软件工程的未来两年（译）

JanYork_简昀

发布于 2026-01-16 16:43:50

软件工程的未来两年（译）

2026 年 1 月 5 日

原文：https://addyosmani.com/blog/next-two-years/

作者：Addy Osmani ，目前任Google Cloud AI总监

软件行业正处在一个奇特的拐点上。AI 编码已经从“强化版自动补全”演进为能够自主执行开发任务的智能代理。曾经推动科技行业大规模招聘的经济繁荣，已经被“效率优先”的新指令所取代：企业往往更看重盈利而非增长，更偏好有经验的人才而非应届毕业生，用更小的团队配合更强的工具。

与此同时，新一代开发者正在进入职场，他们的计算方式也不同了：对职业稳定性更务实，对“拼命内卷”的文化持怀疑态度，并且从第一天起就习惯在 AI 辅助下工作。

接下来会发生什么，确实充满不确定性。下面是五个可能在 2026 年之前塑造软件工程行业的关键问题，每个问题都对应两种截然不同的情景。这些并非严格意义上的预测，而是帮助我们做好准备的“观察视角”。目标是基于当前数据，结合这个行业一贯的理性怀疑精神，为应对未来提供一份清晰的行动路线图。

1. 初级开发者的问题

核心结论： 随着 AI 自动化入门级任务，初级开发者的招聘可能大幅萎缩；也可能随着软件渗透到各行各业而重新增长。这两种未来，对应着完全不同的生存策略。

传统的路径——“学会编程 → 拿到初级岗位 → 成长为高级工程师”——正在动摇。一项覆盖 6200 万名劳动者的哈佛研究发现，当公司采用生成式 AI 后，在接下来的六个季度内，初级开发者的就业人数下降约 9%–10%，而高级开发者几乎不受影响。过去三年里，大型科技公司招聘的应届毕业生数量减少了约 50%。一位工程师曾愤世嫉俗地说：“既然一个 AI 编码代理的成本更低，为什么还要花 9 万美元去雇一个初级工程师？”

这并不完全是 AI 的问题。2022 年前后，利率上升和疫情后的经济调整已经对招聘造成冲击，那时 AI 工具尚未普及。但 AI 加速了这一趋势。如今，一名配合 AI 的高级工程师，产出已经相当于过去的一个小团队。许多公司并非大量裁掉初级工程师，而是悄悄地选择“不再招聘”。

另一种情景则截然相反：AI 释放出对开发者的巨大需求，而且不仅限于科技行业。医疗、农业、制造、金融等领域开始全面嵌入软件和自动化。AI 不再是取代开发者，而是成为“放大器”，把开发工作扩展到过去从未雇佣程序员的领域。入门岗位会更多，但形式不同：更偏向“AI 原生”的开发者，能够快速为特定垂直领域构建自动化和集成方案。

美国劳工统计局仍然预测，2024–2034 年间软件岗位将增长约 15%。如果企业利用 AI 来扩大产出，而非单纯削减人力，那么他们仍然需要人类来抓住 AI 创造的新机会。

悲观情景中一个常被忽视的长期风险是：今天的初级工程师，就是未来的高级工程师和技术领导者。如果完全切断人才管道，5–10 年后就会出现领导力真空。行业老兵将其称为“缓慢衰败”——一个不再培养接班人的生态系统。

应对建议：

对初级开发者：让自己具备 AI 协作能力和高度通用性。证明“一个初级工程师 + AI”可以匹敌一个小团队的产出。使用 AI 编码代理（如 Cursor、Antigravity、Claude Code、Gemini CLI）构建更大规模的功能，但必须理解并能解释每一行代码（至少是大部分）。专注于 AI 难以取代的能力：沟通、问题拆解、领域知识。关注相邻岗位（QA、开发者关系、数据分析）作为入口。建立作品集，尤其是集成 AI API 的项目。考虑学徒制、实习、外包或开源贡献。不要成为“需要大量培训的普通应届生”，而要成为能立即产生价值、并且学习速度极快的工程师。

对高级开发者：初级工程师减少，意味着更多基础性工作会落到你身上。对重复性任务高度自动化，但不要什么都亲力亲为。建立完善的 CI/CD、代码规范和 AI 辅助测试，提前捕获低级问题。通过开源项目或跨部门辅导进行“非正式”指导。坦诚地向管理层说明“全高级团队”的风险。如果初级招聘反弹，要准备好高效 onboarding，并以 AI 为杠杆进行授权和分工。你的价值在于放大全队产出，而不仅仅是你写了多少代码。

2. 技能的问题

核心结论： 随着 AI 编写大部分代码，核心编程技能可能逐渐退化；也可能变得前所未有的重要，因为人类将专注于监督和判断。未来几年，将决定我们是用理解换速度，还是用速度强化理解。

如今，84% 的开发者经常使用 AI 辅助。对许多人而言，面对 bug 或新功能时的第一反应已不再是从零写代码，而是编写提示词、拼接 AI 生成的片段。入门级程序员正在跳过“艰难模式”：他们可能从未亲手实现过二叉搜索树，也从未独立调试过内存泄漏。

技能重心正在从“实现算法”转向“如何向 AI 提问并验证其输出”。职业阶梯的第一层，不再是展示纯粹的编码能力，而是展示对 AI 的引导与校验能力。一些资深工程师担心，这会造就一代无法独立高质量编程的人，形成“去技能化”。AI 生成的代码往往包含微妙的 bug 或安全漏洞，经验不足的开发者可能察觉不到。

另一种情景是：AI 处理掉常规的 80%，人类专注于最困难的 20%。架构设计、复杂集成、创造性方案、边界情况——这些仍然是机器无法独立完成的部分。AI 的普及非但没有让深度知识过时，反而让人类专业能力更加关键。这就是“高杠杆工程师”：利用 AI 放大产出，但必须对系统有深刻理解，才能真正驾驭它。

当所有人都能使用 AI 编码代理时，区分优秀工程师的关键在于：是否知道 AI 何时是错的、或次优的。一位资深工程师说得很直白：“最好的软件工程师，不是写代码最快的人，而是最懂得什么时候不该相信 AI 的人。”

编程形态正在变化：更少敲样板代码，更多审查 AI 输出中的逻辑错误、安全隐患以及需求不匹配。关键技能转向软件架构、系统设计、性能调优和安全分析。AI 可以快速生成一个 Web 应用，但只有专家工程师才能确保其遵循安全最佳实践、没有引入竞态条件。

2025 年，开发者群体对此高度分裂。一部分人承认自己几乎不再“手写”代码，认为面试方式也该随之改变；另一部分人则认为，跳过基础会导致在 AI 输出失效时付出更高的救火成本。行业正在逐渐形成共识：工程师需要同时具备 AI 带来的速度，以及保障质量所需的基础智慧。

应对建议：

对初级开发者：把 AI 当作学习工具，而不是拐杖。当 AI 编码代理给出代码时，要审查其原理并识别弱点。偶尔关闭 AI，亲手实现关键算法。优先夯实计算机基础：数据结构、算法、复杂度、内存管理。一个项目做两遍：一遍用 AI，一遍不用，对比差异。学习提示工程和工具熟练度。强化测试能力：写单元测试，先自己读堆栈信息再问 AI，熟练使用调试器。深化 AI 难以复制的能力：系统设计、用户体验直觉、并发推理。展示你既能借助 AI 高效交付，又能在 AI 失效时解决棘手问题。

对高级开发者：把自己定位为“质量与复杂度的守门人”。持续打磨核心专长：架构、安全、扩展性、领域知识。练习将 AI 组件纳入系统建模，并推演失效模式。关注 AI 生成代码中的新型漏洞。承担导师和评审角色：明确哪些地方可以使用 AI，哪些（如支付或安全相关代码）必须人工审查。更多投入创造性和战略性工作；让“初级 + AI”处理常规 API 连接，而你决定哪些 API 值得存在。加强软技能与跨领域理解。持续跟进新工具与最佳实践。真正不可替代的是：判断力、系统级思维和传承经验的能力。

3. 角色的问题

核心结论： 开发者角色可能收缩为有限的“审计者”，也可能扩展为设计和治理 AI 系统的核心协调者。无论如何，价值不再仅仅来自写代码。

这里的两种极端差异巨大。一种设想中，开发者的创造性职责被削弱。他们不再构建软件，而是审计和“看护”AI 输出。AI 系统（或使用无代码平台的“公民开发者”）负责生产；人类工程师检查自动生成的代码，评估错误、偏见或安全问题，并批准部署。创造者变成检查者。写代码的乐趣，被风险管理的焦虑所取代。

已有工程师反馈，他们花在评估 AI 生成的 pull request 和管理自动化流水线上的时间，已经多于从零编写代码。编程不再像创造性解题，而更像合规工作。一位工程师抱怨：“我不想变成代码清洁工，去收拾 AI 随手丢过来的东西。”

另一种未来则要有趣得多：开发者演进为高层次的“编排者”，融合技术、战略与伦理职责。随着 AI“劳动力”的出现，人类工程师承担起架构师或总承包商的角色：设计整体系统，决定哪些任务交给哪些 AI 或软件组件，把众多活动部件编织成可运作的整体。

一家低代码平台的 CEO 这样描述这种愿景：在“代理化”的开发环境中，工程师成为“作曲家”，指挥 AI 代理与软件服务的合奏。他们不必写下每一个音符，但要定义旋律——架构、接口、以及代理之间的协作方式。这一角色高度跨学科且富有创造性：既是软件工程师，也是系统架构师和产品策略师。

乐观的解读是：当 AI 接管重复劳动，开发者被迫转向更高价值的活动，工作反而更有趣。总得有人决定 AI 要构建什么，验证产品是否合理，并持续改进它。

走向哪一边，很大程度取决于组织如何整合 AI。把 AI 当作“替代劳动力”的公司，可能会缩减团队，让剩余工程师维持自动化运行；把 AI 当作“放大器”的公司，则可能维持人员规模，让每位工程师承担更宏大的项目。

应对建议：

对初级开发者：主动争取超越写代码的机会。参与测试用例编写、CI 流水线搭建或应用监控——这些都与“审计/维护”角色高度相关。通过个人项目保持创造性编码的热情。培养系统思维：理解组件如何通信，什么样的 API 才算设计良好。阅读工程博客和系统设计案例。熟悉代码生成之外的 AI 与自动化工具，如编排框架和 AI API。提升书面与口头沟通能力，写文档时假设读者并不了解背景。向资深同事提问时，不仅问“代码能跑吗”，还要问“我是否考虑了正确的问题”。准备好成为验证者、设计者和沟通者，而不仅是程序员。

对高级开发者：主动承担领导与架构职责。制定 AI 与初级成员遵循的标准和框架。定义代码质量清单和 AI 使用伦理规范。关注 AI 生成软件的合规与安全议题。专注系统设计与集成能力，主动绘制跨服务的数据流并识别失效点。熟练使用编排平台（Kubernetes、Airflow、Serverless 框架、代理编排工具）。强化导师角色：更多代码评审、设计讨论和技术规范。提升快速评估他人（或 AI）代码并给出高层反馈的能力。培养产品和商业意识，理解功能为何存在、客户真正关心什么。参与产品讨论或客户反馈会议。通过原型、黑客松或前沿技术研究保护你的创造激情。从“写代码的人”进化为“指挥者”。

4. 专才还是通才的问题

核心结论： 过于狭窄的专才，面临其细分领域被自动化或淘汰的风险。快速变化、AI 渗透的环境，更青睐 T 型工程师：广泛适应能力 + 一到两个深度专长。

在模型、工具和框架快速更替的背景下，把职业押注在单一技术栈上是高风险的。一位深耕旧框架的专家，可能突然发现：新的 AI 工具几乎不再需要人类介入。只专注于“单一技术、框架或产品领域”的开发者，可能一觉醒来发现自己的领域正在衰退。

历史上已有先例：COBOL 开发者、Flash 开发者、未转型的移动游戏引擎专家。不同的是，现在变化速度更快。AI 自动化可以让某些编程任务变得微不足道，从而削弱那些围绕这些任务形成的岗位。只会一种技能的人（例如只做 SQL 微调，或把设计稿切成 HTML），可能发现 AI 已经覆盖了其中 90% 的工作。

招聘市场不断追逐新热点。几年前是云基础设施专家，如今是 AI/ML 工程师。那些深度绑定昨日技术的专才，往往在风口转移时陷入停滞。

相反的结果，是一种新的专业化形式：“多面专才”或 T 型工程师。他们在一到两个领域具备深度（纵向），同时对多个领域有广泛理解（横向）。这类工程师往往是跨学科团队中的“粘合剂”，能与不同专长的人沟通，并在需要时填补空缺。

企业不再需要“什么都浅”或“只懂一点”的人，而是需要强核心能力 + 跨栈协作能力。一方面是效率：T 型工程师常常可以端到端解决问题，减少交接成本；另一方面是创新：知识的交叉更容易产生更优方案。

AI 工具事实上更能放大通才的能力。后端工程师可以借助 AI 生成可用的 UI；前端专家可以让 AI 生成服务器样板代码。在 AI 丰富的环境中，个人的覆盖面更广。与此同时，深度专才可能发现自己的细分领域被部分自动化，却缺乏横向迁移能力。

如今，近 45% 的工程岗位要求具备多领域能力：例如编程 + 云基础设施，或前端 + 基础 ML 知识。

应对建议：

对初级开发者：尽早建立广泛基础。即使岗位单一，也要主动“越界”。做移动开发就学点后端；做前端就写个简单服务器。了解部署流程和 Docker、GitHub Actions 等工具。选定一到两个真正让你兴奋的方向深耕，作为你的纵向专长。给自己一个混合型定位：“偏云安全的全栈工程师”或“具备 UX 能力的前端工程师”。利用 AI 快速进入新领域——在不熟悉后端时，让 ChatGPT 生成示例 API 并研究它。养成持续再学习的习惯。参加黑客松或跨职能项目，强迫自己进入通才模式。主动告诉经理你希望接触项目的不同部分。早期职业阶段，适应力就是超能力。

对高级开发者：绘制你的技能图谱：哪些是你的绝对强项，哪些只是浅尝。选择一到两个相邻领域，系统性补齐。如果你是后端数据库专家，就学习现代前端框架或 ML 流水线基础；在薄弱领域做一个小项目，并借助 AI。将深度专长迁移到新场景：例如 Web 性能专家，可以探索其在 ML 推理优化中的应用。争取或设计更跨职能的角色，主动担任“集成负责人”。在指导他人的同时向他们学习。更新简历，突出通用性。利用经验提炼可迁移的模式与原则。成为 T 型榜样：纵向深度赋予权威，横向扩展保持活力。

5. 教育的问题

核心结论： 计算机科学学位是否仍是黄金标准，还是会被更快的学习路径（训练营、在线平台、企业培训）取代？面对几个月一变的行业，大学可能难以跟上。

长期以来，四年制计算机科学学位一直是进入软件行业的主要门票，但这一传统正受到质疑。

一种未来是：大学仍然重要，但越来越难以保持相关性。学位仍是默认凭证，但课程更新缓慢，受制于官僚流程，与行业快速演进脱节。学生和雇主认为学术界教授的多是理论或过时实践，难以直接转化为岗位技能。

不少应届生表示，整个学位期间从未接触过云计算、现代 DevOps 或 AI 工具。如果大学要求高昂的时间和金钱投入，却提供低相关度教育，就可能被视为昂贵的“门槛”。但许多公司仍出于惯性要求本科学历，于是负担转嫁给学生：通过训练营、在线课程和自学项目补齐差距。

学生贷款规模巨大，而企业每年花费数十亿美元再培训毕业生。大学可能新增一门 AI 伦理课、一个云计算选修课，但等到落地时，行业工具早已更新换代。

颠覆性情景是：传统教育被逐步替代。编程训练营、在线认证、自学作品集、企业自建培训学院崛起。许多知名企业（如 Google、IBM）已在部分技术岗位取消学位要求。到 2024 年，近 45% 的公司计划在至少部分岗位中取消本科学历门槛。

训练营已趋成熟，毕业生能与科班生一同进入顶级公司。这些项目周期更短（如 12 周高强度），专注实用技能：当下框架、云服务、团队协作。招聘货币正在转向：真实作品集、微证书、可验证技能。一个强有力的 GitHub 作品集或权威认证，已足以绕过学位要求。

企业主导的教育正在出现：公司建立内部培训管道，或与训练营合作。一些大型科技公司已设立内部“大学”，面向非传统背景候选人。AI 本身也在重塑学习方式：AI 导师、交互式编程沙盒、个性化教学，使大学之外的学习更高效。

模块化的学习生态，比昂贵的四年制学位更具可达性。即使身处缺乏优质 CS 大学的国家，也能通过 Coursera 学习同样的课程，构建同样的作品集。

应对建议：

对即将成为的开发者：如果就读传统 CS 项目，不要完全依赖它。用真实项目补充课程：做一个 Web 应用、参与开源。争取实习或合作项目。课程缺失热点，就通过在线平台补学。考取行业认可的认证（GCP、AWS、Azure）来证明实践能力。如果是自学或训练营出身，重点打造有说服力的作品集，至少一个完整、文档良好的项目。积极参与开发者社区，贡献开源，撰写技术文章。通过 LinkedIn、线下聚会和技术活动建立人脉。让有经验的工程师为你背书。持续学习——技术技能的“半衰期”很短。把 AI 当作你的私人导师。用可验证的方式证明能力：作品集、认证，以及对自己工作清晰、专业的表达。

对高级开发者和领导者：单一学历不会永远保值。持续投入学习：在线课程、研讨会、会议和认证。用新的方式验证能力，准备接受基于真实问题的能力评估。保持使用新技术的副项目。重新审视招聘要求：你真的需要 CS 学位，还是需要特定技能与学习能力？推动“以技能为先”的招聘，扩大人才池。支持内部培训或学徒式岗位。为非科班背景的初级开发者建立导师机制。与高校及替代教育体系互动：顾问委员会、客座讲座、课程反馈。让这些理念体现在你的职业发展中：真实成就与持续学习，比额外学位更重要。