谷歌工程師拋出5個殘酷問題：未來兩年，軟件工程還剩下什么？

機器之心編譯

軟件行業正站在一個頗為微妙的拐點上。AI 已經從自動補全代碼，演進為能夠自主執行開發任務的智能體。

在這一變化之下，初級開發者和高級開發者正同時被推入各自不同、卻同樣棘手的困境之中。

對初級開發者而言，最大的挑戰不在于會不會寫代碼，而在于還沒來得及成長，練級空間就被壓縮了。企業不再愿意為學習成本買單，初級崗位要么減少，要么被要求一上來就能獨立產出。

而對高級開發者來說，處境同樣不好過。AI 并沒有讓他們更輕松，而是讓責任進一步集中。當團隊規模縮小、初級人手減少，高級工程師往往既要做架構決策，又要兜底 AI 和自動化系統帶來的各種隱性風險，代碼質量、性能、安全、合規。寫代碼的比例在下降，但判斷、評審和決策的壓力卻在上升，一旦系統出問題，責任仍然落在人身上。

接下來會發生什么，充滿了不確定性。

Addy Osmani，來自谷歌的一名軟件工程師，在一篇文章中提出了 5 個可能在 2026 年前重塑軟件工程的關鍵問題，并為每個問題給出兩種截然不同的走向。

文章鏈接：https://addyosmani.com/blog/next-two-years/

這五個問題都指向同一件事，軟件工程正在從寫代碼的職業，轉變為駕馭復雜系統與 AI 的職業。未來不是單一答案，而是多種路徑并存，誰能適應變化，誰就能留下來。

初級開發者之問

結論很直接：隨著 AI 開始自動化入門級任務，初級開發者的招聘可能會出現崩塌；也可能隨著軟件滲透到幾乎所有行業而重新反彈。這兩種未來都存在，但對應的生存策略完全不同。

像傳統路徑，學會編程、拿到初級崗位、逐步成長為高級工程師正在動搖。一項覆蓋 6200 萬名勞動者的哈佛研究發現，當企業采用生成式 AI 后，在六個季度內，初級開發者的就業人數下降了大約 9%–10%，而高級開發者的就業幾乎沒有變化。過去三年，大型科技公司招聘的應屆畢業生數量減少了 50%。正如一位工程師略帶諷刺地說：既然一個 AI 編碼智能體的成本更低，為什么還要花 9 萬美元去雇一個初級工程師？

這并不只是 AI 的問題。像利率上升等宏觀因素，在 2022 年左右就已出現影響，那時 AI 工具還未大規模普及。但 AI 加速了這一趨勢。如今，一名配備 AI 輔助的高級工程師，產出已經相當于過去一個小團隊的工作量。相比裁員，許多公司更常見的做法是悄悄地不再招聘初級開發者。

反過來的情景是：AI 在所有行業，而不僅僅是科技行業，釋放出對開發者的巨大需求。醫療、農業、制造業、金融業都開始大規模嵌入軟件和自動化。AI 不是取代開發者，而是成為一種放大器，把開發工作擴展到過去幾乎不雇程序員的領域。初級崗位會更多出現，但形式不同：那些能快速為特定細分場景構建自動化和集成方案的 AI 原生開發者。

美國勞工統計局預計，2024 年到 2034 年間，軟件相關崗位將增長約 15%。如果企業選擇用 AI 來擴大產出，而不是單純壓縮人力規模，它們仍然需要人類去把握 AI 創造的新機會。

但悲觀情景的一個長期風險常常被忽視：今天的初級開發者，就是 5 到 10 年后的高級工程師和技術領導者。如果完全切斷人才培養管道，最終會造成領導力真空。行業老兵將這種現象稱為緩慢衰退，一個停止培養接班人的生態系統。

如何應對？

對于初級開發者來說，要讓自己具備 AI 使用能力并保持多面性。證明一名初級開發者 + AI 的組合，能夠匹配一個小團隊的產出。使用 AI 編碼智能體（如 Cursor、Antigravity、Claude Code、Gemini CLI）來構建更大的功能模塊，但要理解并能解釋其中的每一行代碼，至少是大部分代碼。把重心放在 AI 不容易替代的能力上：溝通能力、問題拆解能力、領域知識。將相鄰崗位（如 QA、開發者關系、數據分析）視為切入口。建立作品集，尤其是包含 AI API 集成的項目。考慮學徒制、實習、合同制工作或參與開源項目。不要成為又一個需要大量培訓的應屆生，而要成為一個能夠立刻產生價值、并且學習速度很快的工程師。

對于高級開發者來說，初級人員減少意味著更多基礎性工作會落到自己身上。要用自動化來應對日常事務，但不要什么都自己做。搭建 CI/CD、代碼規范檢查工具以及 AI 輔助測試，以捕捉基礎問題。通過開源項目或輔導其他部門的同事，進行非正式的指導。如果未來初級崗位需求回升，要準備好高效地進行入職引導，并以結合 AI 的方式進行任務分配。你的價值不在于自己寫了多少代碼，而在于放大整個團隊的產出。

技能之問

核心結論：當 AI 編寫了大部分代碼之后，編程基本功要么會逐漸退化，要么會因為人類開發者轉向監督與把關而變得比以往任何時候都更重要。接下來的幾年，將決定我們究竟是用理解力換速度，還是在效率提升的同時守住理解。

如今，已有 84% 的開發者在日常工作中經常使用 AI 輔助。對許多人來說，面對一個 Bug 或新功能時的第一反應，不再是從零開始寫代碼，而是先寫一個提示詞，把 AI 生成的代碼片段拼接起來。入門級開發者正在跳過最難的那條路：他們可能從未親手實現過一棵二叉搜索樹，也從未獨立排查過一次內存泄漏。

技能結構正在發生遷移：從實現算法，轉向知道如何向 AI 提出正確的問題，并驗證它的輸出。職業階梯的第一步，不再要求展示純粹的編碼能力，而是能夠熟練地提示 AI、校驗結果。一些資深工程師擔心，這會催生出一代無法獨立高質量寫代碼的開發者，一種事實上的去技能化。而 AI 生成的代碼往往會引入隱蔽的 Bug 和安全漏洞，經驗不足的開發者很容易忽略這些問題。

另一種對立的情景是：當 AI 處理掉 80% 的常規工作后，人類將專注于最困難的那 20%。架構設計、復雜集成、創造性設計、邊界情況 —— 這些仍然是機器單獨難以解決的問題。AI 的普及并不會讓深度知識過時，反而會讓人類專家的價值更加凸顯。這正是高杠桿工程師：他們把 AI 當作放大器，但必須對系統有深入理解，才能真正駕馭它。

如果每個人都能使用 AI 編碼智能體，真正區分優秀開發者的，是能否判斷 AI 何時是錯誤的，或次優的。一位資深工程師曾這樣說過：最好的軟件工程師，不是寫代碼最快的人，而是最清楚什么時候不該相信 AI 的人。

編程工作的重心正在轉移：更少時間用來敲模板代碼，更多時間用來審查 AI 輸出是否存在邏輯錯誤、安全缺陷，或與需求不匹配的問題。關鍵能力逐漸變成軟件架構、系統設計、性能調優和安全分析。AI 可以很快生成一個 Web 應用，但只有經驗豐富的工程師，才能確保它遵循了安全最佳實踐，沒有引入競態條件。

在 2025 年，開發者社區的討論明顯分裂。一些人坦言自己幾乎不再手寫代碼，認為面試和考核方式也應該隨之演進；另一些人則認為，跳過基礎訓練會導致在 AI 輸出失效時陷入更頻繁、更痛苦的救火。整個行業開始期待工程師同時具備兩種能力：AI 帶來的速度，以及支撐質量的基礎智慧。

如何應對：

對于初級開發者來說，要把 AI 當作學習工具，而不是拐杖。當 AI 編碼智能體（如 Cursor、Antigravity、Claude Code、Gemini CLI）給出代碼時，主動復盤它為什么能工作、哪里可能存在問題。偶爾關閉 AI 輔助，親手實現關鍵算法。優先夯實計算機科學基礎：數據結構、算法、復雜度分析、內存管理。一個項目可以做兩遍，一遍借助 AI，一遍不借助 AI，對比差異。學習提示詞工程和工具使用技巧。同時訓練嚴謹的測試習慣：編寫單元測試，在不立刻求助 AI 的情況下閱讀堆棧信息，熟練使用調試器。深化 AI 難以復制的互補能力：系統設計、用戶體驗直覺、并發問題的推理能力。向外界證明，你既能借助 AI 高效產出，也能在它失效時解決棘手問題。

對于高級開發者來說，要將自己定位為質量與復雜性的守門人。持續打磨核心專長：架構、安全、可擴展性以及領域知識。練習在系統中引入 AI 組件時的整體建模，并提前思考失敗模式。持續關注 AI 生成代碼中暴露出的新型漏洞。主動承擔導師和評審者的角色，明確哪些場景可以使用 AI，哪些場景必須人工審查（例如支付或安全相關代碼）。把精力更多放在創造性和戰略性工作上，讓初級開發者 + AI 的組合去處理常規的 API 對接，而你來決定應該構建哪些 API。投資軟技能和跨領域知識，持續跟進新工具和最佳實踐。最終，進一步強化那些讓人類開發者不可替代的能力：穩健的判斷力、系統級思考，以及培養他人的能力。

角色之問

核心結論：開發者這一角色，可能會收縮為一種有限的審計崗位（主要負責監督 AI 生成的代碼），也可能擴展為一個關鍵性的編排者角色，負責設計和治理由 AI 驅動的系統。無論走向哪一種未來，創造價值都不再只是寫代碼本身。

這里的兩種極端非常鮮明。在其中一種設想中，開發者的創造性職責被明顯削弱。他們不再真正構建軟件，而是主要負責審計和看護 AI 的輸出。AI 系統承擔實際生產；人類開發者檢查自動生成的代碼，查找錯誤、偏見或安全問題，并批準部署。創造者變成了檢查者，寫代碼的樂趣被風險管理的焦慮所取代。

已經有報道稱，一些工程師花在評估 AI 生成的 pull request 和管理自動化流水線上的時間越來越多，而從零開始寫代碼的時間卻越來越少。編程逐漸不像是一種創造性的問題求解，更像是一種合規性工作。一位工程師曾無奈地感嘆：我不想最后變成一個代碼清潔工，只是收拾 AI 扔過來的爛攤子。

另一種未來則要有意思得多：開發者進化為高層次的編排者，融合技術、戰略與倫理責任。隨著 AI 工人的出現，人類開發者承擔起類似架構師或總承包商的角色，負責設計整體系統，決定哪些任務交給哪一個 AI 或軟件組件，并將眾多運轉中的部件編織成一個完整方案。

一位低代碼平臺的 CEO 曾這樣描述這一愿景：在 Agentic 的開發環境中，工程師會成為作曲家，指揮由多個 AI 智能體和軟件服務組成的合奏。他們不會親自寫下每一個音符，但會定義旋律 —— 系統架構、接口，以及各個智能體如何交互。這個角色本身具有跨學科和創造性：既是軟件工程師，又是系統架構師，同時還是產品戰略制定者。

更樂觀的看法是：當 AI 接管重復性勞動后，開發者的角色將被迫轉向更高價值的活動。工作本身反而可能變得更有意思。總得有人決定 AI 應該構建什么，驗證產品是否合理，并不斷對其進行改進。

最終走向哪一條路，很大程度上取決于組織如何選擇整合 AI。把 AI 視為勞動力替代品的公司，可能會縮減開發團隊規模，讓留下來的工程師負責維持自動化系統運轉；而把 AI 當作團隊放大器的公司，則可能保持相近的人員規模，但讓每位工程師承擔更宏大的項目。

如何應對：

對于初級開發者來說，要主動尋找不只是寫代碼的機會。可以自愿參與測試用例編寫、CI 流水線搭建或應用監控等工作，這些能力都與審計者 / 看護者角色高度契合。同時，通過個人項目保持對創造性編碼的熱情，避免失去構建的樂趣。培養系統思維：學習各個組件如何通信，理解什么樣的 API 才算設計良好。多閱讀工程博客和系統設計案例。熟悉代碼生成之外的 AI 與自動化工具，例如編排框架和 AI API。提升書面和口頭溝通能力，寫文檔時假設讀者是另一個人。向資深同事請教時，不只問我的代碼能不能跑，而要問我是不是考慮到了該考慮的事情。為自己做好準備，成為驗證者、設計者和溝通者，而不僅僅是寫代碼的人。

對于高級開發者來說，要主動擁抱領導力和架構層面的責任。塑造 AI 和初級成員遵循的標準與框架，制定代碼質量清單和負責任使用 AI 的規范。持續關注 AI 生成軟件在合規與安全方面的新問題。把重心放在系統設計和集成能力上，主動梳理跨服務的數據流并識別潛在失效點。熟練使用各種編排平臺，如 Kubernetes、Airflow、無服務器框架以及智能體編排工具。進一步強化技術導師的角色：更多代碼評審、設計討論和技術規范輸出。打磨快速評估他人（或 AI）代碼并給出高層次反饋的能力。同時培養產品和業務意識，理解為什么要做某個功能，以及用戶真正關心什么。可以旁聽產品經理的工作，或參與用戶反饋會議。通過原型開發、黑客松或前沿技術研究，保護并延續自己的創造熱情。從寫代碼的人，進化為指揮全局的指揮家。

專才還是通才之問

核心結論：過于狹窄的專才，面臨其細分領域被自動化或淘汰的風險；而在一個快速變化、深度融入 AI 的環境中，更受青睞的是 T 型工程師，既具備廣泛的適應能力，又在一兩個方向上有深度專長。

在模型、工具和框架不斷興衰更替的背景下，把整個職業生涯押注在單一技術棧上，風險越來越高。某個傳統框架的專家，可能會突然發現，當新的 AI 工具幾乎不需要人工干預就能處理那套技術時，自己的需求度迅速下降。那些只專注于某一個技術棧、某一個框架或某一個產品領域的開發者，可能一覺醒來就發現，這個領域正在衰退，甚至變得多余。

回想一下 COBOL 開發者、Flash 開發者，或那些在行業轉向時未能及時轉型的移動游戲引擎專家。不同之處在于，如今變化的速度更快。AI 自動化可以讓某些編程任務變得極其簡單，從根本上削弱那些圍繞這些任務建立起來的崗位。一個只會做一件事的專家（比如精調 SQL 查詢，或把 Photoshop 設計稿切成 HTML），可能會發現 AI 已經承擔了其中 90% 的工作。

招聘市場總是在追逐最新的細分領域。幾年前，云基礎設施專家炙手可熱；如今，AI/ML 工程師成為焦點。那些只深耕于昨日技術的人，往往會在該領域失去吸引力時陷入停滯。

與此相對的是一種新的專業化形態：多面手式的專才，或者說 T 型開發者。他們在一到兩個領域具備深度專長（縱向的一筆），同時對許多其他領域有廣泛了解（橫向的一筆）。這類工程師往往成為跨學科團隊中的膠水，能夠與不同方向的專家溝通，在需要時填補空白。

企業不再需要要么過于淺嘗輒止、要么過度狹窄的開發者，而是希望工程師既有堅實的核心能力，又能在整個技術棧中協同工作。原因之一是效率：T 型工程師往往可以端到端解決問題，而不必等待頻繁的交接；另一個原因是創新：不同領域知識的交叉，往往能催生更好的解決方案。

AI 工具實際上更能放大通才的能力，讓一個人同時處理多個組件變得更加容易。后端工程師可以借助 AI 輔助生成可用的 UI；前端工程師也能讓 AI 生成服務器端的樣板代碼。在一個 AI 高度充沛的環境中，人們可以更廣泛地工作。相反，深度專才可能會發現自己的細分領域被部分自動化，卻很難順利橫向擴展。

如今，接近 45% 的工程崗位都期望候選人具備多領域能力：比如既會編程，又懂云基礎設施；或者以前端為主，但對機器學習有一定了解。

如何應對：

對于初級開發者來說，要盡早打下寬廣的基礎。即便是因某個具體角色被錄用，也要有意識地走出自己的豎井。如果你做移動端，就去學一些后端基礎；如果你做前端，試著寫一個簡單的服務器。了解部署流程，熟悉 Docker、GitHub Actions 等工具。找出一兩個真正讓你產生興趣的方向，持續深入，這將成為你的縱向專長。把自己定位成復合型角色，例如側重云安全的全棧開發者，或具備 UX 專長的前端工程師。利用 AI 工具快速進入新領域：當你對后端還很陌生時，可以讓 ChatGPT 生成入門級 API 代碼并加以學習。培養持續再學習的習慣。通過黑客松或跨職能項目，強迫自己進入通才模式。主動告訴你的經理，你希望接觸項目的不同部分。在職業早期，適應能力本身就是一種超能力。

對于高級開發者來說，要系統性地梳理自己的技能圖譜：哪些領域是你的強項，哪些相鄰領域只是淺嘗輒止。選擇一到兩個相關方向，投入精力做到能對話、能上手。如果你是后端數據庫專家，可以去熟悉一個現代前端框架，或學習機器學習流水線的基礎。借助 AI 輔助，在自己薄弱的領域做一個小項目。把你的深度專長放到新的語境中：如果你擅長 Web 性能優化，就去探索這些能力如何應用到 ML 推理優化上。主動推動或設計更具跨職能屬性的角色定位，爭取成為多領域項目的整合負責人。在指導他人、擴散技能的同時，也從他們身上學習新東西。更新簡歷，突出你的多面性。利用經驗識別可遷移的模式和知識。最終，成為 T 型工程師的榜樣：在專長領域足夠深入，帶來權威和信任；同時不斷橫向延展自己的能力邊界。

教育之問

核心結論：計算機科學（CS）學位是否仍會是進入軟件行業的黃金標準，還是會被更快的學習路徑（訓練營、在線平臺、企業培訓）所取代？在一個每隔幾個月就發生變化的行業面前，大學可能越來越難跟上節奏。

長期以來，四年制計算機科學學位一直是進入軟件崗位的主要通行證。但這一傳統正在受到質疑。

其中一種未來是：大學仍然重要，但越來越難保持相關性。學位依然是默認的資質門檻，但課程內容落后于飛速變化的行業需求，受限于緩慢的課程更新周期和繁瑣的審批流程。學生和雇主都會感覺，學術界與產業脫節，教授的要么是純理論，要么是已經過時、無法直接轉化為工作能力的實踐。

許多應屆畢業生表示，在整個本科學習期間，他們從未接觸過云計算、現代 DevOps 或 AI 工具。如果大學要求學生投入高昂的時間和金錢，卻提供低相關度的教育，就有可能被視為昂貴的看門人。但由于慣性，許多公司仍然要求學士學位，于是彌補技能差距的負擔被轉嫁給學生，他們不得不通過訓練營、在線課程和自學項目來補齊短板。

企業每年要花費數十億美元來培訓新員工，因為畢業生并不具備職場所需的技能。大學可能會加一門 AI 倫理課，或開一門云計算選修課，但等到真正落地時，行業工具往往已經更新換代。

更具顛覆性的情景是：傳統教育體系被越來越多的新系統所替代，編程訓練營、在線認證、自學作品集，以及由雇主主導的培訓學院。許多知名企業（如 Google、IBM）已經在部分技術崗位上取消了學歷要求。到 2024 年，接近 45% 的公司計劃在至少一部分崗位上取消學士學位門檻。

編程訓練營本身也在成熟。它們培養出的畢業生，已經可以與科班 CS 畢業生一起進入頂級公司工作。這類項目周期更短（例如 12 周的高強度訓練），重點放在實用技能上：當前流行的框架、云服務以及團隊協作。招聘中的硬通貨正在轉向實時作品集、微證書和可驗證技能。一份強有力的 GitHub 作品集或被認可的認證，已經可以繞過學位要求。

由雇主驅動的教育模式正在出現：公司建立自己的培訓管道，或與訓練營合作。一些大型科技公司已經為非傳統背景的候選人開設了內部大學。AI 本身也帶來了新的學習方式：AI 導師、交互式編程沙盒、個性化教學，使學習不再局限于大學校園。

一個模塊化的學習生態，比昂貴的四年制學位更加普惠。一個身處缺乏優質 CS 大學國家的孩子，也可以修同樣的 Coursera 課程，構建與硅谷學生同樣水平的作品集。

如何應對：

對于有志或剛入行的開發者來說，如果你身處傳統 CS 項目中，不要完全依賴它。用真實項目來補充課程：做一個 Web 應用，參與開源項目，爭取實習或帶薪實訓。如果課程體系沒有覆蓋熱門方向，就通過在線平臺自學。獲取行業認可的認證（如 GCP、AWS、Azure），向雇主證明你的實操能力。如果你是自學或來自訓練營，重點打造有說服力的作品集，至少要有一個體量不小、文檔完善的項目。積極參與開發者社區：貢獻開源、撰寫技術文章，通過 LinkedIn、線下聚會和開發者活動建立人脈。爭取讓一位有經驗的開發者為你背書。持續學習，因為技術技能的半衰期很短。把 AI 當作你的私人導師，用作品集、認證以及對自己項目的清晰講述來證明能力，這些都會為你打開機會之門。

對于資深開發者和管理者來說，單靠既有學歷不會一直奏效。要持續投入學習：在線課程、研討會、技術大會和認證。用新的方式驗證自己的能力，做好準備應對以真實問題檢驗當前水平的面試。保持使用新技術的副項目。重新審視招聘要求：你真的需要新員工擁有 CS 學位，還是你真正需要的是某些技能和持續學習的能力？推動以技能為先的招聘方式，擴大人才池。支持內部培訓項目或學徒制崗位，為沒有傳統背景的初級開發者搭建導師網絡。積極與高校和替代教育體系互動：參與顧問委員會、做客座分享、反饋課程與行業需求之間的差距。也要在自身職業發展中體現這一點：真實世界的成果和持續學習，比再拿一個學位更重要。

參考鏈接：https://addyosmani.com/blog/next-two-years/