一、“程序员除了写代码啥也不会”，这个前提是错的

严格说，从事软件开发这个职业的人叫软件工程师，不叫程序员。

做一个项目，要理解需求、基于需求抽象设计、编码、验证、上线后维护，只会写代码的人从来就不是合格的工程师。

AI 确实能生成代码，但代码只是软件的中间产物，除了代码还要：- 搞清楚要解决什么问题- 把模糊需求变成可验证的规格- 发现 AI 写错了但测试没测出来的地方- 让系统在生产环境里稳定运行- 没有安全漏洞- 等等

如果说“程序员唯一会的东西被 100% 取代”，这话跟说医生唯一会的是开处方也差不太多，处方反正可以百度搜索一份 AI 生成一份打印出来，所以医生没用了。

二、“金融、医疗、工业领域的人稍微了解一下 AI 就能做出真正有价值的东西”，太乐观了

做个演示和发布产品之间还是有很长的路要走。

领域专家用 AI Vibe 一个能跑的原型，早就可以做到了，但做个演示给自己用，和发布一个产品给大家用还是不一样的，原型之后有一堆事情要处理：- UI 细节- 各种边界条件- 高并发- 安全- 成本- 等等

这些事不是“稍微了解一下”就能搞定的。

懂 AI 本身也不是一件低门槛的事情，同样是一门工程学科：上下文工程、构建评测集、AI Agent编排、失败模式分析。谁最容易学会这些？恰恰是有工程底子的人。能成为软件工程师本来就经过了一轮筛选，这群人学新领域的速度通常也不慢。

三、能力迁移是双向的

领域专家可以学 AI，软件工程师一样也可以学领域知识。

领域知识固然有壁垒，但通常是可学的显性知识，而工程直觉更多来自大量实践。

软件工程师的核心能力是把复杂问题抽象成可执行的结构、理解系统如何失败、判断什么能造出来，这些能力是跨领域的元能力。有了这些原能力，再去学领域知识也没有想象的那么难。

四、做好“AI +”（AI Native，AI 原生）和职业无关

我以前有些过对 AI Native 的一些思考> 判断一家公司是不是 AI Native，看它做事的流程是围绕人设计的，还是围绕 AI Agent 设计的。AI 原生的核心是：AI Agent 是执行主体，人负责定义问题和验收结果。如果只是在原来的流程里加一点 AI，那不叫 AI 原生。

用这个标准看，真正需要的是对行业的理解和对 AI 的理解，缺一不可，和职业无关。

五、AI 改变的是流程里的一些环节，不是职业本身

软件工程师的定义其实一直在变。早年的软件工程师要手写汇编、自己管内存；后来高级语言和框架接管了这些，工程师的重心转向架构和业务建模；再后来云服务把运维也抽象掉了。每一轮工具升级，写代码在工作中的占比都在下降，但软件工程师这个职业没有消失，只是把重心挪到了工具还做不了的那一层。

这一轮 AI 带来的变化也一样：编码这个环节被 AI Agent 替代了，工程师的重心自然移到定义问题、拆解需求、设计验证标准、判断结果对不对。职业没有被取代，只不过职业定义又往上走了一层：从“把方案变成代码”变成“决定该做什么、验收结果对结果负责”。

而且这个变化不是软件工程师独有的。

金融、医疗、工业里的岗位同样在经历重新定义：整理报表、初筛读片、写标准化文档这些环节会交给 AI，从业者的价值向判断、决策和把关集中。每个职业在 AI 原生的流程里都要重新定位，AI Agent 负责执行，人负责定义问题和验收结果。

这种变化正在冲击各行各业，软件工程师并不比别人离它更远，反而因为长期和工具打交道，往往更早适应这种分工。