AI 如何改变工程师的开发方式

大约一年前，软件行业中最热烈的辩论之一是关于初级工程师的未来。论点看似简单：如果 AI 已经可以处理许多初级级别的编码任务，为什么还要继续招聘和培训初级工程师？如果公司停止发展初级人才，五年后高级工程师从哪里来?

这是一个严肃的问题，很多聪明的人都认真对待它。

当时，我的答案是其他职业已经解决了类似的问题。没有人毕业于医学院并立即独立进行开心手术。医生花费多年时间跟随、实习、完成住院医师培训，并在监督下练习，直到系统信任他们独自操作。

同样的模式存在于高管领导中。没有人毕业于大学并立即经营一家财富 500 强公司。人们管理小团队，然后管理更大的业务单位，并逐渐积累判断力，随着角色复杂性的增加，路径变得更长、更实用、更注重学徒制。

我仍然认为工程领域正在朝着这个方向发展。但是在过去的几个月里，我开始由于三个无关的经历而以不同的方式思考这个问题，这些经历都指向了同样的结论。

三个例子

我的一个朋友最近花了几个月的时间准备捷克语考试。他和他的几个同伴雇佣了人类导师，并在这个过程中投入了真金白银。他轻松通过了考试。大多数其他人都没有通过。

根据他的说法，最大的区别在于他的主要导师实际上是 ChatGPT。

他可以在晚上 11 点学习，如果他愿意。他可以重复同一个动词变位练习 40 次，而不用担心浪费某人的耐心。他可以模拟高度具体的情况，例如与捷克税务官交互，并根据他当天所面临的困难量身定制课程。

人类导师很好，但他们无法与 AI 的可用性、重复性和个性化相匹配。

我在儿子和物理学方面看到了类似的事情。他已经很好地理解了这个学科，所以他不使用 Claude 来提供答案。他用它来挑战自己。他要求它生成更难的问题，挑战他的假设，解释为什么某种方法很接近但最终是错误的，并以交互方式测试他。

我能想到的最接近的比较是聪明的孩子过去可能会有一个正在学习物理学的哥哥或姐姐。除了这个版本始终可用，从不失去耐心，也从不说“稍后问我”。

我的侄子仍在高中，他一直在构建一个小的爱好项目，他最终希望将其商业化。我帮助他设置了一个 编码代理 并自动化了一些工作流程。每天下午 5 点，当他结束学校时，一个代理扫描他的代码库并留下建议的改进。每周一次，另一个工作流程运行竞争对手研究并提出新的想法。

他非常喜欢它。

有一次，他开玩笑说：“如果编码这么容易，我会用完想法的。”

我告诉他，想法一直是稀缺资源。现在的区别在于，执行不再以同样的方式限制它们，因为实施的成本已经大大降低了。

更快的反馈循环

这些例子并不是真正关于捷克语、物理或代码审查的。

它们是高度个性化的反馈变得持续可用的例子。

历史上，初级工程师部分是通过重复学习，部分是通过接近有经验的人来学习的。你写代码，等待审查，等到高级工程师有时间时得到反馈，并在多年积累的错误中逐渐建立判断力。

AI 改变了反馈循环本身。

拥有正确配置的 AI 助手的初级工程师现在可以获得以前依赖于高级工程师可用性的许多东西。 立即代码审查。关于为什么设计选择可能会在以后造成问题的解释。代码库中类似模式的引用。当你伸手去抓最明显的实现而不是更好的实现时的反馈。

最重要的是，反馈在工程师仍然在解决问题时到来，而不是两天后上下文已经消失。

这很重要，因为从初级到高级的转变一直主要由判断力驱动。判断力主要是通过反复暴露于错误、权衡和边缘情况来建立的模式识别。有人能够更快地通过这些反馈循环思考，他们的判断力就会更快地发展。

瓶颈曾经存在于高级工程师身上。现在它越来越多地存在于学习者身上。

安全网的改进

这里还有另一个变化同样重要。

使用强大的 AI 审查系统的初级工程师不太可能意外地损坏生产系统。

许多经典错误现在会被立即标记：硬编码凭证、吞噬异常、不安全的查询、 安全问题、明显的架构问题、范围不正确的依赖关系。糟糕的拉取请求越来越多地在离开笔记本电脑之前就被捕获。

这改变了初级工作的底线。

历史上，高级工程师的重要时间用于保护组织免受可防止的错误。AI 审查层越来越多地吸收了部分这种负担，这使得初级工程师可以比以前更早地独立工作。

这并不消除对指导或监督的需求。它改变了指导在哪里最有价值的地方。

差距的扩大

这个乐观的未来版本严重依赖于个人工程师如何使用系统。

把 AI 主要当作绕过思考的捷径的人可能会生成更多代码，但学到的很少。十年前，同一个人会从 Stack Overflow 复制解决方案而不理解它们。机制改变了。根本行为没有改变。

AI 从来没有解决过智力上的被动性。

更有趣的结果发生在工程师积极地与他们收到的反馈互动时。如果有人仔细阅读审查，反驳，提出后续问题，测试替代方案，并偶尔发现模型本身是错误的，他们会比以前的几代人更快地建立判断力。

认知努力并没有消失。它转移到了循环的早期，并变得更便宜地重复。

这可能会扩大参与度高的工程师和参与度低的工程师之间的差距。

大多数重要的 生产力转变 都是这样工作的。阅读扩大了识字人群和非识字人群之间的差距。互联网扩大了好奇人群和被动人群之间的差距。AI 似乎很可能继续这种模式。

产品判断力变得更加重要

更有趣的问题不再是初级工程师是否会消失，而是当实施本身变得更容易时，初级工程师将贡献什么。

答案看起来与强大的高级工程师已经贡献的内容惊人的相似：创造力、产品直觉、品味、优先级、判断力和识别应该首先存在的东西的能力。

工程角色越来越多地转向 面向产品的思考，因为实施的摩擦继续崩溃。管道工作比理解系统是否真正解决了正确的问题要少。

系统设计仍然很重要。命名事物仍然很重要。产品判断力仍然很重要。理解用户仍然很重要。在某些方面，这些技能变得更加重要，因为组织现在可以比以前更快速地测试想法。

从一开始就接受 AI 培训的工程师可能会与 15 年前接受训练的人有着非常不同的思考方式。

他们会假设迭代是廉价的。他们会快速原型化多种方法，而不是花几天时间辩论单一方法。他们会期望用户和实施之间的反馈循环更加紧密，因为尝试事物的成本不断下降。

这创造了不同类型的工程师，他们的特点是想法和实施之间的周期更短。

组织需要重新思考招聘、评估、指导和晋升。然而，软件已经经历了类似的转变多次：当网络到来时，当移动到来时，当云基础设施取代了本地系统时。

每次转变都改变了良好的工程实践是什么样的，但没有消除对工程师本身的需求。

运营影响

对于初级工程师来说，建议并不特别光彩。

选择真实的项目。使用 AI 作为影子审查者，同时工作。仔细阅读反馈。有时与之争论。提出后续问题。跟踪它捕捉到的错误背后的模式。

这是发展判断力的最快路径之一，比等待忙碌的高级工程师最终腾出时间进行指导要快得多。

对于经理来说，瓶颈也发生了变化。

初级成长曾经严重依赖于高级工程师可以腾出多少时间用于指导。现在，杠杆点越来越多地成为设计强大的 学习环境，围绕 AI 的使用：审查期望、升级规则、提示模式、防护栏和项目选择。

结构良好的系统的组织可能会比以前的几代人更快地培养人才。

对于领导团队来说，可能有意义的是停止将初级工程师主要视为可替换的执行能力。在许多组织中，他们可能成为最廉价的实验、能量和创造性迭代的来源。

不同的一代工程师

我的朋友学得更快，因为他有效地在口袋里携带了一个个性化的导师。我的儿子正在以我以前无法获得的交互式反馈学习物理。我的侄子现在每晚都会收到代码审查和市场研究，而他正在睡觉。

下一代工程师将进入行业，拥有持续的指导、立即的反馈循环和努力与反馈之间的周期大大加快。

这并不消除初级工程师。它改变了他们的发展速度和沿途最重要的技能。

很多人成长起来的角色版本可能正在消失。但是替代品可能会证明比以前的任何一代人都更快地学习、更好地指导、更具实验性和更面向产品。