，值得每天练习。

那些正在构建这些智能体的人对初级开发者说了什么？

• “人们仍然需要了解软件工程底层的技艺，包括编程语言、编译器、运行时和系统设计” ——Claude Code的Boris Cherny这么说。他关于“编码基本上已经解决了“的言论，是指他个人觉得高效的工作流程，而不是让你放弃基础知识。作为一名工程师，你确实需要了解引擎盖下发生了什么。

• 警惕监督悖论。 Anthropic的一份报告说，他们只在已经知道答案时才使用AI辅助，并警告说，监督一个智能体所需的技能恰恰会因过度依赖而萎缩。对于初级开发者来说，有意识地培养这种心态，而不是盲目接受答案，需要付出努力。谨慎使用工具，同时有意识地加深对你所工作的系统的理解。

• 仔细思考你愿意让哪些肌肉萎缩。 Gergely Orosz在编码时使用AI，但在写作时完全不用AI。留意权衡，并决定哪些技能你选择保持敏锐。

持久价值集中在哪里？首先，优化追求稀缺资源。

资本是充裕的。时间是充裕的。真实的人际关系，尤其是建立良好工作记录，仍然是稀缺的：我可以在几周内筹集资金，但我无法迅速建立起声誉。当“氛围编码“让快速赚钱变得轻而易举时，那点快钱几乎毫无价值；稀缺的动作是选择真正值得交付的东西。基于这个视角，有四个原则。

• 完成最后一英里。 自动化覆盖了软件工程中容易的80-90%。最后一英里——边界情况、架构、品味——才是整个游戏。当初稿变得免费时，完成品就是产品本身，也是人们脱颖而出的地方。

• 解决困难版本。 Richard Sutton在过去三十年著名的“苦涩教训“不仅是职业建议：简单版本已经被解决；持久价值来自于解决困难版本。

• 在硬问题附近公开构建。 过去驱使初级开发者放弃开源的相同约束——一个构思良好的项目需要一个人一年时间，很容易被拖沓或零碎地克隆——相比之下，一份真正优秀工作的开源记录反而更稀缺。可以把它想象成足球中的预期进球：你的声誉和公开工作决定了你在门前得到的机会数量，而判断力则决定你是否能把握住这些机会。你无法预知哪些机会会到来，只能决定你是否站在它们落地的位置；我几乎所有的真正机会都来自于我在公开场合所做的工作，而不是我申请的职位。所以，在你想要解决的任何硬问题附近找机会入门。这意味着在一家中小型公司实习，找到某个软件工程轨道，或者用生产代码构建有意义的副业项目。那些试图走捷径的人会发现这其实非常困难。

• 做T型通才。 在一两个领域拥有最深知识的同时保持广泛素养的开发者，往往能交付最佳成果。适当的AI辅助意味着开发者作为独立贡献者，能在比以前更少的领域内完成更多工作。倾向于小型跨职能团队和端到端工程师的团队将会蓬勃发展。

说白了：世界并不缺少机会；缺少的是那些能找出正确问题、判断机器是否解决了问题、并在机器停下的地方继续完成最后一步的人。

我们把“最后一英里“视为拼图中最大的一块，但在智能体的世界里，最后几英尺实际上是无限的——智能体可以无限扩展输出；你不能。你的注意力是你最宝贵的资产，它无法重新补充，所以要保护它。任何能被他人评判的事情都在被自动化。

职业生涯就是不可自动化的部分：选择什么重要，诚实地判断自己是否做对了，并为结果负责。去做这些。在公开场合。在硬问题附近。其余的事情会随之而来。

Pangram 评定本文为 100% 人类创作

如果你喜欢这篇文章，你可能也会喜欢：

• 掌控外层循环

• 认知投降

• 循环工程