1. 從“碼農(nóng)”到“AI協(xié)作者”一個時代的職業(yè)拐點最近和幾個做技術(shù)招聘的朋友聊天聽到一個挺有沖擊力的現(xiàn)象過去半年他們收到的初級工程師簡歷數(shù)量沒怎么變但真正能走到面試環(huán)節(jié)的尤其是那些只會CRUD增刪改查和簡單業(yè)務(wù)邏輯實現(xiàn)的候選人比例在肉眼可見地下降。另一邊一些資深工程師的崗位特別是那些要求能駕馭AI工具、定義AI應(yīng)用場景、解決AI落地難題的職位薪資和需求都在逆勢上漲。這讓我想起幾年前“低代碼/無代碼”平臺興起時也有人預(yù)言程序員要失業(yè)但這次感覺真的不一樣了。“AI來了初級工程師崗位正在消失”——這個標題聽起來有點聳人聽聞但如果你拆開來看它描述的是一種結(jié)構(gòu)性的崗位遷移而非總量的絕對減少。AI特別是大語言模型和代碼生成工具正在像當年的編譯器、IDE集成開發(fā)環(huán)境、開源框架一樣成為新的“基礎(chǔ)設(shè)施”。它的直接效應(yīng)是大幅提升了基礎(chǔ)、重復(fù)性編碼工作的效率天花板。過去需要一個初級工程師花半天時間寫的表單校驗、數(shù)據(jù)接口、基礎(chǔ)頁面現(xiàn)在一個有經(jīng)驗的工程師借助Copilot、Cursor等工具可能十幾分鐘就能完成初稿并且質(zhì)量更穩(wěn)定。企業(yè)自然會對純粹執(zhí)行簡單編碼任務(wù)的崗位需求進行重新評估。但這絕不意味著工程師這個職業(yè)在萎縮。恰恰相反我認為這是技術(shù)行業(yè)一次深刻的“價值重構(gòu)”。初級崗位的“消失”本質(zhì)是技能門檻的平移和升級。市場不再需要大量的“代碼打字員”而是急需能夠與AI高效協(xié)作、解決更復(fù)雜問題的“技術(shù)策展人”和“問題架構(gòu)師”。舊的崗位形態(tài)在收斂而新的、更具價值的崗位需求正在三個關(guān)鍵方向上集中爆發(fā)。接下來我就結(jié)合最近的觀察和實際項目中的體會詳細拆解這三大爆發(fā)的需求方向以及我們該如何應(yīng)對。2. 需求爆發(fā)方向一AI原生應(yīng)用的設(shè)計與架構(gòu)師這是目前最炙手可熱的方向也是價值最高的領(lǐng)域。所謂“AI原生應(yīng)用”不是簡單地在現(xiàn)有App里加個聊天機器人入口而是從產(chǎn)品理念、交互邏輯到技術(shù)架構(gòu)都圍繞AI的核心能力如理解、生成、推理、規(guī)劃重新設(shè)計的應(yīng)用。2.1 核心能力變遷從“實現(xiàn)邏輯”到“設(shè)計提示與流程”傳統(tǒng)應(yīng)用開發(fā)工程師的核心任務(wù)是理解產(chǎn)品需求將其轉(zhuǎn)化為精確的數(shù)據(jù)庫設(shè)計、API接口和狀態(tài)管理邏輯。需求是確定的輸出也是確定的。但在AI原生應(yīng)用中很大一部分邏輯變成了對不確定性的管理。舉個例子一個傳統(tǒng)的電商推薦系統(tǒng)工程師需要設(shè)計協(xié)同過濾算法、處理特征工程、搭建排序模型。而在AI原生場景下你可能需要構(gòu)建一個“購物顧問”AI。它的工作流程是先理解用戶一段模糊的描述“我想找一款適合夏天徒步、透氣性好、預(yù)算一千左右的鞋子”然后自主調(diào)用產(chǎn)品數(shù)據(jù)庫、用戶評論情感分析、甚至外部天氣信息生成一份帶有推理過程的推薦列表并能與用戶進行多輪對話來澄清需求。這時工程師的核心工作發(fā)生了根本變化提示工程與編排如何設(shè)計一套精準的“系統(tǒng)提示詞”讓大模型理解你的領(lǐng)域、遵循你的規(guī)則、使用你提供的工具這需要深厚的領(lǐng)域知識和對模型行為的理解。流程編排與韌性設(shè)計AI的調(diào)用可能失敗、可能產(chǎn)生荒謬結(jié)果。如何設(shè)計重試、降級、驗證和人工審核流程這需要像設(shè)計分布式系統(tǒng)一樣考慮故障隔離和自愈。評估與優(yōu)化如何定量評估AI輸出的質(zhì)量如何通過A/B測試、數(shù)據(jù)反饋閉環(huán)來持續(xù)優(yōu)化提示詞和流程這接近傳統(tǒng)算法工程師的工作但評估對象變成了非結(jié)構(gòu)化的文本或多媒體內(nèi)容。實操心得開始一個AI原生應(yīng)用設(shè)計時別急著寫代碼。先用流程圖或偽代碼把AI Agent智能體與用戶、與內(nèi)部系統(tǒng)、與外部工具的交互流程完整畫出來特別標注出每個環(huán)節(jié)的“確定性”和“不確定性”。這能幫你提前發(fā)現(xiàn)很多架構(gòu)上的挑戰(zhàn)。2.2 技術(shù)棧的擴展LangChain、LlamaIndex與Agent框架應(yīng)對上述挑戰(zhàn)催生了一系列新的技術(shù)棧。單純會Python和幾個機器學(xué)習(xí)庫已經(jīng)不夠了?，F(xiàn)在你需要熟悉像LangChain、LlamaIndex這類用于構(gòu)建大模型應(yīng)用的框架。它們提供了模塊化的組件用于連接模型、管理對話記憶、編排工具調(diào)用鏈。更重要的是你需要理解AI Agent智能體的架構(gòu)模式。一個典型的Agent包含幾個核心部分規(guī)劃模塊分解復(fù)雜任務(wù)為子步驟。工具調(diào)用模塊學(xué)習(xí)使用外部API、數(shù)據(jù)庫查詢等擴展能力。記憶模塊管理對話歷史、長期知識。執(zhí)行與反思模塊執(zhí)行動作并根據(jù)結(jié)果調(diào)整策略。工程師的角色從“編寫所有邏輯”轉(zhuǎn)變?yōu)椤盀锳I配置能力工具箱并設(shè)定行動綱領(lǐng)”。這要求你既懂軟件工程設(shè)計穩(wěn)定的API、數(shù)據(jù)流又懂AI原理理解模型的局限性和優(yōu)勢還能深刻理解業(yè)務(wù)。一個簡單的工具調(diào)用示例概念性代碼# 偽代碼展示Agent使用工具的思路 from some_agent_framework import Agent, Tool def search_product(query: str) - str: 根據(jù)描述搜索商品數(shù)據(jù)庫的工具 # 實際這里會連接ES或數(shù)據(jù)庫 results db.search(query) return format_results(results) def get_weather(city: str) - str: 獲取城市天氣的工具 # 調(diào)用天氣API return weather_api.fetch(city) # 定義AI Agent shopping_agent Agent( system_prompt你是一個專業(yè)的戶外裝備購物顧問..., tools[Tool(search_product), Tool(get_weather)], # 為Agent裝配工具 memoryConversationBufferMemory() ) # 用戶提問 response shopping_agent.run(北京下周要去露營推薦個帳篷吧。) # Agent會自動規(guī)劃先調(diào)用get_weather(北京)了解天氣再結(jié)合結(jié)果調(diào)用search_product(露營 帳篷 防風(fēng))...3. 需求爆發(fā)方向二復(fù)雜系統(tǒng)的集成與“膠水”工程師AI不是空中樓閣它必須與現(xiàn)有的、往往盤根錯節(jié)的企業(yè)IT系統(tǒng)集成才能產(chǎn)生商業(yè)價值。這就催生了第二類爆發(fā)需求能夠?qū)I能力安全、可靠、高效地“粘合”到復(fù)雜舊系統(tǒng)中的工程師。我更喜歡稱他們?yōu)椤澳z水工程師”或“集成架構(gòu)師”。3.1 挑戰(zhàn)在混沌中建立秩序很多企業(yè)的系統(tǒng)是歷史遺留的“屎山”文檔缺失接口混亂數(shù)據(jù)孤島林立。直接把大模型接進去要么得不到有效數(shù)據(jù)要么會因為模型不可控的輸出引發(fā)生產(chǎn)事故比如錯誤地調(diào)用了一個刪除數(shù)據(jù)的API。這類工程師的核心價值在于API化與抽象將企業(yè)內(nèi)部混亂的數(shù)據(jù)源和能力封裝成干凈、穩(wěn)定、安全的API或函數(shù)供AI Agent調(diào)用。這本身就是一項重要的軟件工程工作。數(shù)據(jù)管道構(gòu)建為AI準備高質(zhì)量的“燃料”。需要建立實時或批處理的數(shù)據(jù)管道從各業(yè)務(wù)系統(tǒng)抽取、清洗、格式化數(shù)據(jù)灌入向量數(shù)據(jù)庫或作為上下文提供給模型。安全與權(quán)限沙箱設(shè)計嚴格的執(zhí)行沙箱。確保AI在調(diào)用工具時其權(quán)限被最小化操作可審計、可回滾。例如AI只能通過一個特定的、有嚴格參數(shù)校驗和風(fēng)控的“服務(wù)層”來修改數(shù)據(jù)庫而不是直接獲得連接串。成本與性能優(yōu)化大模型API調(diào)用不便宜響應(yīng)延遲也可能很高。需要設(shè)計緩存策略、對非實時任務(wù)使用小模型或異步處理、對提示詞和上下文長度進行精細優(yōu)化以降低Token消耗。3.2 必備技能全棧視野與運維思維這個方向的工程師往往是“全?！敝械摹叭珬！?。他們需要懂后端開發(fā)設(shè)計高性能、高可用的服務(wù)。數(shù)據(jù)工程處理ETL、理解數(shù)據(jù)結(jié)構(gòu)。運維與安全關(guān)注系統(tǒng)穩(wěn)定性、監(jiān)控、日志、權(quán)限控制?；镜腁I知識理解不同模型的輸入輸出、Token計費方式、上下文窗口限制。他們的工作成果常常不直接面向用戶卻是AI應(yīng)用能否穩(wěn)定運行的“地基”。一個常見的場景是為銷售部門構(gòu)建一個能自動查詢客戶歷史訂單、產(chǎn)品庫存和物流狀態(tài)的AI助手。這背后需要打通CRM、ERP、WMS至少三個系統(tǒng)處理好網(wǎng)絡(luò)隔離、數(shù)據(jù)同步延遲、接口兼容性等一系列問題。避坑指南在集成初期務(wù)必實施“人類在環(huán)”策略。即AI的所有關(guān)鍵操作尤其是寫操作先設(shè)置為“建議”模式由人工確認后再執(zhí)行。同時建立完善的日志和監(jiān)控體系記錄下AI的每一次思考過程Chain of Thought和工具調(diào)用這是事后排查問題和優(yōu)化流程的黃金資料。4. 需求爆發(fā)方向三垂直領(lǐng)域的數(shù)據(jù)準備與模型精調(diào)師通用大模型很強大但“什么都懂一點什么都不精”。在醫(yī)療、法律、金融、工業(yè)等專業(yè)領(lǐng)域通用模型的表現(xiàn)可能不盡如人意甚至因為“幻覺”而產(chǎn)出危險內(nèi)容。因此第三類爆發(fā)需求是能夠為特定垂直領(lǐng)域準備高質(zhì)量數(shù)據(jù)并對基礎(chǔ)模型進行精調(diào)打造行業(yè)專家模型的工程師。4.1 從“調(diào)參俠”到“數(shù)據(jù)雕塑家”傳統(tǒng)的機器學(xué)習(xí)工程師工作重心是特征工程和模型調(diào)參。而在大模型時代數(shù)據(jù)質(zhì)量的重要性被提到了前所未有的高度。對于精調(diào)來說數(shù)據(jù)就是模型的“教材”。教材的質(zhì)量直接決定了學(xué)生的水平。這個方向的工作流程通常包括領(lǐng)域知識圖譜構(gòu)建與數(shù)據(jù)挖掘與領(lǐng)域?qū)＜疑疃群献魇崂黻P(guān)鍵概念、實體、關(guān)系和業(yè)務(wù)流程。從海量的行業(yè)文檔、報告、歷史對話記錄中挖掘和清洗出有價值的訓(xùn)練數(shù)據(jù)對Instruction-Output Pair。高質(zhì)量數(shù)據(jù)集的精心制作這不僅僅是收集數(shù)據(jù)更是“雕刻”數(shù)據(jù)。需要設(shè)計多樣化的任務(wù)指令覆蓋領(lǐng)域內(nèi)各種場景。輸出答案必須精準、無歧義、符合行業(yè)規(guī)范。這個過程極其耗費人力且需要深厚的領(lǐng)域知識。模型精調(diào)技術(shù)選型與實施掌握LoRA、QLoRA等參數(shù)高效微調(diào)技術(shù)在有限的算力下對大型模型進行適配。需要理解訓(xùn)練過程中的損失曲線、評估指標并能解決過擬合、災(zāi)難性遺忘等問題。評估與迭代建立專業(yè)的評估體系。不僅要用傳統(tǒng)的準確率、召回率更要設(shè)計領(lǐng)域相關(guān)的評測集甚至請領(lǐng)域?qū)＜疫M行人工評估確保模型輸出在專業(yè)上是可靠的。4.2 工具鏈與協(xié)作模式從事這份工作你會頻繁使用到以下工具和概念數(shù)據(jù)標注平臺如Label Studio用于高效組織和標注數(shù)據(jù)。精調(diào)框架如Hugging Face的TRL、PEFT庫以及Axolotl等開源項目。評估框架除了自動評估可能還需要搭建一個評估平臺方便專家進行盲測打分。版本管理與實驗追蹤像MLflow或Weights Biases用于管理不同的數(shù)據(jù)版本、模型版本和實驗參數(shù)。這個角色是AI與垂直行業(yè)深度結(jié)合的橋梁。他們產(chǎn)出的不是一個通用的聊天機器人而是一個具備專業(yè)資質(zhì)的“數(shù)字員工”。例如一個精調(diào)后的法律模型可以更準確地理解法律條文生成更合規(guī)的合同審閱意見一個醫(yī)療模型在診斷建議上會更加謹慎并引用權(quán)威的診療指南。一個精調(diào)數(shù)據(jù)樣本的示例{ instruction: 作為一名心血管內(nèi)科醫(yī)生請根據(jù)以下患者主訴和檢查結(jié)果給出初步診斷思路和后續(xù)檢查建議。患者58歲男性主訴‘活動后胸悶、氣短3個月加重1周’。查體BP 150/95mmHg心率92次/分律齊心尖部可聞及2/6級收縮期吹風(fēng)樣雜音。心電圖示竇性心律ST段在V4-V6導(dǎo)聯(lián)輕度下斜型壓低0.05-0.1mV。, input: , output: 【初步診斷思路】患者為中老年男性有活動后胸悶氣短癥狀需優(yōu)先考慮冠心病心絞痛可能。支持點1. 典型勞力性胸痛癥狀2. 心電圖有心肌缺血性ST段改變V4-V6導(dǎo)聯(lián)。鑒別診斷需包括心力衰竭、心臟瓣膜病聽診有雜音、肺源性疾病等。\n【后續(xù)檢查建議】1. **必需檢查**心臟超聲評估心臟結(jié)構(gòu)、瓣膜情況及心功能心肌損傷標志物如hs-cTnT血脂、血糖。2. **重要檢查**冠狀動脈CTA或運動負荷試驗若結(jié)果提示中高危建議行冠狀動脈造影。3. **生活方式干預(yù)**立即建議患者戒煙限酒、低鹽低脂飲食并預(yù)約心內(nèi)科門診隨訪。\n【注意】本分析僅為AI輔助建議不能替代執(zhí)業(yè)醫(yī)師的面對面診療。最終診斷需結(jié)合全部臨床資料由醫(yī)生確定。 }5. 新需求下的技能重塑與學(xué)習(xí)路徑面對這三個爆發(fā)的新需求無論是初入行的新人還是希望轉(zhuǎn)型的資深工程師都需要有針對性地重塑自己的技能樹。這不再是簡單學(xué)習(xí)一門新語言或框架而是一種思維模式和能力組合的升級。5.1 思維模式轉(zhuǎn)型從“執(zhí)行者”到“定義者”與“評估者”最根本的轉(zhuǎn)變發(fā)生在思維層面問題定義能力以前產(chǎn)品經(jīng)理給PRD產(chǎn)品需求文檔工程師實現(xiàn)?，F(xiàn)在很多問題本身是模糊的“做一個能幫我們提升客服效率的AI”。工程師需要主動參與甚至主導(dǎo)問題的澄清和定義提升哪方面效率是回答常見問題還是生成工單摘要成功的標準是什么評估與迭代思維AI系統(tǒng)的輸出沒有絕對的正確只有“更好”或“更合適”。工程師需要建立一套持續(xù)評估和迭代的機制通過數(shù)據(jù)反饋來驅(qū)動系統(tǒng)優(yōu)化這很像數(shù)據(jù)科學(xué)家的思維方式。概率性思維接受系統(tǒng)有一定程度的不確定性并學(xué)會管理這種不確定性。通過設(shè)計冗余、驗證、人工審核流程來保證系統(tǒng)的整體可靠性。5.2 核心技能棧建議針對前述三大方向你可以有側(cè)重地構(gòu)建自己的能力對于AI原生應(yīng)用方向深入理解至少一個主流大模型API如OpenAI GPT、Claude、國產(chǎn)深度求索等的詳細參數(shù)、能力邊界和成本結(jié)構(gòu)。熟練掌握一個AI應(yīng)用框架如LangChain或LlamaIndex并理解其核心概念Chain, Agent, Tool, Retriever等。強化軟件工程基礎(chǔ)特別是API設(shè)計、異步編程、錯誤處理和系統(tǒng)監(jiān)控。學(xué)習(xí)基本的提示工程能寫出結(jié)構(gòu)清晰、指令明確的系統(tǒng)提示詞和少樣本示例。對于系統(tǒng)集成方向深耕后端與數(shù)據(jù)工程技術(shù)微服務(wù)架構(gòu)、消息隊列、流處理、數(shù)據(jù)倉庫等。掌握云原生和DevOps工具鏈容器、Kubernetes、CI/CD確保集成的系統(tǒng)穩(wěn)定可控。深入了解企業(yè)安全與合規(guī)要求這是集成的生命線。學(xué)習(xí)如何將復(fù)雜業(yè)務(wù)邏輯封裝為AI可用的工具設(shè)計好用的SDK或API。對于垂直領(lǐng)域精調(diào)方向深入一個垂直領(lǐng)域最好能與領(lǐng)域?qū)＜揖o密合作理解其核心知識體系和業(yè)務(wù)流程。掌握數(shù)據(jù)工程和數(shù)據(jù)分析技能能高效地處理非結(jié)構(gòu)化文本數(shù)據(jù)。學(xué)習(xí)機器學(xué)習(xí)運維的基礎(chǔ)特別是模型訓(xùn)練、評估和部署的全流程。精通至少一種模型精調(diào)技術(shù)如LoRA并了解其背后的原理。5.3 實踐起步建議從一個小項目開始不要試圖一下子掌握所有。最好的方式是選擇一個你感興趣的小方向動手做一個完整的項目。例如方向一用LangChain OpenAI API給自己做一個個人知識庫問答機器人索引你的筆記和文檔。方向二將你的某個日常手動操作比如整理周報數(shù)據(jù)、監(jiān)控某個網(wǎng)站更新自動化編寫一個能調(diào)用瀏覽器工具或辦公軟件API的AI小助手。方向三找一個你熟悉的細分領(lǐng)域比如健身食譜、寵物護理從網(wǎng)上收集高質(zhì)量的問答數(shù)據(jù)嘗試用開源模型如Qwen、Llama和PEFT庫做一個領(lǐng)域小模型。在實踐過程中你會遇到真實的問題這會驅(qū)動你去學(xué)習(xí)相關(guān)的知識這種學(xué)習(xí)是最有效、最牢固的。6. 常見困惑與職業(yè)發(fā)展問答結(jié)合我與同行和年輕工程師的交流這里整理了幾個最常見的疑問和我的個人看法。Q1我是應(yīng)屆生/初級工程師感覺機會大門關(guān)上了怎么辦A大門沒有關(guān)上只是入口挪了地方。以前可能從“寫增刪改查”入門現(xiàn)在可能需要從“參與AI數(shù)據(jù)標注”、“維護精調(diào)代碼”、“編寫工具調(diào)用接口”或“構(gòu)建評估測試用例”開始。這些工作同樣極具價值且能讓你快速接觸到核心流程。關(guān)鍵在于不要只把自己定位為“寫業(yè)務(wù)代碼的”而要主動靠近數(shù)據(jù)、靠近AI工作流、靠近業(yè)務(wù)難題。在完成基礎(chǔ)任務(wù)的同時積極研究團隊是如何使用AI工具的嘗試去理解背后的設(shè)計思路。Q2AI工具這么強資深工程師會不會也被替代A短期內(nèi)不會但角色會進化。AI替代的是“可預(yù)測的、模式化的腦力勞動”。而資深工程師的價值恰恰在于處理不可預(yù)測的復(fù)雜性設(shè)計一個能應(yīng)對未來變化的系統(tǒng)架構(gòu)、在資源約束下做出最優(yōu)的技術(shù)選型、調(diào)試一個深藏在分布式系統(tǒng)里的詭異故障、帶領(lǐng)團隊跨越認知鴻溝。這些需要深厚經(jīng)驗、創(chuàng)造性思維和人際協(xié)調(diào)能力的工作AI目前還無法勝任。資深工程師需要做的是學(xué)會利用AI作為“超級杠桿”放大自己這些獨特價值。Q3數(shù)學(xué)和算法基礎(chǔ)不好還能進入AI相關(guān)的崗位嗎A當然可以。前述三大爆發(fā)方向中只有“模型精調(diào)師”對傳統(tǒng)的機器學(xué)習(xí)理論要求較高。對于“AI應(yīng)用設(shè)計師”和“系統(tǒng)集成工程師”更重要的是工程能力、領(lǐng)域知識和產(chǎn)品思維。你能理解業(yè)務(wù)能設(shè)計出穩(wěn)定可靠的系統(tǒng)將AI能力落地能評估AI產(chǎn)出在業(yè)務(wù)場景下的有效性這些價值絲毫不亞于推導(dǎo)一個公式。當然了解一些基本概念如Token、Embedding、溫度系數(shù)是必要的但這可以通過實踐快速學(xué)習(xí)。Q4應(yīng)該去大公司還是小公司把握AI機會A這取決于你的風(fēng)險偏好和學(xué)習(xí)風(fēng)格。大公司通常有成熟的業(yè)務(wù)場景和海量數(shù)據(jù)有機會接觸大規(guī)模、高并發(fā)的AI落地項目流程規(guī)范能見識到工業(yè)級的最佳實踐。但可能分工較細初期接觸不到全貌。創(chuàng)業(yè)公司/小團隊機會更多在于從0到1打造AI原生產(chǎn)品需要你身兼數(shù)職對個人綜合能力鍛煉極大。能快速看到業(yè)務(wù)影響但風(fēng)險較高資源可能有限。我的建議是無論在哪確保自己正在解決真實的、有價值的問題并且能接觸到從數(shù)據(jù)、模型到產(chǎn)品、用戶的完整閉環(huán)。這比公司的牌子更重要。技術(shù)的浪潮從未停歇從大型機到PC從互聯(lián)網(wǎng)到移動每一次變革都會重塑職業(yè)版圖。AI帶來的這次變革其廣度和深度可能前所未有。它不是在淘汰工程師而是在淘汰“僅以編碼速度為榮”的舊模式同時慷慨地打開了通向更高價值創(chuàng)造的大門。那些能夠擁抱變化將AI視為強大協(xié)作者而非替代者并持續(xù)學(xué)習(xí)如何駕馭它去解決更復(fù)雜、更模糊問題的工程師將會發(fā)現(xiàn)一個比過去任何時候都更廣闊的職業(yè)舞臺。真正的挑戰(zhàn)不在于AI本身而在于我們能否快速進化自己的認知和技能跟上這個重新定義“創(chuàng)造”的時代。