1.”智力”不再值钱,“调度算力”的能力才值钱
The Core Shift: Intelligence No Longer Converts Directly Into Money; The Real Value Is the Ability to Mobilize Compute过去的底层逻辑是：“学历卡能力，能力卡收入”
尤其是一路从 985、211 读上来的人，心里其实一直默认这一套规则。什么意思？本科、硕士、博士，一层一层往上读，本质上都是在间接证明一件事：你更聪明，你更能学，你更能解决复杂问题。所以过去企业愿意为“聪明”买单，因为聪明的人通常理解快、上手快、干活质量高，出错也少。至少在过去很多年里，学历确实是企业判断一个人能力和潜力的快捷方式 AI 让“智力”不再那么稀缺
当然企业依然偏好那些高学历的人才，但现在这个逻辑开始发生一些变化了。原因也不复杂：你再聪明，也很难比 AI 更聪明。这句话放在一年前说，可能还会显得有点焦虑，甚至像是在炒作话题。但如果你真的把 Vibe Coding 工具高频接到自己的工作流里，你会很明显地感觉到这件事。我说的不是偶尔把一段代码丢进对话框，让它帮你改一改；而是你每天写代码、改代码、读代码、排 bug，都先让
Claude Code/Codex 跑一遍。到了这个使用强度之后，你对它的判断会完全不一样。坦白讲, 我没遇到过任何一个程序员代码能力能比 Claude Code/Codex 强
关键不是 AI 不出错，而是它的试错成本太低 当然，有人会说：AI 写代码也会出 bug。这话没错，但问题是，人写代码就不出 bug 吗？一个人写一万行代码，不也得出一堆 bug 吗？关键不在于 AI 会不会犯错，而在于它犯错之后的整体成本太低了。它比人快很多，不用休息，不用社保，不用年终奖，一个月的成本可能还不到普通程序员工资的零头。你雇一个再普通的程序员，一个月也得一万起步，但 AI 工具一个月可能一两千块，甚至更低。它还可以 24 小时工作，可以反复试错，可以不停迭代 更大的压力来自 AI 的迭代速度
它进步得太快了。AI Coding 真正变得可用，也就是最近一两年的事。去年很多工具还只能写小片段、改小功能，今年已经可以读大型代码库、做复杂重构、跑测试、查问题了。那再过一年呢？这个就很难想象了。所以我觉得，传统意义上的“聪明”，已经不能直接换钱了。不是说聪明没用了，聪明当然还有用，但问题是，单纯聪明这件事本身，已经没那么稀缺了。过去你聪明，企业就愿意付钱；现在你聪明，但 AI 也聪明，而且 AI 更便宜、更快、更能持续迭代 新的定价标准：谁能调用更多算力，谁就更值钱
那新的定价标准是什么？我的判断是：谁能调用更多的算力，谁就更值钱。这句话听起来有点抽象，但其实很好理解。未来一个人的价值，不只是看他本人有多聪明，而是看他的判断力能不能撬动更多机器、更多模型、更多 GPU、更多 Token。你能调动的资源越大，你的判断就越值钱；你只能完成一个局部动作，你就越容易被自动化替代
单纯写业务代码的传统开发岗,因为不调用算力,会被冲击得最厉害** — 因为它的价值完全建立在”人写代码”这个动作上，而这个动作正在被 AI 接管 这就是我理解的 “智力没那么值钱了” 的真正含义。聪明当然还有用，但聪明已经不能直接卖钱了——你得让你的聪明能”调动”点什么。 所有后面的判断，都是从这条线长出来的
2.岗位重塑: “算法岗”与”开发岗”正在融合
Role Reshaping: Algorithms and Development Are Converging岗位界限正在变得模糊
在之前算法和开发的界限非常清晰。算法天天调参，一个公式一个公式抠；开发天天写接口、搭数据库、做并发。两边互相看不太起：算法觉得开发没技术含量，开发觉得算法不接地气。但这个分野这两年正在快速崩塌。原因很简单，AI 时代的工作流变了。以前算法工程师的核心动作是调模型，现在很多时候是调 API、调提示词、调模型链路；以前开发工程师的核心动作是写业务代码，现在越来越多是在做 Agent 编排、模型调用、工具集成和业务流程自动化。两边都在往中间靠拢，而这个中间地带，就是新的工种：大模型工程师
这个区分在 26 年已经没那么重要了。重要的是你能不能围绕大模型，把”想清楚 + 调通工具 + 解决业务问题”这条链路跑通 “传统岗位”这个概念是脑补出来的。 整个互联网行业才二十多年，每年都在变，哪有什么传承几十年的传统岗位。所谓”我做的是传统后端、AI 跟我没关系”——这话本身就是给自己找借口。当一个组今年的 HC 从后端全部改成大模型岗，你说自己是做”传统后端”的，谁理你？ AI 不会让你更轻松，而是让预期变高
因为逻辑很简单：以前你可以拖，以“没前端资源” “没产品经理对接” “接口还没好”为由，把事情往后放一放。现在很难了。老板心里会想：你不是有 AI 吗？前端你先让 AI 搞一版，后端你自己调 API，文档你自己生成，方案你自己先跑出来。于是工作总量不会减少，它只是被压缩到每个人身上更多了。AI 提升的是单位时间产出，但公司最终要的不是你早点下班，而是同样的人做更多的事。所以工作总量不会减少,只会被压缩到每个人头上更多 新的核心能力是工程、模型、业务和产品sense的组合
不要指望”洗洗数据、调调模型”就能胜任工业界的工作。有些部门连 GPU 都没有,用的是算法中台提供的 API。模型你都不需要部署,你的核心价值是什么?工程能力 + 对模型的理解能力 + 业务理解能力,三者缺一不可,还要外加产品 sense——你得知道企业的痛点在哪、Agent 怎么设计才能真正提效
3.门槛在下探: 机会更多，门槛更低
Market Window: More Opportunities, Lower Barriers市场状态：机会变多了，门槛反而下来了
这个判断乍一听很反直觉，因为所有人都在喊卷，怎么还能说机会更多、门槛更低？但你把供需结构拆开看，就会发现逻辑很清楚：行业 HC 的扩张速度，远远超过了“传统优质候选人”的供给速度。过去大家默认一个合格的算法岗候选人大概长这样：985 硕士、顶会一作、大厂实习。这种人当然很强，但问题是这种人池子就那么大，一年就那么多。可今年很多大厂的大模型岗位 HC 是翻倍、再翻倍地加，等加到某个临界点，原来那个“标准候选人池”就不够用了，企业只能往下捞人 结构窗口：企业开始接受更多非标准背景
企业往下捞的时候，会用什么标准？我观察到的大致是这几条：项目真实，面试能讲清楚，八股扎实，力扣不挂。你看，这套标准和过去那种“名校 + 顶会 + 大厂实习”的标准相比，门槛其实低了很多。所以你会看到一些过去不太容易出现的画像，今年校招开始大量出现：非顶尖学校的硕士拿到了头部计划，双非本科加一般硕士拿到了 SP，甚至 SSP。这些情况放在一两年前，确实没那么常见，但今年变多了。这就是一个结构性窗口。它不会一直开着，因为等市场慢慢稳定、候选人供给跟上来之后，门槛一定会重新抬高。但至少现在，这个窗口是开着的 面试变化：从开放聊天变成固定题库
跟门槛下探同步发生的，还有面试形态的固化。二三年前的大模型面试，很多时候更像聊天。面试官可能会问你：“你怎么看 LLM 的未来？” “RAG 和微调哪个更重要？” “你觉得 Agent 会取代什么？”那时候没有特别标准的答案，谁讲得有意思、谁显得理解深一点，谁就更容易过。但现在不一样了，题库已经高度收敛。八股就那几块：Transformer、MoE、主流模型架构对比、注意力机制变种、SFT、DPO、GRPO 这些后训练算法。项目也基本会围绕几个固定问题展开：为什么选这个方案？指标提升了多少？bad case 怎么分析？线上效果怎么评估？算法题也越来越集中在 LeetCode 热门那一两百道。场景题则通常是给你一个业务，让你从零设计一条大模型应用链路 准备逻辑：题库固定，对肯下功夫的人是好事
这个变化对不同人意味着完全相反的事。对已经入行的人来说，面试变难了。 因为你不能再靠“聊得好”蒙混过关，面试官手里有标准答案在等你。你讲不清楚 Transformer，讲不清楚 MoE，讲不清楚项目指标，那很快就会露馅。但对零基础或者中等背景、只要肯下功夫的人来说，面试反而变简单了。 因为考点固定了，准备路径就清楚了。你知道要刷哪些八股，知道要准备哪些项目问题，知道 LeetCode 大概要刷哪一批题，也知道场景题大概会怎么问。换句话说，面试从“拼天赋、拼背景、拼灵感”，变成了“拼准备密度”
4.卷的方向在改变: 如何利用好AI
The New Game: Learning to Work With AI核心分化：有人被替代，有人被加杠杆
AI 帮你写代码的比例是多少？不同人的答案差距：居然还有人一个月也用不上几次，每次就是把代码贴到对话框里让它解释一下---这种用法本质上跟搜索引擎没区别 (所以说不要干内网开发, 在AI时代自绝于AI的程序员, 干几年自己的技术栈就废了)；AI Native Programmer 是另一种状态：日常每写一段代码先让 AI 来一版，然后自己改、调试、定型；遇到复杂功能直接让 AI 拆任务、给方案、写实现；甚至有人已经把 AI Coding 工具接到了完整的开发工作流里，自己更多扮演”审核者”和”决策者”的角色 这两种用法的差距，会直接决定你在 AI Coding 时代的处境。第一种用法的人，正在被替代。因为他的工作内容和 AI 高度重叠：AI 能写他写的所有东西，而且更快、更便宜、更能反复试错。第二种用法的人，正在被加杠杆。因为他的产出不再只是自己的代码能力，而是 AI 的生成能力，加上自己的判断力、经验和系统理解。换句话说，AI 对他来说不是竞争对手，而是一个放大器。过去一个人一天只能推进一个功能，现在他可能一天能推进三四个；过去要花很久才能搭出原型，现在几个小时就能跑起来。差距就在这里被拉开了 AI Coding 时代程序员卷的东西变了。具体变成了三件事：
- 能不能快速判断 AI 输出的代码是否合理: AI 现在的代码生成能力很强，但它对”系统边界”、“业务约束”、“性能要求”这些东西的理解还远远不够。它会天马行空地定义变量、创造不存在的依赖、写出语法正确但逻辑荒谬的代码。能不能在五秒内看出”这段代码不对”，是核心能力
- 是能不能补齐 AI 的盲区: AI 不知道你公司的代码规范、不知道这个变量在其他地方被怎么用、不知道这个性能在生产环境下意味着什么。这些都是人的发挥空间。但前提是你得知道自己该补什么
- 是能不能做经验性判断: 一个具体的问题—什么时候该上模型、什么时候是数据问题、什么时候根本不该用 AI 解决—这种判断 AI 暂时给不出来，因为它没有踩过坑
5.技术栈更新极快: 追热点很重要
Rapid Stack Shifts: Trend Awareness Matters
追热点本身重要，但更重要的是保持持续感知和快速判断大模型工程师是最考验“追热点能力”的方向之一
LLM应用开发 相关的技术栈/产品 更新速度非常快，甚至可以说是目前最考验“追热点能力”的方向之一。以前前端开发最鼎盛的时候，大家经常调侃“一年换一套框架”，但大模型应用、Agent、工具链和工作流的更新速度，某种程度上比当年的前端还要快。你很难再像传统开发那样，学完一套稳定技术栈就吃很多年。很多新工具、新范式，几个月前还没人提，几个月后就已经变成面试话题、项目卖点，甚至岗位要求了 技术敏感度：听到新东西，要能快速补课
想要不落下热点, 那就要保持自身的技术敏感度, 判断自己的技术敏感度，有一个很朴素的标准：几个程序员围在一起聊天，如果别人提到某个新技术、新工具，而你完全没听过，这时候至少要有一个基本反应：先记下来，回头立刻查。现场你可以先顺着听，不一定非要立刻暴露自己完全不知道，但转过头一定要马上用 AI去查 把它搞清楚。一次不知道没关系，但不能长期停留在不懂。身边人已经开始讨论的东西，如果过了几天你还是不知道，那就说明你的技术敏感度明显偏弱了 核心能力不是跟风，而是判断变化
如果你一直不学，也许你就永远不用学了但是有些工具、框架、范式更新太快，如果你刚出来就追，可能学完没多久它就被替代了；但如果你完全不学，也可能它还没来得及变成你的核心能力要求，就已经过气了 所以这个方向真正考验的，不是你能不能第一时间追到每一个热点，而是你对技术变化的察觉能力和判断能力。当一个新技术、新工具、新范式出现时，你需要快速判断：它到底有没有用？会不会形成趋势？会影响哪些岗位？会改变哪些工作流？会不会进入主流技术栈？这件事本质上不只是技术问题，也是一种行业判断能力 产品Sense很重要，技术有没有落地土壤
判断一个技术会不会火、会影响什么，往往还需要一点产品思维。因为很多技术问题，最后不只是技术本身的事情，还和市场需求、用户习惯、商业模式、硬件基础、落地成本有关。你不能只看“这个技术听起来是不是很先进”，还要看它有没有真正大规模落地的土壤。比如元宇宙在 2023 年非常火，甚至 Facebook 都改名成了 Meta。但如果当时多想一步，就会发现它高度依赖 AR/VR 设备的普及，而当时相关硬件在成本、体验和普及率上都没有真正成熟。所以它虽然概念很热，但没有形成足够广泛、稳定的真实需求，最后更像是一波概念驱动的热潮 追热点：不用焦虑，但不能迟钝
所以我对“追热点”的建议是：
- 实话讲，不需要抢着做第一个知道新技术的人，但如果大家都已经在讨论了，你就一定要尽快搞清楚它是什么
- 也不用把追热点理解成每天强行刷一堆资讯，不需要把大量精力专门砸在这件事上。因为真正重要的信息、真正有影响力的成果，最后一定会通过各种渠道被推送到你面前：朋友圈、GitHub、X、公众号、技术群、面试题、课程、AI 总结、同事讨论，都会不断把信号送过来
- 关键不是“看到”，而是看到之后要认真判断、快速理解、及时跟进。你不用焦虑到每个模型、每个工具都第一时间弄通，但你至少要知道它解决什么问题、为什么被讨论
6.长期主义: 好奇心和动手能力才是底层资产
Long-Termism: Curiosity and Hands-on Ability Are the Real Core Assets写到这里，前面讲的基本都是“短期怎么做”。最后我想讲一点更长线的东西: 我接触过很多在这个行业里活得久、也活得比较好的大佬，他们身上有一个共同点：
对新东西保持好奇，而且愿意自己动手这个听起来有点虚，但落到具体行为上，其实很朴素。一个新模型发布了，他会第一时间去试，而不是等公众号替他总结；一个新工具出来了，他会自己装一个跑跑看，而不是等同事告诉他“这东西到底有什么用”；一个新框架火了，他会去读原始文档，而不是只看几篇技术博客的二手转述。每个动作单独看都不大，但长期叠加起来，就是一种“持续在线”的状态。他始终知道这个行业现在在发生什么，前沿大概走到哪里，自己和前沿之间差了多少 最危险的状态：被工作惯性拖住
这种状态的反面，就是被“工作惯性”拖住的人。在工作里没有主动争取过任何接触 AI 的机会。两三年过去，整个人几乎停在原地。不是说他不努力，他在公司可能每天都很忙，也可能一直在加班。但问题在于，他的努力被公司的具体业务困住了，每天都在解决眼前的问题，却不知道行业已经走到哪里了 越忙越要主动接触新东西
这是这个行业里非常危险的一种状态。你越是在公司被具体业务困住，越要花一点业余时间去接触新东西。这句话我反复讲过，不是因为新东西本身一定多神奇，而是因为新东西就是这个行业的方向感。你主动去试、去看、去跑，才知道变化发生在哪里；你完全不碰，就只能等变化砸到自己身上。很多时候，人不是突然被淘汰的，而是在两三年里慢慢和行业脱节，等真正感受到压力时，已经落后了一大截 回到开篇：大家要的其实是判断
写得有点长，最后回到开篇那个问题。大家其实并不是单纯在问问题，更多是在求一个判断：我现在还有没有机会？这个方向值不值得押？我的判断可以浓缩成几句话：智力本身没那么值钱了，能调动算力才更值钱；岗位正在融合，“我是传统后端”这种自我定位已经越来越没有意义；当下市场的窗口期是真实存在的，但不会一直开着；面试是反馈机制，所谓“准备好了再开始”本身就是个伪命题；永远不要 all in，永远要把机会握在自己手里；新东西的红利窗口很短，而对新东西的好奇心，是这个行业里最稀缺的素质之一 最后一句话：持续暴露在新反馈里
如果再短一点，我想说的是：这一行真正的门槛，从来不完全取决于学校、专业和出身，关键在于你愿不愿意持续把自己暴露在新东西的反馈里，愿不愿意一次次去试、去跑、去踩坑，直到自己不舒服为止。愿不愿意，本质上是个选择。每个人都得自己做