第九章：普通人未来该如何应对 AI 编程时代

---

先把结论说在前面

这个问题很多人都焦虑，但我先把结论说在前面：

会被淘汰的，不是"写代码的人"，而是"只会机械写代码、不会定义问题、不会判断结果的人"。

这不是在给所有程序员打气，而是一个需要分类讨论的问题。

---

哪些程序员相对更危险？

先说清楚：不是"危险 = 一定失业"，而是"这些能力更容易被 AI 替代或放大"。

类型一：照单执行型

只会按需求堆页面，不理解业务背景。

代表行为：

• “需求文档给我，我按照上面写就行”
• 不主动追问"为什么要这样做"
• 完成后不主动思考边界情况

AI 化进程：这类工作是 AI 最擅长的部分。你能做的，AI 可以做得更快。

类型二：教程依赖型

只会照着教程拼代码，遇到问题不会系统排查。

代表行为：

• 遇到新问题第一反应是找教程，找不到就卡住
• 不能从错误信息推断原因
• 对"为什么这样设计"没有思考

AI 化进程：AI 现在已经是最好的"一对一教程老师"，这类工作 AI 比你更高效。

类型三：工具抗拒型

遇到新工具就抗拒，完全不愿意学习。

代表行为：

• “我不用 AI，我用传统方式写得也挺好的”
• 拒绝尝试 Cursor、Copilot
• 认为 AI 编程是"投机取巧"

AI 化进程：这类工程师不会立刻失业，但他们的同事会越来越快，他们会越来越慢，差距会越来越大。

类型四：只会交付型

交付能力弱，只说"我写完了"，不说"我验证过了"。

代表行为：

• 代码提交后不做本地测试
• 不主动考虑边界情况
• PR 描述是"fix bug"没有任何细节

AI 化进程：AI 生成代码的速度很快，但它需要人来做验收判断。如果你连验收都不做，那你在 AI 团队里的价值是什么？

---

哪些程序员会更值钱？

会更值钱的，通常是：

类型一：问题定义者

能把模糊需求变清晰。

具体表现：

• 拿到需求不是先写代码，而是先问对的问题
• 能把"让这个更快"变成"把首屏时间从 3s 降到 1s"
• 能识别哪些需求是真需求，哪些是手段需求

在 AI 时代的价值：AI 需要清晰的指令，而问题定义能力就是"给 AI 写清晰指令"的基础能力。这种人用 AI 的效果是普通人的 5 倍。

类型二：判断者

能判断技术方案的人。

具体表现：

• 看一眼 AI 生成的代码，知道哪里可能有问题
• 能在多个技术方案里说清楚各自的利弊
• 能预测某个决定三个月后会不会成为技术债

在 AI 时代的价值：AI 生成代码的速度已经很快，但它不能为代码质量负责。判断者是 AI 的把关人。

类型三：系统拆分者

能做系统拆分的人。

具体表现：

• 能把大功能分解成小任务
• 知道模块之间的边界应该在哪里
• 能设计出可以分别实现的接口

在 AI 时代的价值：AI 在小范围、边界清晰的任务上表现最好。你的系统拆分能力直接决定了 AI 能发挥多少效能。

类型四：风险识别者

能识别风险和边界的人。

具体表现：

• “这里如果并发量高会怎样”
• “这个接口如果被恶意请求会有什么安全问题”
• “如果数据库挂了，用户会看到什么”

在 AI 时代的价值：AI 很少主动考虑边界情况，需要人类来提出这些问题。

类型五：AI 编排者

能把 AI 组织成生产力的人。

具体表现：

• 会设计 AI 工作流
• 能给不同任务选择合适的模型和工具
• 能持续优化 Prompt 和上下文设计
• 知道在哪个节点需要人类介入

在 AI 时代的价值：这是最新的一种核心能力，也是竞争最少的领域。

---

普通人的机会在哪里？

如果你不是科班工程师，也完全不必悲观。

AI 编程时代反而给了普通人一个前所未有的机会。

机会一：产品经理可以更快做原型

以前 PM 和工程师之间有一堵墙：PM 有想法，但必须等工程师排期、评估、实现。现在这堵墙变矮了很多。

PM 可以：

• 用 AI 快速做出可点击的原型
• 在找工程师排期之前先验证想法
• 减少需求评审时的沟通成本（“你看，我想要的是这个效果”）

机会二：设计师可以更快验证想法

以前设计师做完静态稿，还需要等前端实现才能真正测试交互。现在：

• 可以用 AI 把设计稿转成可交互的 HTML
• 可以用 AI 快速做 A/B 比较
• 可以把"交互是否合理"的验证提前到设计阶段

机会三：学生可以边做边学

以前学编程是：学语法 → 做作业 → 做小项目 → 最后能做真东西，这个链路很长。

现在是：有想法 → 和 AI 一起做出来 → 在做的过程中学习 → 更快拿到真实反馈。

学习效率大幅提升，因为你是带着真实问题去学，而不是先学完再用。

机会四：独立开发者可以一人顶一个小团队

以前一个人做一个 SaaS 产品，通常需要：

• 产品设计能力
• 前端能力
• 后端能力
• 运维能力
• 至少 3-6 个月

现在用 AI，一个人可以：

• 产品设计：想清楚就行
• 前端：AI 生成 + 你调整
• 后端：AI 生成 + 你验证
• 运维：Docker + 云服务 + AI 辅助
• 时间可能缩短到 2-4 周

前提是你要接受一件事：你依然要学，只是学的重点变了。

---

学习重点的转变

过去你要先学

• 语法细节
• 框架 API
• 工具链配置
• 调试技巧

现在你更应该优先学

• 怎么拆需求（把大问题变小问题）
• 怎么给上下文（让 AI 理解你的意图）
• 怎么做最小验证（快速确认方向对不对）
• 怎么读报错（从错误信息推断原因）
• 怎么判断 AI 在胡说（识别幻觉和错误）
• 怎么设计工作流（让 AI 持续稳定干活）

这些能力，其实和编程本身关系不大，更接近工程思维和系统思维。

---

两个程序员的对比故事

开发者 A（AI 时代落伍）

背景：有 3 年 Python 经验，每天用 Copilot

工作方式：

• 需求来了，直接打开 Copilot 开始写
• 遇到写不出来的地方，让 AI 写
• 跑起来就提交，不测试边界情况
• 代码出问题了，把报错贴给 ChatGPT 让它解决
• 接受 AI 的任何改动，从不质疑

半年后的状态：

• 代码产出量更高了，但 bug 率也更高了
• 代码库越来越混乱，因为 AI 每次都引入了一些"小改进"
• 遇到复杂问题还是搞不定，因为从来没真正理解过
• 团队里其他人开始觉得他的代码质量在下降

开发者 B（AI 时代提速）

背景：同样 3 年 Python 经验

工作方式：

• 需求来了，先想清楚边界和规则，写成 Prompt
• 让 AI 先分析方案，再确认方向，再写代码
• 每次修改都限制范围，不让 AI 乱动其他地方
• 有明确的验收标准，代码生成后自己验证
• 主动质疑 AI 的实现，会指出它的错误

半年后的状态：

• 能独立完成以前需要两个人的任务量
• 代码质量没有下降，因为他在把关
• 开始主导团队的 AI 工具采购和工作流设计
• 被认为是团队里"最会用 AI"的人

两人的差距不是"谁的 AI 更厉害"，而是"谁更会定义问题、驾驭工具、对结果负责"。

---

真正的竞争力：三种复合能力

第一，问题定义能力

你能不能把"我想做个东西"变成"这次要完成的明确任务"。

练习方式：

• 每次提需求前，先写一遍任务说明
• 包含：目标、约束、验收标准
• 强迫自己把模糊的词变具体的词
  • “优化性能” → “首屏时间从 3s 降到 1s 以内”
  • “修复 bug” → “解决在 Chrome 108 上点击提交按钮后页面白屏的问题”

第二，判断能力

你能不能看出 AI 写的代码到底是好、一般、还是马上要出事。

练习方式：

• 对每段 AI 生成的代码，问自己这三个问题：
  1. 边界情况处理了吗？（null、空数组、并发）
  2. 安全问题有没有？（SQL 注入、越权、信息泄露）
  3. 这段代码三个月后还好维护吗？
• 不满意就让 AI 改，直到你满意为止

第三，整合能力

你能不能把需求、代码、测试、部署、文档、协作串成一个完整交付过程。

练习方式：

• 做一个完整的小项目，包括从需求到部署的全流程
• 每次都写测试、写 README、写 PR 描述
• 建立属于自己的工作流 SOP

---

给非程序员的特别建议

如果你是 PM、设计师、运营、学生，想进入 AI 编程：

第一步：接受"我不需要先精通编程"

以前的逻辑是：先学会写代码，再做产品。
现在的逻辑是：先有想法，边做边学。

AI 降低了"从想法到实现"的门槛，你可以从做一个很小的东西开始。

第二步：先学会描述清楚你想做什么

这比学语法更重要。练习把需求说清楚：

• 这个功能要做什么？
• 用户会怎么用它？
• 什么情况下算完成？

第三步：从最小的项目开始

不要想着一上来做一个"完整的 SaaS"。
先做：

• 一个你自己会用的小工具（记账、日程、清单）
• 一个解决你真实痛点的小页面
• 一个你真正用得上的自动化脚本

第四步：学会读懂代码，不是写代码

你不需要从零手写每一行，但你需要看懂 AI 写了什么。
重点学：

• 基本语法（大概知道每行在干什么）
• 文件结构（知道每个文件的职责）
• 如何看报错（能从报错信息推断问题在哪）

---

一句话总结

AI 编程时代真正拉开差距的，不是谁更会敲键盘，而是谁更会定义问题、驾驭工具、对结果负责。

---

上一章：第八章 — 高级玩家怎么玩 Vibe Coding
下一章：第十章 — 给新手的 Vibe Coding 学习路线