未來兩年軟件工程展望：從寫代碼到管 AI，程序員正分化成兩種職業

作者 | Addy Osmani

譯者 | 平川

策劃 | Tina

本文最初發布于 Addy Osmani 的個人博客。

軟件行業正處在一個奇怪的轉折點上。AI 編程已經從增強型的自動補全發展成了能夠自主執行開發任務的智能代理。曾經推動科技行業招聘熱潮的經濟繁榮已經讓位于效率至上的要求：企業現在往往更傾向于盈利而非增長，更傾向于經驗豐富的員工而非應屆畢業生，更傾向于組建配備更好工具的小團隊。

與此同時，新一代的開發者帶著不同的職業觀步入職場：他們注重職業穩定性，對拼搏文化持懷疑態度，并且從入行第一天起就使用 AI 輔助工具。

接下來會發生什么確實還難以預料。以下這五個關鍵問題可能會決定 2026 年軟件工程的發展，每個問題都對應兩種截然不同的情景。這并非真正的預測，而只是一個觀察的視角，幫助人們為應對軟件工程的未來發展做好準備。我們的目標是基于現有數據，結合本領域特有的健康的懷疑精神，通過制定清晰的路線圖來應對即將到來的挑戰。

初級開發者問題

要點：隨著 AI 將入門級任務自動化，初級開發者的招聘可能會暴跌，也可能會隨著軟件滲透到各行各業而強力反彈。兩種未來需要不同的生存策略。

“學習編碼，獲得初級工作，成長為高級”，這一傳統的職業路徑正在動搖。哈佛對 6200 萬工人的研究 發現，當公司采用生成式 AI 時，初級開發者就業率在六個季度里下降了大約 9-10%，而高級開發者的就業率基本保持不變。過去三年，大型科技公司招聘的應屆畢業生減少了 50%。正如一位工程師冷嘲熱諷地說：“花 9 萬美元雇個初級程序員，為什么不用成本更低的 AI 編程助手？”

這不僅僅是 AI 的問題。大約在 2022 年，利率上升和大流行后的調整等宏觀經濟因素 就已經開始顯現，這時 AI 工具尚未廣泛使用。但 AI 加速了這一趨勢。如今，在 AI 的幫助下，一名高級工程師可以完成過去需要一個小團隊來完成的工作。企業正在悄然減少招聘初級員工，其幅度甚至超過了裁員規模。

相反的情景：AI 解鎖了每個行業對開發者的巨大需求，而不僅僅是技術行業。醫療保健、農業、制造業和金融業都開始嵌入軟件和自動化技術。AI 不是取代開發者，而是成為一個力量倍增器，將開發工作擴展到從未雇傭過編碼人員的領域。我們將看到更多不同的入門級角色：為特定細分市場快速構建自動化和集成的“AI 原生”開發者。

美國勞工統計局 預測，從 2024 年到 2034 年軟件工作仍然將增長約 15%。若企業利用 AI 擴大產出而非單純裁員，就需要人類把握 AI 創造的機遇。

悲觀情景的長期風險經常被忽視：今天的初級開發者是明天的高級工程師和技術領導者。如果完全切斷人才管道，那么在 5-10 年內就將出現一個領導力真空。行業老兵稱這為“緩衰”：一個停止培訓接班人的生態系統。

我們該如何做？

初級開發者：使自己精通 AI 并成為多面手，證明一名初級開發者加上 AI 可以匹配一個小型團隊的產出。使用 AI 編碼代理（Cursor/Antigravity/Claude Code/Gemini CLI）構建比較大的功能，但要能理解并解釋大部分代碼行。聚焦不容易被 AI 替代的技能：溝通、問題分解、領域知識。將相鄰角色（QA、DevRel、數據分析）視為切入點。構建一個項目集，特別是集成 AI API 的項目。考慮參與學徒計劃、實習、外包或開源項目。不要成為“只是又一個需要培訓的新畢業生”，而是成為一個學習速度快、立即就能發揮作用的工程師。

高級開發者：初級開發者減少意味著你的日常工作增加。利用自動化工具來完成例行任務，不要什么事都自己做。利用 CI/CD、linter 和 AI 輔助測試來捕捉基本問題。通過開源項目或指導其他部門同事開展非正式的導師工作。向管理層如實說明全由資深員工組成的團隊所面臨的風險。若初級人才需求回升，需做好高效接納新人的準備，并運用 AI 進行任務分配。你的價值在于提升整個團隊的產出，而非個人的代碼產出。

2. 技能問題

要點：隨著 AI 編寫大部分代碼，核心編程技能可能會退化，或者因為人類開發者需要監督 AI 而使這些技能變得比以往任何時候都更加關鍵。未來幾年將決定我們是否會為追求速度而犧牲對代碼的理解。

現在有 84% 的開發者定期使用 AI 輔助工具。對許多人來說，面對錯誤或新功能需求的第一反應不是從頭開始編寫代碼，而是編寫提示并組合 AI 生成的代碼片段。初級程序員正在跳過“艱難的入門階段”：他們可能永遠不會從頭開始構建二叉搜索樹或獨立調試內存泄漏。

開發者的技能集正在從實現算法轉變為知道如何向 AI 提出正確的問題并驗證其輸出。現在，入門的第一個要求是提示和驗證 AI 的輸出，而不是展示原始編碼能力。一些高級工程師擔心，這會產生一代不能獨立編碼的人，導致開發者技能退化。AI 生成的代碼可能會引入一些微妙的錯誤和安全漏洞，不太有經驗的開發者可能會漏掉。

相反的情景：AI 處理 80% 的常規工作，人類專注于最難的 20%。架構設計、復雜集成、創意設計、邊緣情況，這些問題是機器無法單獨解決的。AI 的普及并沒有使深厚的知識積累過時，反而使人類專業知識變得比以往任何時候都更重要。這就是“高杠桿工程師”，他們將 AI 作為一種力量倍增器，但必須深入理解系統才能有效使用。

如果每個人都有 AI 編碼代理訪問權限，那么區分優秀開發者的關鍵在于知道 AI 何時出錯或不夠優化。正如一位高級工程師所說：“最好的軟件工程師不是最快的編碼者，而是那些知道何時不信任 AI 的人。”

編程轉變：需要輸入的樣板代碼減少，把更多的精力用在審查 AI 輸出的邏輯錯誤、安全漏洞和與需求不匹配的問題。關鍵技能變成了軟件架構、系統設計、性能調優和安全分析。AI 可以快速生成一個 Web 應用程序，但專家工程師需要確保 AI 遵循了安全最佳實踐，并且沒有引入競態條件。

2025 年，開發者中間出現了分歧。一些人坦言，他們幾乎不“親手”編寫代碼，并認為編碼面試應該做出改變。其他人則認為，跳過基礎知識面試會導致 AI 輸出出現問題時需要完成的應急處理工作增加。行業開始期望工程師同時具備AI 的效率和保障質量的基本知識。

我們該如何做？

初級開發者：將 AI 當作學習工具，而不是拐杖。對于 AI 編碼代理（Cursor/Antigravity/Claude Code/Gemini CLI）的建議，要通過審查代碼了解其工作原理并識別薄弱環節。偶爾禁用你的 AI 助手，從頭開始編寫關鍵算法。優先考慮計算機科學基礎：數據結構、算法、復雜性、內存管理。將項目實現兩次，一次用 AI，一次不用 AI，然后對兩者進行比較。學習提示工程，并掌握相關工具。通過嚴格的測試訓練自己：編寫單元測試，自己閱讀堆棧跟蹤信息而不是立即詢問 AI，熟練使用調試工具。深化 AI 無法復制的互補技能：系統設計、用戶體驗直覺、并發推理。證明你既能用 AI 快速解決問題，也能在 AI 失敗時自己處理棘手的問題。

高級開發者：將自己定位為質量和復雜性的守護者。磨練你的核心專長：架構、安全、擴展、領域知識。練習用 AI 組件進行系統建模并思考故障模式。隨時關注 AI 生成代碼中的漏洞。擁抱你作為導師和審查者的角色：定義什么時候可以使用 AI，以及什么時候必須手動審查（支付或安全代碼）。側重于創造性和戰略性工作；讓初級開發者和 AI 一起處理常規 API 連接，而你決定構建哪些 API。投資軟技能和跨領域知識。隨時關注新工具和最佳實踐。加倍重視人類開發者不可或缺的因素：準確的判斷、系統性思維和導師帶徒。

角色問題

要點：開發者的角色職責可能縮減為有限的審計（監督 AI 生成的代碼）工作，也可能擴展為設計和管理 AI 驅動系統的關鍵協調者。無論哪種情況，創造價值都遠不止于編寫代碼。

此處的兩極分化非常明顯。在前一種情景中，開發者的創造性職責被削弱。他們不再專注于構建軟件，而是更多地審核和監管 AI 產出。AI 系統（或使用無代碼平臺的“公民開發者”）負責生產環節；人類開發者則審查自動生成的代碼，檢查錯誤、偏見或安全問題，并審批部署。創造者淪為檢查者。編寫代碼的喜悅被風險管理的焦慮所取代。

有報道稱，工程師將花更多時間評估 AI 生成的拉取請求和管理自動化管道，而不是從頭開始編寫代碼。編程感覺更像是合規性檢查，而不是創造性地解決問題。正如一位工程師感嘆：“我不想淪為一個代碼清潔工，整天收拾 AI 留下的爛攤子。”

另一種未來則有趣得多：開發者演變成高級協調者，兼具技術、戰略和道德責任。AI“工人”意味著人類開發者承擔架構師或總承包商的角色，負責設計整個系統，決定哪些任務分配給哪些 AI 或軟件組件，并將活動部件組合成解決方案。

有一家低代碼平臺的首席執行官闡述了這個情景：在“智能代理”開發環境中，工程師將轉型為“作曲家”，指揮由 AI 代理和軟件服務組成的“樂團”。他們無需親自譜寫每個音符，但會定義旋律，即架構、接口以及代理間的交互方式。這個角色兼具跨學科性和創造性：既是軟件工程師，又是系統架構師，同時也是產品戰略家。

樂觀看法：隨著 AI 承擔起一些重復性工作，開發者的角色必然轉向更高價值的活動。工作可能變得更加有趣。必須有人決定 AI 應該構建什么，驗證產品是否合理，并持續改進它。

向哪個方向發展取決于組織選擇如何整合 AI。將 AI 視為勞動力替代工具的公司可能會縮減開發團隊，并要求剩下的工程師保持相關任務自動化運行。將 AI 視為團隊能力增強工具的公司可能會保持人員數量基本不變，但讓每位工程師承擔更費時耗力的項目。

我們該如何做？

初級開發者：不要局限于編寫代碼，要尋找其他機會。自愿參與測試用例編寫、CI 流水線設置或應用監控，培養與審計員 / 監管人角色相一致的技能。通過個人項目保持你的創造性編碼能力，以免失去構建樂趣。培養系統思維：學習組件之間如何通信，怎樣設計出良好的 API。閱讀工程博客和系統設計案例研究。熟悉除代碼生成之外的 AI 和自動化工具：編排框架、AI API。提升書面與口頭溝通能力。撰寫文檔時秉持向他人闡述的標準。向資深同事提問時，不僅要問“代碼是否運行正常？”更要問“我的考量是否到位？”。準備好成為驗證者、設計者和溝通者，而非僅是編碼者。

高級開發者：把更多精力放在領導和架構責任上。打造供 AI 和初級團隊成員遵循的標準和框架。定義代碼質量檢查清單和符合倫理的 AI 使用策略。隨時關注與 AI 生成軟件合規性和安全性相關的話題。專注于系統設計和集成知識；自愿繪制服務間的數據流并識別故障點。熟悉編排平臺（Kubernetes、Airflow、無服務器框架、代理編排工具）。投入雙倍精力履行技術導師角色：更多地參與代碼審查、設計討論、技術指導。提升快速評估他人代碼并給出高層次反饋的能力。培養產品和商業意識；了解為什么構建一個功能以及客戶關心什么。向產品經理學習或參加客戶反饋會議。通過原型、黑客馬拉松或新興技術研究來保持你的創造激情。從編碼者演變為指揮者。

專家與通才問題

要點：專業領域過于狹窄的專家會面臨自身領域被自動化取代或逐漸淘汰的風險。在快速變化、AI 深度滲透的時代背景下，T 型工程師更受青睞——他們既具備廣泛的適應能力，又擁有一個或兩個有深厚知識積累的專業技能。

考慮到模型、工具和框架的快速興衰，將職業生涯押注在單一技術棧上是有風險的。當新型 AI 工具能以極少需要人工干預的方式處理傳統框架時，該領域的專家可能會突然發現自身需求銳減。那些專注于“單一技術棧、框架或產品領域”的開發者，某天醒來時或許會發現，該領域已日漸式微甚至被淘汰。

想想那些在行業轉型時未能及時轉型的人：COBOL 開發者、Flash 開發者或移動游戲引擎專家。如今不同的是變革速度。AI 自動化能讓某些編程任務變得微不足道，削弱了因這些任務而存在的工作崗位。只精通單一技能的專家（比如調整 SQL 查詢參數、將 Photoshop 設計切片為 HTML 代碼）可能會發現，90% 的工作已被 AI 取代。

招聘經理們總在追逐最新的小眾領域。幾年前人人都想要云基礎設施專家；如今 AI/ML 工程師需求激增。那些精通昨日技術的人，隨著該領域的發展放緩，會感到職業發展陷入了停滯。

相反的結果是形成一種新的專業化形式，即“多面手專家”或 T 型開發者。他們在一兩個領域擁有深厚的造詣（豎線），同時又廣泛涉獵其他眾多的領域（橫線）。他們成了跨學科團隊的“粘合劑”，既能與各領域專家溝通協作，又能在必要時填補技術空白。

企業不再需要知識深度或廣度不夠的開發人員；他們想要一個強大的核心競爭力，以及能夠跨棧工作的能力。其中一部分原因是效率考量：一個 T 型工程師通常可以獨立解決端到端問題，無需等待上下游交接。其中一部分原因是創新考量：知識的交叉傳播可以帶來更好的解決方案。

實際上，AI 工具增強了通才的能力，使一個人更容易處理多個組件。后端工程師可以在 AI 的幫助下構建出合理的 UI；前端專家可以借助 AI 生成服務器樣板代碼。一個提供豐富 AI 功能的環境讓人們能夠完成更廣泛的工作。與此同時，深度專家可能會發現，他們的專業領域有一部分被自動化取代，卻難以開拓新領域。

現在近 45% 的工程角色期望能夠精通多個領域的知識：編程加云基礎設施知識，或是前端開發加熟悉 ML。

我們該如何做？

初級開發者：盡早打下廣泛的基礎。即使被雇傭為特定的角色，也要了解那個崗位之外的知識。如果你是在做移動開發，不妨學習下后端基礎知識；如果你是在做前端開發，則可以嘗試編寫一個簡單的服務器。學習部署過程和工具，如 Docker 或 GitHub Actions。找一兩個真正讓你感到興奮的領域深入學習，使它們成為你垂直領域的專業知識。將自己定位成混合型人才：“全棧開發人員，專注于云安全”或“前端開發人員，具有 UX 專業知識”。借助 AI 工具快速學習新領域的知識；如果你是后端新手，可以讓 ChatGPT 生成入門 API 代碼并學習它。養成不斷學習新技能的習慣。參加黑客馬拉松或跨職能項目，強迫自己進入通才模式。告訴你的經理，你想要接觸項目的不同部分。適應性是職業生涯早期的超能力。

高級開發者：繪制你的技能圖譜：你在哪些領域是專家，哪些相關領域你只是淺嘗輒止？選擇一到兩個相鄰領域并努力精通。如果你是一個后端數據庫專家，不妨熟悉一個現代前端框架或學習機器學習（ML）流水線的基礎知識。借助 AI 的幫助，在你的弱項領域做一個小項目。將你深厚的專業知識與新環境相結合；如果你專門從事 Web 應用性能優化，可以探索如何將這些技能應用于 ML 推理優化。支持或爭取將你的角色設計成跨職能的，自薦成為涉及多領域項目的“集成負責人”。指導他人，傳播技能，同時也從中學習新東西。更新簡歷體現多元化能力。利用你的經驗識別模式和可轉移知識。成為 T 型人才的典范：在你的專業領域深耕（建立權威和信心），并積極拓展橫向能力。

教育問題

要點：計算機科學（CS）學位是保持黃金標準，還是被更快的學習路徑（訓練營、在線平臺、雇主培訓）所取代？大學可能難以跟上每幾個月就有重大變化的行業發展。

四年制計算機科學學位一直是進入軟件領域的主要途徑。但這一傳統正在受到質疑。

一種未來：大學仍然重要，但難以保持相關性。學位仍然是默認的資格憑證，但受制于緩慢的課程更新周期和官僚審批流程，課程設置落后于快速發展變化的需求。學生和雇主均感覺學術界與行業脫節，學校教授的理論或過時的做法無法轉化為工作技能。

最近的畢業生報告指出，他們在攻讀學位期間從未學習過云計算、現代 DevOps 或 AI 工具。如果大學需要投入很多的時間和資金，但卻只能提供低相關性教育，那么它們就有被視為昂貴守門人的風險。但出于慣性，許多公司仍然要求應聘者具備學士學位，因此壓力就轉到了應聘者身上，他們需要通過訓練營、在線課程和自學項目來彌補這方面的不足。

學生貸款是一筆巨大的債務，而公司也要花費數十億美元培訓新畢業生，因為他們缺乏工作場所需要的技能。大學可能會在這里增加一門 AI 倫理課程，在那里增加一門云計算選修課，但當他們真正實施時，行業工具已經又向前發展了。

顛覆性場景：傳統教育日益為新教育體系所取代。編碼訓練營、在線認證、自學作品集、雇主創建的培訓學院層出不窮。許多知名雇主（谷歌、IBM）已經取消了某些技術角色的學位要求。到 2024 年，近 45% 的公司計劃至少取消部分職位的學士學位要求。

訓練營體系已經相當成熟，他們培養的畢業生與 CS 畢業生一起被頂級公司雇傭。這些項目周期更短（12 周強化），并且專注于教授實用技能：當前流行的框架、云服務、團隊合作。招聘標準正在瞄準在線作品集、微證書和已認證技能。出色的 GitHub 作品集或公認的認證可以免除學位要求。

由雇主推動的教育正在興起：企業自主搭建培訓體系或與編程訓練營合作。部分科技巨頭已經為非傳統背景的人才設立了內部“大學”。AI 本身也開辟了全新的學習路徑：AI 導師、交互式編程沙盒、校外個性化教學。

模塊化的學習生態遠比昂貴的四年制學位更容易獲取。在計算機科學專業實力薄弱的國家，孩子們也能修讀 Coursera 的課程，構建與硅谷人士同樣的個人作品集。

我們該如何做？

有志向的開發者 / 初級開發者：在學習傳統的計算機科學課程時，不要完全依賴課程進行學習。要通過實際的項目補充課程內容：構建 Web 應用，參與開源項目。尋找實習或合作機會。如果你的課程中沒有包含熱門話題，則通過在線平臺學習它們。考取行業認可的認證（GCP、亞馬遜云科技、Azure）以證明自己的實踐能力。如果是你在自學或參加了訓練營，則一定要專注于創建一個引人注目的作品集：至少要有一個文檔良好的重點項目。積極參與開發者社區：參與開源項目，撰寫技術文章。通過 LinkedIn、聚會以及開發活動建立人際關系網絡。爭取資深開發者為你背書。考慮到技術技能的半衰期非常短，務必要不斷學習。將 AI 作為個人導師。用具體的方式證明自己的能力：作品集、認證證書以及能清晰闡述工作成果的能力，這些將為你打開機遇之門。

高級開發者和領導者：你不能永遠依賴于證書。要在繼續教育方面進行投資：在線課程、研討會、會議、認證。通過新的方式驗證你的技能，為通過實際問題評估應聘者當前能力的面試做好準備。維護使用了新技術的業余項目。重新評估工作要求：你真的需要新員工擁有計算機科學學位，還是需要他們具備某些技能和學習能力？推動以技能為先的招聘，擴大你的人才庫。支持內部培訓計劃或學徒制崗位。為沒有正式大學背景的初級開發者建立導師制小組。與學術界及其他機構合作：加入顧問委員會、舉辦客座講座、對課程存在的問題提出反饋。將這種合作融入自身的職業發展中：實際的成果和持續的學習比額外的學位更重要。

小 結

這些情景并不是相互排斥的。現實將融合所有要素。一些企業將縮減初級崗位的招聘，另一些則會在新的領域擴大招聘規模。AI 會將常規編碼工作自動化，同時又提升人類編寫的代碼的質量標準。開發者或許會在上午審核 AI 生成的代碼，下午則專注于設計高級架構。

一個貫穿始終的主題是：變化是唯一的常數。緊盯技術趨勢（并保持審慎態度），避免被炒作或末日論所蒙蔽。通過更新技能、拓展能力、聚焦人類特有的優勢（創造力、批判性思維、協作能力），你才能始終保持競爭力。

無論未來是迎來編程復興，還是進入自動編碼時代，那些具備全局思維、持續學習能力并能推動技術發展解決實際問題的工程師，始終會受到市場的青睞。

預測未來的最佳方式就是積極地塑造它。

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

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。