前言
在技术快速迭代、AI 浪潮席卷以及年龄焦虑日益增加的当下，我们该如何生存与破局？
这里分享我个人的一些思考与行动。
【这里发个感慨，感觉距离我在简书首次发表技术文章也没过去多久，但是转眼已经是十年多以前...】
正文
在聊AI之前，我想说一说“好代码”与“坏代码”。
好代码：既能满足现有需求，又能预判未来迭代需要，能够持续产生价值的代码；
坏代码：只考虑现有需求，甚至当前情况也考虑不全，需要持续修修补补的代码；
好代码是有复利效应的，好工程师往往是致力于写出好代码。
但是，从我自己的经验来看，其实很难一直产出好代码的。
一方面，职业生涯中经验不丰富、能力不完善的时间是占据更大部分；
另外一方面，客观现实约束我们要尽快交付结果，做完很多时候比做好更重要。
为什么呢？
业务发展的早期，往往很多事情是带有探索属性，追求快速上线验证。
在资源（时间、人力）有限的情况下，一个做1天交付的代码和投入1周打磨的架构，其交付质量必然不同。
现在AI加进来了，是不是就直接让AI写代码就好呢？
我自己的使用体验是，AI不会预判未来迭代需求，AI会用最直接的方式去完成我要求的任务。如果没有讲清楚要求，那么交付给我的结果往往会出乎意料。
AI是全能的教科书，几乎所有问题都有参考答案，但是AI不会保证答案的正确。
那谁来确保结果正确呢？
我们又如何保证不会被AI结果带偏呢？
对于有经验的工程师来说，这并不是什么难题。
AI交付的结果，与过去在百度、google、Stack Overflow找到一段解决问题代码、找到某个技术原理的解释，并没有什么不同。
有经验的工程师，在解决未知的问题时，会自己分析和思考，而把AI的结果当成参考；而问题是否最终解决，需要有真实的运行结果、线上的使用体验来做反馈。
在更多的时候，AI并非抹平初级工程师与资深工程师的差异，而是放大了这两者之间的差距。
主要靠经验成长的工程师会失去熟能生巧的技能，连过去那种“一年经验用三年，三年经验吃十年”的机会都不存在了。
AI时代下的技术知识获取门槛达到了一个极致的低廉，任何复杂工程问题在AI面前都能给出答案，所谓的技术原理更是随查随有，理解记忆显得那么不必要。
AI工具抹平了很多职业经验和技术沉淀的差异，如何建立可持续的职场竞争优势？
参考程序语言从机器码、汇编语言、高级语言的演变思路，AI工具可以类比为从高级语言（c++）进化为自然语言。
- 机器码时代：关键词是记忆；
- 汇编时代：关键词是硬件+指令；
- 高级语言时代：关键词是面向对象+抽象复用；
- 自然语言时代：关键词是问题建模、价值判断、 整合推进；
当实现成本趋近于零，稀缺的不再是执行能力，而是问题建模能力、价值判断能力和系统整合能力。
- 问题建模能力：把模糊需求转化为清晰问题、把复杂系统拆成可执行子目标；（AI 会写代码，但不知道写什么代码）
- 价值判断能力：在多个可行方案中做取舍、承担决策后果并持续修正；（AI 会写代码，但它不对代码运行结果负责）
- 整合推进能力：和合作伙伴做好沟通协作、灵活判断和推进完成；（AI会写代码，但AI不擅长沟通也不会自动上线）
AI技术改变了整个程序员行业，这种改变带来的生产力改变就如同程序员行业的工业革命。
工业革命时期珍妮纺纱机的出现，对传统纺织工人造成了巨大冲击，也有工人坚信传统工艺的质量更高。
从历史经验看，生产力的巨大改变是一定带来冲击，从而发生长期的岗位结构变化。
这个时期，AI取代了低效的工具，AI也取代了低效的岗位。
我们最好的策略，就是打不过就加入。
积极拥抱AI，以及去寻找AI所带来的对判断、整合、责任和创造性要求更高的岗位。
最后，如何推演自己的能力不足，加强自己的竞争力？
我会用极端场景来做推演：
1、换个团队，我是否能保持同样竞争力；
2、换一家公司，我是否能够保持竞争力；
3、离开公司创业，我是否能保持竞争力；
然后沿着这些思路去推演，并持续完善自己的能力。
在这个过程中，会自然衍生出一些紧迫感或者焦虑感；
并不用特别的担忧，积极拥抱这样的情绪，因为这是一种很必要的情绪，能驱动我们更好地去学习、成长。
总结
在AI的文字token如此廉价的时代，文字创造价值看起来那么的低廉~
而我也坚持在这种时代下手搓文章，守住最后的一点真人感，同时保持记录成长&回馈社区的初心。
最后分享下我2026年目标的工作部分：
看清楚未来工作趋势，用创业的心态做事，长期视角来看目标。
对AI有正确认知，更深入学习&应用AI，用AI实现跨端开发。
增强业务感知，理解数据、策略与条件约束，减少主观而增加客观数据与理性判断。
做一个卓有成效的管理者，关注自己工作效率，理性果断、允许不完美但不逃避责任。
