未来会是什么样的¶
未来对人是开放的也是不可知的，这是我的基本态度。本篇文章也并非尝试预测未来， 因为预测是不可能的。
本篇文章写下的动机是几个因素交叠:
第一是我注意到我对未来的预想仍然偏少，我应该强化我的这种对未来的思考；第二是我注意到面对相同的事情， 不同的人得出的结论大相径庭，我认为记录我的观点和立场是有价值的。
我对未来的看法对别人是廉价的，因为它只是我的观点，但它对我很重要，因为我基于此构建了对未来的期望， 和相应的行为，来做我认为正确的事情。对我来说，它提供了回过头来检测在某个时候，我在想什么如何想的窗户。
AI 和程序员¶
AI时代如何保持竞争力¶
12 Oct 2026.
AI工具已经深刻的改写了我的工作日常，当AI能力局限在定义函数和unit tests时，我的工作状态是设计流程，考虑如何用已有的代码简洁高效的完成功能，并且开发代码完成交付。这个过程里，开发大概占据了50-60%的精力，本身高质量的代码就需要反复思考和查看，构造合适的测试用例和拆分。这个在做Go开源贡献的时候，也有很大的体现，我需要花很多时间来思考如何写更好的代码，以及处理些我写的代码不够好的地方。尽管写代码是为了满足目标，但我认为我在业务目标之外的仍然花费了巨大的精力和思考。
AI来了之后，一切都变了，我不再看代码，代码还有工程细节我也很少关注。ai写的代码是否完成目标仍然是最重要的事情，第二重要的是整个系统是怎么组织的，流程和数据是如何发生流转的。模块级别的模糊理解更重要。
这出现了一个问题，当我缺失了对项目很多细节的理解后，我凭什么说我比别人在这方面更有经验？在过去，由于陡峭的理解成本和写代码的技巧，这种差距是显而易见的。举个例子，新接触项目的新手很难复用已有的各种函数完成已有功能，而有经验的工程师会自然而然的想到。
这种差别在ai生成代码时代已经被消灭了，生成的代码量过大，远超人可以审阅的限度，没人关系代码到底是怎么组织的了。甚至我质疑linter存在的必要性，既然人不再去读代码也不再理解和维护每一行代码，linter从避免错误提高理解难易程度来讲已经被消解。
进一步的，当AI tokens不限量的时候，软件工程师的能力是如何被区分的？过去判断软件工程师能力的方式是产出，知识深度和可靠性，这些要点让交付质量和团队的产出得以保证。但AI tokens不限量后，巨大代码库带来的知识壁垒被削减，由于这种知识壁垒带来的产出优势也被连带干掉，可靠性更是如此，ai时代出现了更多质量的保证。看起来传统工程师竞争优势被削减很多。
对于代码库或者系统，很多信息蕴含其中而人类的探索能力有限，所以产生了信息差，自然而然导致表现能力的差距。对于可以索引得出的知识而言，ai让时间流逝存在记忆的知识变的廉价。这里有价值的东西没有变，高成本获取到的知识是有价值的，比如用AI需要30天，或者占据了大量的现实资源，类似于PoW，这些经验是有价值的。 这里制约的是物理上的时间。同样的，ai写代码不困难，但是历时半年到一年用ai完成整套系统仍然是难的，因为时间和ai token的开销都客观的制约经验的获取。
写到这里，我意识到时间是制约经验积累强的门槛，要尽量选择时间积累有价值的方向。但是问题是时间制约会随着技术革新而失效，就比如理解代码和在此基础上写代码的这个事情。现在ai推理和生成很慢，或许半年到一年生成的项目是受时间制约的，但是未来模型速度和智能提高后，可能时间会大幅度缩短。
所以把经验积累寄托在时间的制约上是不稳定的，因为技术的革新是颠覆性的，而取决于自身能力又不能形成一种方法论。到这里，我觉得找到颠扑不破积累经验的方案或许是不可行的。
既然靠更多的经验不太可行，那么我要回到最初的问题，如何保持竞争优势？朴素的，我认为更多经验可以有更多的竞争优势，但是这并不意味着竞争优势需要更有经验。讲个地狱笑话，在中国年轻工程师或比年纪大的更有优势，但是年轻人统计意义上显然有更少的经验。
竞争优势意味着在当前的场景下，借助已有工具，表现的比别人更好。举个例子，既然ai能更好地获取知识，那么竞争优势表现在理解上，获取知识并不代表理解知识，这就构成了一种优势。AI目前推理速度仍然很慢，那么如何采取行动让AI在推理速度受限的情况下产出更高就是具体的提高点。除此之外，提高AI的稳定性也是同理。
但遗憾的是，common problem一定会伴随着大量人专注解决，并且带来高质量通用的解决方案，这种竞争优势长期来看同样会被削弱。
长期会被消除，不代表短期没有价值，我认为这是最需要强调的观点。这个思路和“长远来看，我们都死了”是一致的，仍然可以采取一系列的行动来改善提高当前的状况。
在当下的场景下，只要有效解决当前问题，那就是实实在在的竞争优势。尽管长远来看，竞争优势可能会被削弱，但是随着不断的发展，新的问题将会涌现，我是相信新问题出现的时候，已有的竞争优势仍然有助于新竞争优势的形成。竞争优势并不是行程后坐享其成，而是随着时间不断变化。既然时间会变化，那么我也变化，除了神，没有什么是永恒的。
所以重要的是，找到对的事情，找到有摩擦的事情，这些事情在现在是有难度的，也是积累竞争优势最好的场景。 找到热点的事情去做，因为钱在这里，投资在这里，趁着大船更好前进。
AI对程序员的侵蚀¶
在五月份的时候，有朋友由于ai带来的强大生产力产生了强烈的焦虑，因为时间久远已经失去了原始材料， 但大体思路是ai极大侵蚀了程序员原有掌握的技能和经验，导致工作岗位的丧失，挤压致富前现金流的积累。
我是认可他的观点，ai带来了解决问题的能力，基于人作为劳动力放大产出的能力， 下面提到需求稳定的情况下，岗位开始萎缩，这是理性企业会做出的能力。
对于个人来说，这里有个值得讨论的话题，当绝对产出上升的时候，个人的收入是会增加还是降低？ 在我看来，主要是两个变量:
- 每个人的绝对产出多了
- 需要的人变少了
人的产出增加一倍，薪资不会翻倍，这是基于现实的观察。我在这里的解释是过去的团队成本是没有替代的， 因为人完全受制于产出，代码都是一行行写出来的，对于量大的工程目标，必须有很多人来做这个事情。
ai工具来了，逻辑就变了，只需要几个人来用ai来完成目标，这个成本是没有必要和原来的旧方式来比较。 这严格来说不是一个分配问题，不存在程序员池子总预算，人少了所以薪资高了这样一个思路。
ai工具带来了颠覆性的生产模式，而显然这对现在的junior程序员是不利的，我认可我朋友的悲观。 曾经对junior的需求主要来源于以下两点：
- (1) senior的精力是有限的，工程量很大，客观上不重要的事情可以被junior所解决， 这属于分工合作提高效率的一个案例
- (2) 长远来看，人才是需要培养的，这样当人员发生流动的时候，组织内部不可言说的知识仍然存在于人群中。现实中整个团队一次性全部离职的案例不在这里讨论。
现在senior在ai的帮助下，可以更快更好的干完过去junior需要做的大工程量，自然也就不需要junior了； 至于人才培养，通过各种流程知识库等方式甚至不需要人来理解，培养也谈不上了。
这个事情对于senior本身也是成立的，多个senior的活现在一个就可以完成，代码编写流程不再是过去因为人力限制产生的瓶颈。 不过由于senior通常不做培养，所以主要是第一点带来的影响。
这是个冷酷的客观事实，需求slumps，而供应一时半会又不会迅速降低，这种滞后产生的结果就会导向大量的junior失业， 这里咬文嚼字下或许失业并不合适，因为找不到第一份工作，无业可失。senior由于供给侧相对平滑，需求的萎缩并不剧烈， 有更大的缓冲空间。
我认为悲观来自于对现状的彷徨，机会的丧失，和失业的恐惧。这是影响深远的宏观结构，悲观是可以理解的。
对我来讲我可能觉得悲观是对趋势的判断，而非对人路径的判断，或许不应该这么过分，神总会指引我， 我只需背上我的十字架走下去。
ai同样创造了新的需求岗位，而这部分岗位显然有编程背景的人会有优势，现实的世界是逐步的缓慢的， 人的主观能动性在这里同样是宝贵的资源，这和选择公司投资是有共通之处的，因为在我看来，个人劳动力和资金是同构的. 但人的选择更少，只能yes or no，而一旦yes就是全仓，甚至带着杠杆做多自身。
侵蚀是存在的，ai在深刻长久的改变过去的软件开发模式，但未来会有更多的方向值得尝试。
Aug 2026前对ai的一些理解¶
2026年到八月份，应该来说积累了很多想法，AI也在这里突飞猛进。遗憾的是，我时常太懒找不到专门的时间来写， 等有时间时候所有的认识都混在一起难以区分了，所以就一并写了。
年初的时候，claude code开始兴起，那个时候公司还只采购cursor，编程还停留在在类VSCode界面上， 在AI辅助编程下来辅助，这个阶段至少在一个组织的角度来看AI是否可以提效还是半信半疑，对此内部还有统计工具来做这个事情。 这个时候github copilot相比cursor确实烂的多，例如todo可以出现别人的名字。这个时候claude code方兴未艾，codex更是杳无音讯。
到三月的时候，我自费订阅了glm的claude code，我向来节约（或许是吝啬），觉得claude code太贵，买了个glm作为平替， 也自己做了个gopls-mcp, 体会了下不需要编辑器的code agent如何工作的。 那个时候的体会是比较强大，但没有震撼我，因为里面有非常多的重复代码，bug等，做的设计也不好。后视镜看，我认为我看待新事物的过于严苛， 实际上我在期待一种‘言出法随 完美实现’的做事模式，在现在看来是完全不可能的。
四月的时候，公司内部开启了claude code的试用，到五月时候cursor涨了波价，于是就全线更换到了claude code上面去。 在更换了claude code后，没人会再质疑ai到底有没有帮助了，这变成了一个不言自明的问题了。
当然AI会有很多缺点，随随便便都可以说出一连串来，譬如ai无法很好地理解需求， 无法精确的完成任务，无法很好的理解需求，对于复杂项目理解不足等。
在这一串的体验里，ai将会长远的存在于企业环境里，来解决内部的需求， 来自ai的改良会不断发生，扩展ai可以处理的问题范围。过往来看，企业雇佣人是因为有大量的需求必须通过工程师来完成， 而在ai工具化的背景下，人的范围和产出期望将会被极度扩大，相比过去的编程速度，现在的速度是不可想象的。
产出极大增强，但问题在于企业通过满足外部客户需求来获利，需求的增长并不受到ai工具的巨大影响， 需求稳定的情况下随着生产端的大幅度增长，理性企业的选择就是削减人力，或者不让人力成本投入继续增加。