AI时代,编程素养愈发珍贵

摘要：当模型能自动产出代码时，专业开发者反而更需要扎实编程功底——只是"功底"的内涵已从亲手实现，迁移到界定问题、甄别不应落地的方案、审视输出、管理上下文。本文基于一份三万次开发交互的研究，阐明为何 AI 能力越强，工程判断力就越珍贵。

朋友问我："如今 AI 都能把需求直接转成代码，是不是就不用学编程了？"

我的回答始终明确：恰好相反。AI 编码能力越强，专业工程师越要精通编程。只是"精通"这层含义，已经发生转变。

此前，"懂编程"几乎等同于"能亲自动手实现"——你能把明确的需求落地为可执行代码。如今这一步被模型替代。然而"懂"所涵盖的其他维度，非但未被取代，反而愈发珍贵：定义问题、识别应规避的方案、审查输出、统筹上下文。

接下来将逐层拆解这四项迁移，每一层配以我亲身经历的真实案例。

第一层迁移，体现在从"如何编写"到"编写什么"。

AI 并不能判断需求本身。需求天然就是不完整、相矛盾、持续变化的。将模糊的业务诉求转化为清晰的技术约束——何为必须、何为边界、何可暂缓——这一能力在 AI 时代飞速增值。模型能辅助实现，但"实现什么"仍需你来界定。

我曾负责一个后台模块的多租户改造。需求文档仅四个字："支持多租户"。AI 一通生成，表结构、鉴权、配置中心一应俱全，看似十分完整。然而真正的隐患藏在"数据隔离边界"——哪些表必须携带 tenant_id、哪些定时任务需按租户隔离、超管如何跨租户查询数据。这些内容文档未提及，AI 也不会主动询问。

最终是我将约束逐条列出清单，它才修改正确。定义问题这一步无法省略，只是从"编写代码"转为"编写约束"。约束定义得越明晰，模型偏离的概率就越低；定义得含混，它便会自行假设填补，而这些假设往往有误。

第二层迁移，在于识别"不应实施"的方案。

AI 面对一个问题，会抛出十个方案，其中九个技术层面可行，业务层面却不应采纳。例如为边缘场景引入分布式事务，为求"优雅"增加一层抽象使简单逻辑复杂化，为图便捷直接采用阻塞调用拖垮线程池。识别此类"不应做"，倚仗的并非编码速度，而是架构判断力。

这种判断力源自踩过的坑、烧过的钱、线上复盘会上的窘迫。它不会被模型内化——你不指明，它就默认"能加即加"。

我目睹过最昂贵的"该拦截却未拦截"：一位同事让 Agent 为营销活动添加防刷机制，Agent 顺手叠加 Redis 分布式锁、数据库唯一索引、消息队列三道防线，代码量翻了三倍。实际 QPS 仅有几百，单机内存锁足矣。额外两道防线，反而成为后续两次故障的根源。加以拦截，靠的并非编码能力，而是"此规模无需如此重"的判断。

第三层迁移，体现在从"亲手编写才可信"到"模型产出亦须核查"。

AI 生成代码最大的潜在风险，是前 Google 决策科学家 Cassie Kozyrkov 所提出的"信任债务"：Agent 会填补指令中的空白，做出"自信的即兴发挥"。你未明示的决定、未察觉的假设，它代你完成。你看输出"看似无误"，一经合并，这些假设便成为隐患。

更棘手的是信任债务会扩散。Agent 会复用代码库既有模式，包括基于错误假设的代码。一处错误假设写入代码库，相邻模块随之复制，呈指数级放大。

因此如今审查 AI 代码已属主路径工作，而非额外环节。我每次必问三点：正确性（是否真正解决了陈述的问题）、完整性（失败路径、权限、超时、幂等是否齐备）、最小性（是否顺手重构、范围是否漂移）。这三点若不追问，信任债务便会悄然累积。

第四层迁移，体现在从"我会编写"到"我能让模型获取恰当的上下文"。

2026 年一个显著趋势是，业内讨论从 Prompt Engineering 转向 Context Engineering——前者关注"如何提问"，后者聚焦"模型每步应看到什么、以何种顺序、何种格式"。你向模型输入的正确上下文（接口契约、架构决策记录、依赖关系）的多寡，直接决定其生成代码能否融入既有体系。

我曾让 Agent 修改一个支付回调，未将"我们不采用同步阻塞调用"写入上下文。它顺手使用阻塞式 HTTP 调取第三方，压测瞬间打满线程池。上下文输入有误，再强的模型也只能产出垃圾。反之，将接口契约与架构约束前置输入，其产出质量会肉眼可见地提升——这与许多团队将架构约束编写为自定义 Linter、使违反规范的代码根本无法合入主干的做法，思路相通：以"恰当的上下文"取代"事后修补"。

这套判断并非空谈。AgamiSoft 2026 年分析了 3 万次开发交互（涵盖 180 名工程师、240 个项目），将开发者划为三类：

https://agamisoft.com/ai-vs-human-productivity-study-2026

差距不在"是否会使用工具"，而在"是否具备工程判断力"。AI 拉低了执行层的成本，却抬升了判断层的价值。

国内 Qoder、CodeBuddy、WorkBuddy 等工具均在发力上下文注入与团队级治理，本质都是把"判断"前置——让模型看到恰当的约束，而非事后补救。工具愈强大，能定义约束、擅长审查、长于管理上下文的人才就愈稀缺。

平心而论：纯粹的个人玩具项目、玩票式 vibe coding，确实无需深入学习编程，能跑通即可。但 toB 企业系统、线上合规场景，编程素养非但没有贬值，反而升值。LinkedIn 2026 年 1 月薪资报告表明，具备"系统架构设计"能力的中级工程师薪资上涨了 16%。越是将执行层交予 Agent，架构与验证能力就越发珍贵。

AI 拉低了"实现"的成本，但"定义、判断、审查、供给上下文"这四件事反而更显珍贵。那么问题浮现：当实现愈发廉价，谁将坐上离价值最近的位置？下一篇将探讨一个正在爆火的新角色——FDE（前沿部署工程师）。

作者：唐悦玮 | 由后端起步，借助 AI 拓展至全栈的工程师。