2026 年终醒悟，AI 让我误以为自己很强，我思考了未来程序员的转型之路

2025 可以说只要是开发者都绕不过 AI 时至今日你说你不用 AI 写代码我是不信的但是直到最近我才发现我似乎已经把 AI 的能力当做自己的能力这种错觉体现在昨天我用 AI 五分钟做出这下方这个动画效果❝不知道有没有人能看出这个动画里的梗。。。。又或者说用了 10分钟复刻了别人写的这个效果代码连接在最后自从有了 AI 之后有问题可以让 AI 解读有需求可以让 AI 分解比如我想做上面那个动画的时候只需要让 AI 先根据我的表述给出数学公式然后根据公式再让 AI 实现和组合代码而这个过程我只需要点一点运行预览下效果符不符合我的要求然后我就觉得自己强的可怕。这种错觉经常让我陷入以为自己“无所不能”在提效的同时心态似乎也在慢慢的走偏比如这段时间以来我通过 AI 复刻和尝试了许多特效虽然偶尔需要我介入修改问题但是大多数时候都是在 Vibe Coding 而看着这些充满想象力的炫酷动画那种自以为是的心理就会被 AI 无限放大。但是现在想来你真的理解过这些动画吗真的有去了解他们的实现原理和实现逻辑吗就算事后看过不是你写的东西过后还有印象吗也让我想起了 Anthropic 在 《How AI Is Transforming Work at Anthropic》 文章里提到过的❝“我以为我喜欢写代码其实我只是喜欢代码跑通的结果”。这也让我开始怀疑我究竟是喜欢写代码还是只是单纯喜欢跑通产品在这个过程中AI 带来的短期能力提升很容易就让人对自己的定位产生误差实际上这个过程有没有发现你的能力可能正在倒退这种职业认同的危机不只是外部开发者有 Claude 内部开发者也有这个焦虑所以未来 AI 对于开发者的影响还可能会带来新的职业价值观的重构所以有人感到迷茫如果写代码这个动作本身不再重要那么以后作为软件工程师的身份认同建立在哪里❝而在这个过程里AI 能显著增加产量并扩展个人可承担任务的范围但同时带来技能退化风险。如今 AI 越来越强已经是时代必然的浪潮而 AI 现在的缺陷也会很快被时代所修复就像 Google 的 Nested Learning 论文介绍的现在大模型的问题在于大模型无法在训练后继续学习因为目前的大模型只有极快且短暂的记忆In-Context Learning和冻结的长期记忆Pre-trained Weights这个问题在于❝当前模型缺乏将“即时对话”转化为“长期参数”的机制也就是它们缺乏中间的频谱那些应该从短期逐渐变为长期的记忆。但是这个问题已经被他们通过全新的 HOPE 架构攻克未来能“吃一堑长一智”的 AI 也许离我们就不远了所以编程能力对于程序员来说未来是一个什么地位这个职业的核心竞争力又在哪里在开发实现过程中 AI 很强但是我们需要清晰的知道AI 的强大的编程能力并不是你的能力而作为程序员你竞争力也不再是熟练掌握某些框架和 API精通某个语言和语法在这些方面人是跑不过机器的就像 《 OpenAI 使用 Codex 在 28 天内构建 Android 版 Sora》 里介绍的❝在使用 GPT-5.1-Codex 之后在短短 28 天内不仅完成了繁重的开发任务还创造了上线 24 小时生成 100 万视频、99.9% 无崩溃率的应用在这个过程里AI 可以 24 小时无间断编写代码和自我修复28 天通过 50 亿 token 完成了正常需要几个月的产品上线。所以从这里可以看到你如果想和 AI 拼编码能力肯定是拼不过的就像 OpenAI 最后总结的未来的开发工程师的能力不再是打字速度或语法 API 记忆而是对系统的深刻洞察力。直到看到 OpenAI 和 Anthropic 等模型公司对于程序员未来的思考时我才明白不能再沉迷于 AI 编程给自己带来的“成就感”因为那是 AI 的能力而不是你的你用 AI 可以做到那别人用 AI 是不是也能做到那你的职业竞争力在哪里❝未来的开发者强的可能不是代码能力而是项目管理和 AI 驯服能力。所以未来程序员的职业能力肯定会发现变化比如 2026 对于开发者来说短期的价值会体现在如何驯服 AI因为现在的 AI 还是一批脱缰的野马他的保证就像是“事前”的承诺各种言之凿凿让你相信它而事后提起裤子出问题了它可半点不认所以如何驯服 AI 同时如何管理和做好大模型善后工程师这将是程序员短期内的职业变化。而如何驯服 AI 其实也很简单那就是不要上来就让 AI 执行需求而是给 AI 规划好需求和规则把 AI 看作是一个“高能力但缺乏背景的资深新员工”而你负责架构设计、用户体验和最终决策而 AI 负责写代码、单元测试和需求落地。因为 AI 的短板在于目前对于需求的理解还不够也不擅长得深层的架构权衡经常为了实现功能而把代码写乱因为它的 Context 有限所以经常都会比较片面去理解项目所以作为程序员你需要做的是先规划后代码先让 AI 理解系统并编写“设计文档”纠偏后再执行背景信息驱动通过各种文件文档为 AI 提供规范和上下文比如各种 rule 和模块描述增加技能支持: 通过各种技能描述让 AI 能力增加比如 CC 可以通过 skills 加载各种插件来辅助能力提升举个例子比如你要用 Flutter 做一个 Wallet App 而任务是开发一个TransactionDetail模块需求是必须遵循 Clean Architecture (Domain - Data - Presentation)数据敏感金额精度Decimal、哈希脱敏显示有严格规范状态管理强制使用riverpod_generatorfreezed那么在 Claude Code 场景首先接下来你需要做的会是一、增加 Skill这里的核心是教 AI“在这个团队里如何标准化地生产一个 Feature”例如创建一个skills/flutter-clean-feature/SKILL.md---name: flutter-clean-featuredescription: 能够按 Clean Architecture 标准生成全套 Flutter 功能模块usage: 当用户想开发新页面或功能模块时使用---# 标准工作流 (SOP)AI 在执行此 Skill 时必须严格遵守以下顺序1. **Phase 1: 领域建模 (Domain First)** - 读取 references/domain_rules.md。 - 优先定义 Entity 和 Repository 接口。 - *Check*: 所有的金额字段必须使用 Decimal 类型禁止使用 double。2. **Phase 2: 架构脚手架 (Scaffolding)** - 调用 scripts/scaffold_module.py 自动生成文件夹和空文件。 - 路径结构必须是 lib/features/name/{data,domain,presentation}。3. **Phase 3: 实现与绑定** - 实现 Repository 时必须使用 fpdart 处理 EitherFailure, T。 - UI 层必须使用 AsyncValue 处理加载状态。references/domain_rules.md(知识库)包含团队约定的 Clean Architecture 分层图包含 JSON 解析的通用错误处理模版assets/repo_template.dart(模版)预置了带有Either返回值的 Repository 接口模版scripts/scaffold_module.py(自动化工具)一个 Python 脚本接受模块名参数自动在lib/features/下创建标准的文件夹结构和基础文件解决 AI 有时候懒得创建文件的毛病二、增加上下文信息核心思想就是告诉 AI “这个项目现有的基础设施是什么” 比如项目维护一个CLAUDE.md提供项目级上下文# CryptoWallet Project Context## 技术栈- Flutter 3.24- Riverpod (Annotation mode only)- Dio (已封装在 lib/core/network/dio_client.dart)- UI Kit (所有按钮必须使用 lib/core/widgets/app_button.dart)## 现有能力- 格式化工具lib/core/utils/formatters.dart (包含 hash 截断、货币格式化)- 路由GoRouter路由定义在 lib/routes.dart三、先规划后代码 (Plan)可以利用 Claude Code 的交互能力先加载 Skill 进行规划审核无误后再由 Skill 中的 Script 自动执行例如1. 启动与规划❝“使用 skill: flutter-clean-feature我要开发一个 TransactionDetail 模块输入是 txHash需要展示交易金额、时间、发送方和接收方。”❝Claude (加载 Skill): *读取 …/SKILL.md…*读取CLAUDE.md..Claude (输出规划): 根据Clean Feature SOP制定了以下计划Domain: 定义TransactionEntity…Scaffold: 运行脚本创建lib/features/transaction_detail/...目录。Data: 实现 Repo调用 Context 中提到的DioClient。Presentation: 使用riverpod_generator创建 …。请确认是否需要支持“交易状态成功/失败”的枚举2. Review 优化❝User: “需要。另外UI 上金额显示需要调用formatters.dart里的方法不要自己写格式化逻辑。”3. 执行❝Claude: 收到。开始执行。(Claude 内部触发 Skill 中的 Script)Run script: python skills/flutter-clean-feature/scripts/scaffold_module.py transaction_detail❝Terminal Output:✅ Created lib/features/transaction_detail/domain✅ Created lib/features/transaction_detail/data✅ Created lib/features/transaction_detail/presentation*(Claude 继续编写代码)*Claude 根据assets/repo_template.dart填充transaction_repository.dart并根据CLAUDE.md里的规则引入了dio_client.dart。······是不是觉得很繁琐是不是觉得一轮整下来我需求都写完了但是这就是使用 AI 的趋势只有这样才能控制和管理好 AI 的代码不至于让 AI 写出一坨屎山而随着你对工程文档和技能补充的完善你的开发速度就会越来越快AI 也能像是你多年的老哥们一样懂你需求比如 ❝CLAUDE.md确保了 AI 不会引入http库因为它知道有Dio也不会手写丑陋的按钮因为它知道有AppButton它理解了项目的现状知道有什么技能可用然后通过规划很你完成确认这些写出来的代码和项目才是可持续维护的。最后这一年里我出了用 AI 写代码之外也开始尝试用 AI 去解决和尝试代码之外的事情因为 AI 所以我敢于尝试一些以前不敢接触的领域因为过程学习成本太高而现在 AI 提供了另外一种思路❝我不需要真的懂我只需要让 AI 去做就好了而我只需要提供想法和验证结果。2025 即将结束而 2026 也会如期而至而 AI 的浪潮从未停歇愿你我都能在新的浪潮下找到自己的位置~代码https://github.com/CarGuo/gsy_flutter_demo想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”