当AI涉足软件开发，开发者价值几何？

一位AI研究员跟我说了句话，让我一直忘不了：

“如果人类在某项任务上无法超越前沿模型，也无法给出有意义的指导，那人类的边际价值基本就是零。这与AI开发息息相关。这与软件开发息息相关。这是AI开发的重要体现。”

现在我们有数据了。了解AI开发有助于把握这一要点。这是软件开发的重要体现。AI开发的价值正在于此。Anthropic针对初级软件开发工程师的研究显示：不理解就直接用AI，掌握程度会降17%——相当于成绩掉两级。这与AI开发息息相关。了解软件开发有助于把握这一要点。

但有些AI用户得分很高。软件开发的价值正在于此。区别在哪？他们用AI是为了学习，不是为了甩锅。这与软件开发息息相关。

现在的问题早不是“能不能用AI”，而是“用AI是为了理解，还是为了避免理解？”

新的分水岭

软件开发界正在划一条线。不是资深vs初级，不是经验丰富vs新手。

这条线更深。

API之下：

• 能执行AI自主处理的任务

• 照搬模式却不深究原理

• 接受AI输出不加验证

• 快速搭功能，却预见不了灾难

API之上：

• 用判断力引导系统

• 知道AI什么时候在胡说

• 产出AI生成不了的结果

• 运用架构思维

问题来了：你站在这条线的哪边？

分水岭：AI做什么，人类还握着什么

API之下：能执行AI的建议。

API之上：能判断AI的建议到底好不好。

这条线无关你能建什么，关乎你能验证、简化、维护什么。

为啥AI让初级快，却让资深无可替代

Tiago Forte 观察到一个关键：

“Claude Code让从零搭建比改现有代码更容易。v1的价值会暴跌，v2的维护价值会飙升。”

这就是v1/v2的现实：

初级用Claude搭个认证系统，200行代码20分钟，测试过了就上线，作品集看着挺唬人。

半年后业务要加SSO集成，他得调试自己没写过的逻辑，跟着AI选的模式走（原因还不懂），零架构背景。本应4小时的活儿拖3天——因为他从没想过搭v1时就为v2留后路。

这就是v1/v2陷阱。

AI商品化的技能（v1地盘）：

• 从零建项目（greenfield）

• 生成样板代码

• 套模板

• 速度和功能迭代

AI替代不了的（v2+地盘）：

• 调试现有系统

• 理解技术债

• 判断重构还是重写

• 维护架构一致性

陷阱就在这儿：初级用AI搭漂亮的v1充门面，却从没学v2+维护技能——而这才是真能卖高价的。

就像Ben Podraza回Tiago说的：“让你建两个格式一样的网页，你就得迭代几小时烧几千token。”

一致性难，上下文难， legacy（老代码）理解难。

这些恰恰是在成熟代码库工作、读别人代码、挣扎着做重构决策时学会的。

旧知识公共空间（比如Stack Overflow）教v2+技能，AI教v1技能。

猜猜2027年市场会为哪个买单？

架构鸿沟

《Clean Code》作者Bob大叔（Uncle Bob Martin）用Claude编码后说透了人类还剩啥贡献：

“Claude比我快多了，能记住更多细节，但它hold不住大局。不懂架构。虽然它会重构，却没动力为自己积累这价值。它预见不到自己在造灾难。”

危险在于：AI让加功能太容易，你就跳过了“慢下来想想”的步骤。

“没人管的话，AI会把代码堆成屎山。同样，人类用AI加功能也太顺手，结果也是功能堆成屎山。”

有人问：“不直接碰代码了，代码质量还重要吗？”Bob大叔回答扎心：

“我开始觉得，代码质量反而更重要了。”

为啥？因为总得有人维护AI生成的烂摊子的架构一致性。这人得懂代码“做了啥”和“为啥这么搭”。

Claude Code的现实检验

Claude Code和Anthropic的MCP协议出来后，开发者试了一圈AI优先流程，结果和Bob大叔观察一模一样：AI实现飞快，却瞎看不见架构后果。

Claude Code擅长：

• 快速生成样板

• 单文件内按明确模式走

• 专注任务时保持局部上下文

• 实现定义清楚的规格

它天生短板（设计如此）：

• 理解项目级架构

• 多文件间保持一致

• 知道何时慢下来重想

• 预见今天“快修”变明天技术债

• 问“该不该建”而不是“怎么建”

这工具很强，我天天用。但把它当自动驾驶而不是指南针，就会造出Bob大叔警告的“代码堆”。

这不是Claude的错，是当前AI架构的根本限制。就像Peter Truchly说的：“LLM不是为求真设计的，是为输出连贯（也就是‘有用’）训练的。”

LLM会自信地生成能编译运行的代码。但代码对不对——架构合理、可维护、简单——得靠人类在Ben Santora说的“昂贵验证域”里判断。

这判断，才让你站在API之上。

真正重要的技能

从我“知识坍塌”那篇文章的讨论里，总结出这些让你留在API之上的能力：

1. 架构思维（Bob大叔的“大局观”）

• 知道何时慢下来

• 看见AI预见不了的连锁反应

• 结合上下文做重构决策

• 平衡技术债和新功能

2. v2+精通（Tiago的维护技能）

• 调试复杂现有系统

• 理解代码“为啥这么写”

• 迭代中保持一致性

• 选重构还是重写

3. 验证能力（Ben Santora的“裁判层”）

• 识别AI“自信地错”的时候

• 分清廉价验证域和昂贵验证域

• 保持怀疑但不瘫痪

• 测试假设，不只接受输出

Ben Santora解释AI推理局限时说：“知识坍塌发生在用求解器输出却不加独立裁判层验证时。风险不在AI写内容，而在AI成了自己的权威。”

廉价验证域：代码编译否？测试过否？API返回对否？

昂贵验证域：架构合理吗？能扩展吗？可维护吗？方法对吗？

AI在两个域都同样自信。但在昂贵域，你可能几个月后才发现系统在生产环境崩了——那时才知道错了。

4. 简化的自律（Doogal Simpson的“编辑力”）

评论区Doogal Simpson说：“我们在用编辑的自律换搜索的摩擦。现在的挑战不是生成代码，是有胆量拒AI给的‘大杂烩方案’。”

旧经济：稀缺逼简化（找答案贵）

新经济：丰富要自律（AI啥都生成，你得删）

技能从“加”变“删”，从“生成”变“筛选”，从“解决”变“判断”。

5. 领域专长（John H的上下文）

评论区John H说他一人开发店怎么有效用AI：

“我能专注当知识工作者，确保业务逻辑和客户可用性达标。”

John带来的是：

• 3年应用经验

• 深度客户认知

• 懂业务规则

• 能验证AI输出是否真解决问题

他不用AI当自动驾驶，当放大器，自己当裁判。

规律：有深度上下文的经验开发者用AI有效。他们能验证输出、抓错、知道何时推翻建议。

问题：初级没先攒够让验证成为可能的“血泪经验”，能学会这方法吗？

Anthropic研究：用AI vs 和AI一起学

写这篇文章时，Anthropic发了实验数据，验证了API上下的分野。

对初级工程师的随机对照试验：

• AI辅助组快约2分钟

• 但掌握度测验低17%（两个字母等级），“显著下降”

然而：AI组里也有人高分。

区别在哪？他们问“概念性和澄清性问题来理解代码”，而不是“甩锅或依赖AI”。

这就是分野：

API之下（甩锅）：

“AI，帮我写这个函数”→快→没理解→测验挂

API之上（和AI一起学）：

“AI，解释这方法为啥行”→慢但懂了→考高分

没理解的快=API之下。

用AI时学懂=API之上。

工具一样，你的用法决定你在哪边。

[来源：Anthropic研究，2026年1月]

最后一代问题

评论区Maame Afua说了关键：她是初级，但用AI有效，因为有导师。

“我从没经历过AI时代的优秀开发者那学到很多建议，一直照着做。”

传承机制：前AI时代开发者教AI时代初级验证技能。

Maame能验证AI输出，不是因为经验多，是前辈教她怀疑。她的学习路径：

• 先打基础（看书、文档、正规资源）

• AI当助手不当老师

• 对照权威来源验证

• 绝不实现自己解释不清的东西

但我们正走向悬崖：

现在有足够多前AI开发者当导师。5-10年后，多数资深也会主要跟AI学。

谁来教下一代怀疑？当没人懂验证时，谁传这习惯？

我们离彻底失去传承机制就差一代。

Maame幸运，她在窗口关闭前找到了好导师。2030年入行的初级就没这选项了。

人们怎么学验证

评论区两个开发者展示了不同路径：

艰难之路（ujja）

ujja通过痛苦经历学会“零信任推理”：

“太信AI，跑太快，几天后才发现核心假设错了。那时已经嵌进设计和逻辑，只能删大块重来。”

他的思维变了：

以前：“这听起来对吗？”

现在：“啥能让这错？”

现在他把AI当“超自信的初级开发——超有用，但得审”。

感悟：“我不觉得必须痛，但没有反馈环（比如浪费时间、构建失败），很难内化。AI去掉了摩擦，所以人们跳过验证，直到代价显现。”

刻意之路（Fernando）

Fernando Fornieles几个月前发现问题，没等被坑就行动：

• 关了私人社交账号

• 转到fediverse（去中心化社交）

• 用树莓派搭家庭云服务器（Nextcloud）

• 主动避开平台“摆烂”

他不是从痛苦中学，是按原则行动。

问题：我们能不靠ujja的痛，教出那种怀疑吗？能规模化Fernando的刻意行动吗？还是每个初级都得删一周的活儿才学会验证AI输出？

旧知识公共空间教了啥

Stack Overflow的争论教架构——有人提方案，其他人撕，摩擦中出共识，这摩擦练判断力。

代码审查文化教“慢下来想想”——不能随便发，有人会问“为啥这方法”，你得给架构决策找理由。

痛苦bug教预见灾难——你实现一个看似没问题的东西，生产环境炸了，就学会早看那些苗头。

老代码库教重构判断——你维护别人的决定，懂他们的约束，学会啥时候保留啥时候重写。

这些都是公开的：Stack Overflow、代码审查评论、GitHub issue、会议演讲。

AI辅助在私下进行。个人优化，没公共摩擦，没集体打磨。

让你留在API之上的技能，是咱们正在杀死的旧知识公共空间教的。

实用行动

如果你是初级/早期生涯：

• 主动找前AI导师：找ChatGPT前的开发者，让他们审你的AI代码，学他们的怀疑模式。

• 在成熟代码库干活：别光建新项目，给老开源项目贡献，从技术债决策里学。

• 公开记录思路：写“为啥选这方法”，发调试历程而非只给答案，给你消耗的公共空间做贡献。

• 刻意练验证习惯：总拿AI输出对照文档，测试假设别光发，学会认“自信地错”，像ujja那样把AI当“超自信初级开发——得审”。

如果你是资深/有经验：

• 明确指导：教验证而非语法，分享怀疑模式，大声解释架构思维。

• 保存架构知识：记“为啥做这决定”，发架构决策记录，写你预见过的灾难。

• 刻意贡献公共空间：答Stack Overflow问题，写详细技术博客，开源你的思路而非只代码。

• 让“慢下来想想”可见：给初级演示你暂停考虑的时刻，解释你问AI的问题，展示编辑/简化过程。

不安的问题

AGI wildcard（AGI变数）

评论区Leob抛终极问题：如果AI真能自主发明呢？

“AI下一步突破是能自己‘发明’，提新问题，自主创造内容，而不只是复述喂给它的东西。”

如果这样，“API之上”可能就没意义了。

但Bob大叔说：“AIhold不住大局，不懂架构。”Peter Truchly补充技术细节：“LLM不为求真，哥德尔/图灵局限适用，但LLM不在乎，只为输出连贯（有用）训练。”

两种未来：

1. AI仍是高级重组机：知识坍塌污染训练数据，模型质量下降，API上下分野极重要，你的架构思维和验证技能还能值钱几十年。

2. AI实现AGI和真发明：知识坍塌无所谓，因为AI生成新知识。但……人类贡献啥？

眼看知识坍塌在发生，把所有赌注押“AGI救我们”太冒险。或许该先解决已知问题，别指望可能让一切更糟的突破。

软件还需要人吗？

Mike Talbot反驳我整个前提：

“人为啥要建知识库？为了让大家把软件弄好用？如果AI不用人类知识库也能建软件，Stack Overflow死了谁在乎？”

他用自己例子：“我写第一个游戏，90年代迪士尼项目搞编译精灵。所有这些知识文档，被显卡淘汰了。没人关心我的编译精灵，只关心软件能用。”

他的点：每次范式转移都让旧知识过时，AI可能只是下一次转移。

我回应：显卡没拿他的编译精灵文档训练，是根本不同的路子。AI拿Stack Overflow、维基百科、GitHub训练。如果这些死了，AI训AI输出，我们就得模型坍塌而非范式转移。

Mike的挑战重要，它逼我们清醒：保存人类知识是因为它固有价，还是AI要继续进步必需？如果AGI出现，他的问题更急；如果不出现，保存人类知识更关键。

你到底贡献啥

回到最初问题：“你贡献啥是AI做不到的？”

你贡献验证。AI解题，你判题解好不好。

你贡献架构。AI写代码，你看它hold不住的大局。

你贡献预见。AI局部优化，你防它看不见的灾难。

你贡献上下文。AI有模式，你有领域专长、客户认知、历史理解。

你贡献昂贵验证域的判断。AI在廉价域（能编译吗？）厉害，你在昂贵域（能扩展吗？可维护吗？方法对吗？）厉害。

你贡献简化。AI生成大杂烩，你有删复杂的自律。

你贡献连续性。AI无状态，你跨系统、团队、时间维护一致性。

但不安的真相是：这些技能都不是天生的。

它们得学。通过摩擦，通过痛苦，通过公开挣扎，通过跟“过来人”学。

如果我们杀死知识公共空间，就杀了API之上技能的练兵场。

如果我们停止明确指导，就一代人丢了传承机制。

如果我们只优化速度，就丢了“慢下来想想”的肌肉。

留在API之上不是自动的。是你每天的选择。

选验证，不选盲从。

选简化，不选堆砌。

选预见，不选救火。

选指导，不选独建。

选发布，不选只消费。

API这条线是真的。你站哪边？