AI 使强者更强

工作固然重要，但没有什么值得你为此失去完整的人生。

这是今天看到一篇公众号文章《AI 时代，编程语言选型更难也更重要：Go、Rust、Python、TypeScript 谁该上场？》^[1] 上写的。自从 7 年前加入 Thougthworks 好像就从来没加过班一样的。周末可以正常休息，还可以打球，而且从来不出差。感恩公司。

强者恒强

这几年 AI 越来越普及，大到大型项目工程，小到小学生解题，AI 在以各种各样的方式“侵入”了我们生活的方方面面。在 AI 发展初期，很多人认为 AI 第一个能代替的行业是程序员，但直到现在，程序员依旧是这个世界上很难被代替的职业，抛开低迷的经济，各位专业的程序员依旧在自己的岗位上“发光发热”，并没有收到 AI 太大的冲击，相反，AI 正在助力程序员变得更强，更快，更可靠。

一个被广泛报道的案例是Instant karma: Employer who replaced his tech team with AI tries to hire new developers on LinkedIn. Here’s what happened next^[2] ，一位名叫 Wes Winder 的加拿大软件开发者在 Reddit 和 LinkedIn 上称自己已用 AI 工具取代了整个开发团队。然而，这一决定很快就事与愿违，几个月后他就在 LinkedIn 上发布招聘信息，重新招聘开发人员，引发了网友的嘲笑。这起事件被《经济时报》等媒体报道，并被视为用 AI 完全取代人类开发者的一个反面案例。

程序员到目前为止，甚至未来很长一段时间，依旧是很难被取代的。但 AI 使高级程序员更高级这一点也越来越突出。

我使用 AI 来编程，不管是做 SRE Agent 还是为业务代码实现需求，或者为业务代码实现单元测试，甚至使用 MCP 为开源项目写，修复 E2E 测试都有不少的经验，AI 在其中加速了我实现我的想法；

• 比如在实现 SRE Agent 的时候，我需要将我的 Agent 集成到 Slack 中以 Bot 的形式与用户交互，这里需要创建一个 Slack bot，如果是我以前的开发方式，肯定使去看官方的开发文档，然后跟着文档一步一步的尝试，但在有 AI 之后，我可以直接告诉 AI 我的整体诉求，让后告诉他需要注意的点，最后再强调一下方案的可行性及答案的详细程度，AI 在思考片刻后，就会给出答案，并且附带参考链接。

• 再比如，我在为项目写 E2E 时，Playwright 脚本报了一个奇怪的错误，我有点不了解，并且我也不想去了解，我直接可以给出大致如下的 Prompt:

  请运行 E2E 测试脚本使用 @Playwright MCP 修复xxx.e2e.ts中错误。

如此简单，AI 会自动启动浏览器，并且打开浏览器控制台，在运行出错后，AI 收集信息，然后分析，给出解决方案并实施，不到 2 分钟，一个棘手的问题就被 AI 修复了，回过头来，我再让 AI 帮我总结一下刚才的问题，我只需要做适当的理解，在下次发生相同问题的时候，我就可以快速修复了。

• 还有，我最近在做一个数据迁移的项目，设计到了我不熟悉的语言 Ruby, 作为一个 JavaScript/TypeScript、Java、Rust 写顺手，没写过 Ruby 语言的程序员来说，Ruby 真的是有点抽象，而且我们需要在短时间内完成开发工作，在这种情况下，我们肯定没有时间去学 Ruby 基础语法，但好在，我们有其他语言的基础，况且还有 AI；我大致读了代码，找到要加代码的位置，然后告诉 AI 我的需求，GitHub Copilot 就自动帮我完成了。但是他只是完成了你的最简单的需求，你需要对工程模式，代码格式等等负责，比如让他对方法中的 if else 进行重构。

在基于 AI 开发的新项目中，有经验的程序员在解决复杂的业务/技术问题的时候往往具有更好的思维方式和更快的解决速度。

弱者疾速

对于新晋程序员来说，AI 是个好助手。在学习开始前，可以先询问 AI, 让其来规划学习路径，以减少不必需要的弯路。在具体的学习过程中，如果遇到问题，可以借助 AI 让其帮你解决，但一定要自己总结遇到的问题和对应的解决办法。

相比于没有使用 AI 来学习的老一辈程序员来说，学习一门新语言，新技术的周期已经不可同日而语。

AI 加速了学习周期，但最终的学习结果还是一样的，要熟悉语言的语法，模式，声明方式等等。

AI 只是辅助，远远替代不了人

社会运行的如此“高效”，机器只是其中一小部分，最大的因素往往是人，是人和人之间的关系。

当 AI 完全参与到你生活的方方面面的时候，也需要人的介入，将你和机器，你和其他人链接起来共同完成一项工作或者创造。

还有 AI 只是个概率机器，既然是概率，那么他就一定有出错的时候，不可对其产生的结果完全相信。还有另一个概念“AI 幻觉 (hallucinations)^[3] ”，意思就是 AI 在一本正经的胡说八道，人在看其给出的结果的每一步，都觉得没有问题，但是整个结果确实错误的。虽然 AI 幻觉可以通过技术手段来判断解决，但在现实大部分情况下依然存在很大的挑战，不管是数据的正确性或者是使用的规模上都很难规模化，但是对于特定行业或者问题解决 AI 幻觉还是可以实施的，因为其异常场景几乎可以枚举，且规模不大，甚至，行业专家都可以肉眼判断。

练好基本功

不要听信网上各种不靠谱的非专业程序员短时间完成一个所谓的程序就放狂言“以后都不需要程序员了”，在我看来，大部分非专业程序员写的程序基本都是垃圾，好一点的可以称之为 POC。工程化往往是一个项目或者产品在实现过程中最难的。如果你有良好的基本功，就可以对架构，流程等进行随意合理的更改，扩展。

慢慢来，比较快。