来源 https://addyosmani.com/blog/next-two-years/ 作者：Addy Osmani「work at Google」
软件行业正处于一个奇特的转折点。AI 编码已经从"增强版自动补全"演变为能够自主执行开发任务的智能体。曾经推动科技行业招聘热潮的经济繁荣已经让位于效率至上的准则:公司现在往往更看重盈利而非增长,更青睐有经验的员工而非应届毕业生,更倾向于配备更好工具的小型团队。
与此同时,新一代开发者正带着不同的考量进入职场:对职业稳定性更加务实,对"拼搏文化"持怀疑态度,并且从一开始就习惯于使用 AI 辅助。
接下来会发生什么真的充满不确定性。下文将探讨五个可能影响 2026 年软件工程发展的关键问题,每个问题都提供两种截然不同的情景。这些并非真正的预测,而是为应对未来做准备的视角。我们的目标是基于当前数据并经过这个社区所擅长的健康怀疑精神检验后,为处理接下来的情况提供清晰的路线图。
1. 初级开发者问题
核心要点:随着 AI 自动化入门级任务,初级开发者的招聘可能会崩溃,或者随着软件渗透到各个行业而反弹。这两种未来都需要不同的生存策略。
“学习编程,找初级工作,成长为高级工程师"这一传统路径正在动摇。一项针对 6200 万工人的哈佛研究发现,当公司采用生成式 AI 时,初级开发者的就业率在六个季度内下降了约 9-10%,而高级职位几乎没有变化。过去三年,大科技公司招聘的应届毕业生减少了 50%。正如一位工程师嘲讽地说:“当 AI 编码智能体成本更低时,为什么要花 9 万美元雇一个初级开发者呢?”
这不仅仅是 AI 的问题。利率上升和疫情后修正等宏观因素在 2022 年左右就已经产生影响,那时 AI 工具还不普及。但 AI 加速了这一趋势。现在一个有 AI 辅助的高级工程师就能完成过去需要一个小团队才能做的工作。公司悄悄地不招初级开发者,甚至比解雇员工更常见。
相反的情景是:AI 解锁了各行各业对开发者的巨大需求,而不仅仅是科技行业。医疗、农业、制造业和金融业都开始嵌入软件和自动化。AI 不是取代开发者,而是成为力量倍增器,将开发工作扩展到从未雇用过程序员的领域。我们会看到更多入门级职位,只是不同的类型:“AI 原生"开发者,能够快速为特定细分领域构建自动化和集成。
美国劳工统计局仍然预测从 2024 年到 2034 年软件工作将增长约 15%。如果企业使用 AI 来扩大产出而不是严格削减人员,他们将需要人类来抓住 AI 创造的机会。
悲观情景的长期风险常常被忽视:今天的初级开发者是明天的高级工程师和技术领导者。完全切断人才管道,你将在 5-10 年内造成领导力真空。行业资深人士称之为"缓慢衰退”:一个不再培养接班人的生态系统。
应对建议:
初级开发者: 让自己精通 AI 并具备多样性。展示一个初级开发者加上 AI 可以匹敌一个小团队的产出。使用 AI 编码智能体(Cursor/Antigravity/Claude Code/Gemini CLI)来构建更大的功能,但要理解并能解释每一行(如果不是大部分的话)代码。专注于 AI 难以替代的技能:沟通、问题分解、领域知识。关注相邻角色(QA、DevRel、数据分析)作为切入点。建立作品集,特别是集成 AI API 的项目。考虑学徒、实习、合同工作或开源贡献。不要成为"只是另一个需要培训的应届生”;要成为一个能快速学习、立即有用的工程师。
高级开发者: 初级开发者减少意味着更多繁重工作落到你身上。依靠自动化处理日常任务,但不要事事亲为。设置 CI/CD、linters 和 AI 辅助测试来捕获基本问题。通过开源或指导其他部门的同事进行非正式的指导。坦率地向管理层说明全是高级人员团队的风险。如果初级需求反弹,准备好有效地引导新人并以利用 AI 的方式委派任务。你的价值在于提升整个团队的产出,而不仅仅是你自己的代码。
2. 技能问题
核心要点:随着 AI 编写大部分代码,核心编程技能可能会退化,或者在人类开发者专注于监督时变得比以往更关键。未来几年将决定我们是否用理解换取速度。
84% 的开发者现在定期使用 AI 辅助。对很多人来说,面对 bug 或新功能时的第一反应不是从头编写代码,而是撰写提示词并将 AI 生成的代码片段拼接起来。入门级程序员正在跳过"艰难的道路":他们可能永远不会从头构建二叉搜索树,或者独自调试内存泄漏。
技能组合正在从实现算法转变为知道如何向 AI 提出正确的问题并验证其输出。阶梯的第一级现在要求的是提示和验证 AI,而不是展示原始编码能力。一些高级工程师担心这会产生一代无法独立编码的人,一种技能退化。AI 生成的代码会引入微妙的 bug 和安全漏洞,经验较少的开发者可能会错过。
相反的情景是:当 AI 处理 80% 的常规工作时,人类专注于最困难的 20%。架构、棘手的集成、创造性设计、边缘情况:这些是机器单独无法解决的问题。AI 的无处不在不是让深厚知识过时,而是让人类专业知识比以往更重要。这就是"高杠杆工程师",他使用 AI 作为力量倍增器,但必须深入理解系统才能有效地运用它。
如果每个人都有 AI 编码智能体的访问权限,区分优秀开发者的关键是知道 AI 何时出错或不够优化。正如一位高级工程师所说:“最好的软件工程师不是编码最快的,而是那些知道何时不信任 AI 的人。”
编程转变:减少输入样板代码,更多地审查 AI 输出的逻辑错误、安全漏洞和与需求的不匹配。关键技能变成了软件架构、系统设计、性能调优和安全分析。AI 可以快速生成 Web 应用,但专家工程师要确保 AI 遵循了安全最佳实践,并且没有引入竞态条件。
2025 年的开发者讨论存在分歧。一些人承认他们几乎不再"手写"代码,并认为编码面试应该演变。其他人则认为跳过基础知识会在 AI 输出出错时导致更多救火。行业开始期待工程师同时具备两者:AI 速度和质量的基础智慧。
应对建议:
初级开发者: 将 AI 用作学习工具,而非拐杖。当 AI 编码智能体(Cursor/Antigravity/Claude Code/Gemini CLI)建议代码时,审查它为什么有效,识别弱点。偶尔关闭你的 AI 助手,从头编写关键算法。优先考虑计算机科学基础:数据结构、算法、复杂度、内存管理。实现项目两次,一次用 AI,一次不用,然后比较。学习提示工程和工具掌握。训练自己进行严格测试:编写单元测试,阅读堆栈跟踪而不立即询问 AI,熟悉调试器。深化 AI 无法复制的互补技能:系统设计、用户体验直觉、并发推理。展示你既能用 AI 快速产出解决方案,又能在它失败时解决棘手问题。
高级开发者: 将自己定位为质量和复杂性的守护者。磨练你的核心专长:架构、安全、扩展、领域知识。练习用 AI 组件建模系统并思考故障模式。了解 AI 生成代码中的漏洞。接受你作为导师和审查者的角色:定义哪里可以使用 AI,哪里必须手动审查(支付或安全代码)。投身于创造性和战略性工作;让初级+AI 组合处理常规 API 连接,而你决定构建哪些 API。投资软技能和跨领域知识。了解新工具和最佳实践。加倍投入使人类开发者不可或缺的东西:良好判断力、系统级思维和指导能力。
3. 角色问题
核心要点:开发者角色可能萎缩为有限的审计(监督 AI 生成的代码),或扩展为设计和治理 AI 驱动系统的关键编排者职位。无论哪种方式,增加价值都意味着不仅仅是编码。
这里的两个极端非常鲜明。在一种愿景中,开发者看到他们的创造性责任被削弱。他们不再构建软件,而主要是审计和监视 AI 输出。AI 系统(或使用无代码平台的"公民开发者")处理生产;人类开发者审查自动生成的代码,检查错误、偏见或安全问题,并批准部署。制造者变成了检查者。代码创造的乐趣被风险管理的焦虑所取代。
有报道称工程师花更多时间评估 AI 生成的拉取请求和管理自动化管道,而更少时间从头编写代码。编程感觉不再像创造性解决问题,而更像合规性工作。正如一位工程师感叹的:“我不想最终成为代码清洁工,清理 AI 扔过来的东西。”
另一种未来要有趣得多:开发者演变为高级编排者,结合技术、战略和道德责任。AI"工人"意味着人类开发者承担架构师或总承包商的角色,设计整体系统,决定哪些任务分配给哪个 AI 或软件组件,从许多活动部件中编织解决方案。
一位低代码平台的 CEO 阐述了这一愿景:在"智能体"开发环境中,工程师成为"作曲家",编排 AI 智能体和软件服务的合奏。他们不会自己写每一个音符,但他们定义旋律:架构、接口、智能体如何交互。这个角色是跨学科和创造性的:部分软件工程师,部分系统架构师,部分产品策略师。
乐观的看法:随着 AI 处理常规工作,开发者角色必然转向更高价值的活动。工作可能会变得更有趣。总得有人决定 AI 应该构建什么,验证产品是否合理,并持续改进它。
走向哪个方向可能取决于组织如何选择整合 AI。将 AI 视为劳动力替代的公司可能会缩减开发团队,要求剩余工程师保持自动化运行。将 AI 视为增强团队的公司可能会保持类似的员工数量,但让每个工程师交付更雄心勃勃的项目。
应对建议:
初级开发者: 寻求编写代码之外的机会。自愿编写测试用例、设置 CI 管道或应用监控:与审计者/保管者角色相符的技能。通过个人项目保持你的创造性编码,这样你就不会失去构建的乐趣。培养系统思维:学习组件如何通信,什么使 API 设计良好。阅读工程博客和系统设计案例研究。熟悉代码生成之外的 AI 和自动化工具:编排框架、AI API。提高沟通技能,书面和口头。编写文档就像向别人解释一样。不仅问高级同事"我的代码有效吗?",还要问"我考虑对了吗?“准备成为验证者、设计者和沟通者,而不仅仅是编码者。
高级开发者: 投身于领导和架构责任。塑造 AI 和初级团队成员遵循的标准和框架。定义代码质量清单和道德 AI 使用政策。了解 AI 生成软件的合规性和安全主题。专注于系统设计和集成专业知识;自愿绘制跨服务的数据流并识别故障点。熟悉编排平台(Kubernetes、Airflow、无服务器框架、智能体编排工具)。加倍投入你作为技术导师的角色:更多代码审查、设计讨论、技术指南。磨练你快速评估别人(或某物)的代码并给出高层反馈的能力。培养产品和业务意识;理解为什么要构建功能以及客户关心什么。跟随产品经理或参加客户反馈会议。通过原型、黑客马拉松或新兴技术研究保护你的创造热情。从编码者演变为指挥家。
4. 专家 vs. 通才问题
核心要点:狭隘的专家面临其细分领域被自动化或过时的风险。快速变化、注入 AI 的环境奖励 T 型工程师:具有广泛适应性和一两项深度技能。
鉴于模型、工具和框架起落的速度之快,将职业生涯押注在单一技术栈上是有风险的。当新的 AI 工具以最少的人工干预处理某项技术时,遗留框架的大师可能会突然发现自己的需求减少。狭隘专注于"单一技术栈、框架或产品领域"的开发者可能会发现该领域正在衰落或变得多余。
想想那些在行业转变时没有转型的 COBOL 开发者、Flash 开发者或移动游戏引擎专家。现在不同的是变化的速度。AI 自动化可以使某些编程任务变得微不足道,削弱了围绕这些任务的角色。一个只知道一件事的专家(微调 SQL 查询,将 Photoshop 设计切片为 HTML)可能会发现 AI 处理了 90% 的工作。
招聘经理追逐最新的细分领域。几年前,每个人都想要云基础设施专家;现在 AI/ML 工程师激增。那些狭隘专注于昨天技术的人,随着该细分领域失去光彩而感到停滞不前。
相反的结果是新形式的专业化:“多才多艺的专家"或 T 型开发者。在一两个领域拥有深厚专业知识(垂直笔画),对许多其他领域有广泛了解(水平笔画)。这些工程师成为多学科团队中的"粘合剂”;他们与其他类型的专家沟通,并在需要时填补空白。
公司不再想要太浅薄或太狭隘专注的开发者;他们想要强大的核心能力加上跨技术栈工作的能力。部分原因是效率:T 型工程师通常可以端到端解决问题,而无需等待交接。部分原因是创新:知识的交叉传播带来更好的解决方案。
AI 工具实际上更多地增强了通才,使一个人更容易处理多个组件。后端工程师可以依靠 AI 帮助创建合理的 UI;前端专家可以让 AI 生成服务器样板代码。富含 AI 的环境让人们更广泛地运作。与此同时,深度专家可能会发现他们的细分领域部分自动化,没有简单的方法扩展。
现在近 45% 的工程角色期望在多个领域熟练:编程加云基础设施知识,或前端加一些 ML 熟悉度。
应对建议:
初级开发者: 尽早建立广泛的基础。即使受雇于特定角色,也要窥探该孤岛之外。如果你在做移动开发,学习后端基础;如果你在做前端,尝试编写一个简单的服务器。学习部署过程和 Docker 或 GitHub Actions 等工具。确定一两个真正让你兴奋的领域并深入:这成为你的垂直专业知识。将自己塑造为混合型:“专注于云安全的全栈开发者"或"具有 UX 专业知识的前端开发者”。使用 AI 工具快速学习新领域;当你是后端新手时,让 ChatGPT 生成入门 API 代码并研究它。养成持续再技能的习惯。参加黑客马拉松或跨职能项目,迫使自己进入通才模式。告诉你的经理你想接触项目的不同部分。适应性是职业生涯早期的超能力。
高级开发者: 绘制你的技能图谱:你在什么方面是专家,你只是浅尝辄止的相关领域是什么?选择一两个相邻领域并承诺变得熟悉。如果你是后端数据库专家,熟悉现代前端框架或学习 ML 管道基础知识。在 AI 辅助下在你的弱项领域做一个小项目。将你的深厚专业知识与新背景整合;如果你专注于 Web 应用性能,探索这些技能如何应用于 ML 推理优化。倡导或设计你的角色更跨职能。自愿成为涉及多个领域项目的"集成冠军”。指导他人传播技能,同时从他们那里学到东西作为回报。更新你的简历以反映多样性。利用你的经验识别模式和可转移的知识。成为 T 型榜样:在你的专业领域很深(给予权威和信心),但积极横向拉伸。
5. 教育问题
核心要点:CS 学位会保持黄金标准,还是更快的学习途径(训练营、在线平台、雇主培训)会超越它?大学可能难以跟上每几个月就变化一次的行业。
四年制计算机科学学位长期以来一直是进入软件角色的主要门票。但这一传统正受到质疑。
一种未来:大学仍然重要,但难以保持相关性。学位仍是默认凭证,但课程落后于快速发展的需求,受困于缓慢的课程更新周期和官僚审批流程。学生和雇主感到学术界与行业脱节,教授理论或过时实践,无法转化为工作技能。
最近的毕业生报告说,在学位期间从未学习过云计算、现代 DevOps 或 AI 工具。如果大学要求高时间和财务投资,同时提供低相关性教育,他们面临被视为昂贵守门人的风险。但许多公司出于惯性仍然要求学士学位,因此负担转移到学生身上,通过训练营、在线课程和自学项目来填补空白。
学生贷款债务巨大,公司花费数十亿培训新毕业生,因为这些毕业生缺乏工作场所所需的技能。大学可能在这里添加一门 AI 伦理课,在那里添加一门云计算选修课,但等他们实施时,行业工具已经向前发展了。
颠覆性情景:传统教育越来越多地被新系统取代。编程训练营、在线认证、自学作品集、雇主创建的培训学院。许多知名雇主(Google、IBM)已经取消了某些技术角色的学位要求。2024 年,近 45% 的公司计划取消至少某些职位的学士学位要求。
训练营已经成熟。他们培养的毕业生与 CS 毕业生一起被顶级公司录用。这些课程更短(12 周强化),专注于实用技能:当前框架、云服务、团队合作。招聘货币正在转向实时作品集、微证书和经过验证的技能。强大的 GitHub 作品集或认可的认证可以绕过学位要求。
雇主驱动的教育正在兴起:公司创建自己的培训管道或与训练营合作。一些大型科技公司已经为非传统候选人启动了内部"大学"。AI 本身提供了新的学习方式:AI 导师、交互式编码沙盒、大学环境之外的个性化教学。
模块化的学习生态系统比昂贵的四年制学位更容易获得。一个没有强大 CS 大学的国家的孩子可以参加与硅谷某人相同的 Coursera 课程并建立相同的作品集。
应对建议:
有抱负/初级开发者: 如果在传统 CS 课程中,不要完全依赖它。用实际项目增强课程作业:构建 Web 应用,为开源做贡献。寻求实习或合作教育。如果你的课程错过了热门话题,通过在线平台学习它们。获得行业认可的认证(GCP、AWS、Azure)以表明实用知识。如果自学或在训练营,专注于引人注目的作品集:至少一个有良好文档的实质性项目。在开发者社区中保持活跃:为开源做贡献,撰写技术帖子。通过 LinkedIn、聚会、开发活动建立网络。让有经验的开发者为你担保。持续学习;技术技能的半衰期很短。将 AI 用作你的私人导师。以具体方式证明你的技能:作品集、认证和智能谈论你工作的能力将打开大门。
高级开发者和领导者: 仅凭你的凭证不会永远支撑你。投资持续教育:在线课程、研讨会、会议、认证。以新方式验证你的技能;准备好通过实际问题评估当前能力的面试。维护新技术的副项目。重新评估工作要求:你真的需要新员工有 CS 学位,还是需要某些技能和学习能力?推动技能优先招聘以扩大你的人才库。支持内部培训计划或学徒式角色。为没有正式背景的初级开发者倡导指导圈。与学术界和替代方案互动:咨询委员会、客座讲座、对课程差距的反馈。在你自己的职业成长中反映这一点:真实世界的成就和持续学习比额外的学位更重要。
贯穿主线
这些情景并非互斥。现实将从所有这些中汲取元素。一些公司会减少初级招聘,而其他公司会在新领域扩大招聘。AI 将自动化常规编码,同时提高人类触及代码的标准。开发者可能上午审查 AI 输出,下午制作高层架构。
一致的主线:变化是唯一的常数。通过紧跟技术趋势(以及对它们的怀疑),你可以避免被炒作或厄运打个措手不及。通过更新技能、多样化能力,并专注于独特的人类方面(创造力、批判性思维、协作),你保持在循环中。
无论未来带来编码复兴还是代码自己编写的世界,总会有对整体思考、持续学习并推动技术解决实际问题的工程师的需求。
预测未来的最好方法是主动构建它。