本文分析了AI对工程岗的影响指出AI并不会完全取代工程师而是提高了对工程师综合能力的要求。文章强调会用AI的工程师能通过将AI嵌入开发流程中实现效率大幅提升。作者分享了使用AI工具搭建开发流水线的经验包括让AI写第一版、沉淀重复规则、设置质量门禁等三个层次并提出了避免规则漂移和维护扩展的技巧。最后文章指出会用AI和不会用AI的工程师之间正在形成鸿沟提醒工程师们要积极学习AI工具提升自身竞争力。都说工程岗要被AI干掉但我面试桌上的真实情况跟新闻里完全两个世界。故事是这样的。我今年 3 月底刚从一家公司离职。在那之前的两年我一直在带一个前端团队亲手面试过上百个前端候选人。所以当我看到 Anthropic 的 CEO Dario去年信誓旦旦地说“5 年内一半初级白领要失业失业率要飙到 20%”再看看裁员新闻天天喊“这是 AI 干的”我总觉得哪里不对劲。因为这两年我在面试桌上见过上百个真实的活人。狼呢。数据会骗人但不会全骗我先不急着下结论。风投机构 SignalFire追踪了 8000 万家公司、数百万员工的数据发现一个反直觉的事大型科技公司的总招聘比 2019 年降了 25%但工程岗只降了 11%。工程岗反而是最抗跌的。说实话我非常理解大家的那种焦虑。我自己今年 3 月底刚离职切身的感受就是市场确实没以前那么松快了那种“简历一挂出去三天收三十个 offer”的日子大概是真的过去了。但“没以前好进”和“被 AI 取代”是两码事。这里有个反常识的东西经济学里叫杰文斯悖论。1865 年有个叫杰文斯的人研究蒸汽机发现一个诡异的事蒸汽机效率越高煤不但没省下来反而烧得更多了。听着挺反直觉的对吧。我还是用大白话举个例子。你想啊蒸汽机效率一上来能用得起的地方就变多了本来用不起蒸汽机的工厂现在都换成蒸汽机了。总量上需求不降反升。工程师也是一样。AI 让一个人能干三个人的活儿但市场上的需求不是固定的——永远有做不完的活儿等着。一个高效的人反而催生出更多活儿给他干。所以那 11% 的降幅里被筛掉的根本不是“工程师”这三个字。是被筛掉了一种工程师。真正的分水岭这两年我面了上百个前端越来越确定一件事——面试的考察重心已经悄悄变了。不再只盯着你框架熟不熟、八股背得溜不溜。我越来越看重的是这个人的软实力、综合能力还有最关键的一条——对 AI 的运用能力。不能不用 AI。我讲两个真实的候选人你感受一下这个分水岭有多硬。细节做了脱敏第一个硬技术很扎实问他平时怎么用 AI 工具他很自信“问就行了依赖的是模型的能力如果一次搞不定就多问几次或者 revert 之后重新询问。”这话听着没毛病对吧。但翻译过来就是他把 AI 当成一个随叫随到的搜索引擎问一句答一句问完拉倒。在他的工作流里AI 是个临时工召之即来挥之即去从不沉淀。第二个进来之后先不急着写代码先分析整个项目。然后他做了一件事——把业务里那些重复性的活儿比如 git commit、CRUD 开发搭成了 skill 和 command配了 hooks 做检查。这样 AI 每次输出的稳定性就有了保障。他管这个叫胶水编程。一个把 AI 当临时工一个把 AI 做成了流水线上的固定工位。你觉得我会发 offer 给谁这不只是两个候选人的差别。这是我面试这两年看到的、一条正在迅速变硬的分水岭——真正的分水岭不是你会不会写代码是你会不会用 AI 放大自己。我身边那些熟练用 AI 的朋友天然地能拿到更多联系、更多连接、更多机会。不用 AI 的那批人机会在肉眼可见地变少。这不是我猜的是我这两年的朋友圈实况。AI 不是用来替你写代码的是用来搭流水线的说到这块我必须聊一个我自己感触特别深的东西。很多人对 AI 写代码有个误解觉得“AI 帮我写代码”就是终点了。其实差得远。AI 真正改变前端的不是“它能写组件了”是它让你能重新设计整个开发流程。我自己是用 Claude Code 搭的。但这里有个关键的认知分水岭——很多人以为“用 AI 写代码”就是终点其实那只是起点。真正的分水岭是你会不会把 AI 做成一条流水线。流水线的三层我把这条流水线分成三层从最浅到最深。第一层让 AI 写第一版。这是大多数人停留在的地方。需求拆好喂给 Claude Code 或 Codex让它生成组件骨架、第一版逻辑。这一层的问题在于它把 AI 当成了一个“会写代码的实习生”——你问它一次它给你写一版写完结束。下次同样的需求你还得重新问一遍。你是个用 AI 的人。但你的效率并没有被真正放大。第二层把重复的东西沉淀成规则。这一层做完会发生一个质变。那些反复出现的活儿不再是每次都重新跟 AI 说一遍而是沉淀成 skill 和 command。新人进来调一个就行AI 按我们踩过的坑、定好的规范自动产出第一版。我自己沉淀了几个最常用的——比如/component一键生成标准组件。AI 按我们团队的最佳实践把组件骨架、Props 的 TypeScript 类型、样式文件、连同基础测试一把全出不用人再补。比如/commit自动写规范的 commit message。你不用再纠结“feat 还是 fix 还是 chore”把改动喂进去它按 Conventional Commits 的规范给你拟好人看一眼就提交。比如/crud这个最狠。一个增删改查的需求从接口请求层、到列表页、详情页、表单页一条命令全套脚手架拉起来。以前这套活儿一个新人要写大半天现在几分钟。这几个 skill 一沉淀新人进来的第一周就能产出团队标准以上的代码。因为他调用的不是 AI 的随机发挥是我们沉淀了两年的规范。这一层的关键在于——你不再依赖每次“问得好不好”你依赖的是一套沉淀下来的、可复用的规则系统。第三层是真正的护城河也是我踩坑踩得最多的地方——质量门禁。到这一层你已经不满足于“AI 写第一版”了。你要的是AI 写的每一行代码进主干之前都要过一道筛子。我这套是这样跑的——AI 写代码的时候skill 里已经写死了“按团队最佳规范开发”所以第一版出来本身就比以前规范得多。然后本地提交前lefthook 的 pre-commit 钩子会拦截强制跑一遍检查。lint、类型、格式挂了直接挡回来提交不了。最后合并 MR 的时候CI 再强制跑一遍。本地能绕过的CI 这道闸门绕不过去。三层关卡AI 写的代码想进主干得过三道筛子。这不是“AI 替你写代码”是你重新设计了开发流程让 AI 嵌在它该在的位置。AI 负责第一版门禁负责质量你负责审稿、兜底、做那些 AI 做不了的关键决策。这三层做完会发生一件很神奇的事——你一个人能干一个组的活儿。不是夸张。是因为你把流水线搭起来了。但坑也是真的大听着很美好对吧。但我必须诚实地说坑也是真的大。我踩过最痛的一个叫规则漂移。这事说起来有点好笑但当时是真的想骂人。一开始没经验我给代码质量检查前前后后写了三套规范。AI 的 skill 里写了一套开发规范lefthook 的 pre-commit 里又配了一套检查规范CI 流水线里再来一套。三套规则各管各的看起来各司其职井井有条。结果呢。这三套按照三套不同的标准在执行。然后每一层都在拒绝上一层。AI 按 skill 那一套规范吭哧吭哧写完自认为没问题。提交的时候pre-commit 按另一套标准一查给拦下来。你好不容易改到 pre-commit 满意了推到 CICI 按第三套标准再跑一遍又挂了。同一段代码三个关卡三个标准互相打架。报错满天飞还净是误报。更要命的是随着迭代更新每过一阵子团队就要新增规则。可这三套是分开维护的这边加了一条那边忘了同步补都补不齐。时间一长规则冲突越积越多谁都不敢动因为动一处不知道哪里塌三处。维护和扩展难到想骂人。后来我搞明白了一件事也是我现在最大的心得——规则来源必须单一。不管你 skill、pre-commit、CI 有几层规则的源头只能有一套。AI 怎么写、pre-commit 怎么查、CI 怎么跑都从这同一个地方读规则。这样改一处全网生效不会再有“我改了但没全改”的漂移。第二个心得每个模块要有边界。一个 skill 只干一件事边界划清楚谁也别越界。这样出错了好定位扩展的时候也好加用户的心智负担也小。这两条听起来朴素但真的是血泪换来的。我搭这套东西前期花的时间比手写还长也确实笨拙过一阵。但跑顺之后那种“一个人顶一个组”的感觉是真的。人效的提升从来不来自“AI 替你写代码”。来自你重新设计了开发流程让 AI 嵌在它该在的位置。会用 AI 的工程师一个人顶一个组不是夸张。是因为他把流水线搭起来了。那条缝正在变成鸿沟聊到这我想讲一个我身边的朋友。他今年年初开始找工作一上来很专注就盯着前端领域投。投了一个多月没人打招呼。后来他做了个决定花两个月系统地学了 AI 的使用和 agent 开发。然后一个很直观的变化发生了——打招呼的人变多了。再后来他拿到了一家创业公司的 offer。他变的不是技术栈。他变的是那道分水岭的这边。我看着这个事突然有一种很强烈的感觉。会用 AI 和不会用 AI 的人之间那条缝正在变成一条鸿沟。而且每天都在变宽。这事儿其实不新鲜。十年前是会不会用搜索引擎再后来是会不会翻墙是会不会用 Excel 做数据透视。每一次都是同一件事——信息差。只是这一次更快更狠。而且这次发生在一模一样的同行之间。你昨天还是同事今天他搭起了 AI 流水线你还在手敲这个差距是一个礼拜拉开的但可能要花一年才追得上。最后回到最开始那个喊狼来了的小孩。这次他自己家一只羊都没少。真正被叼走的是那些听见喊声就放下锄头不种地的人。还有一类更惨——根本没听见喊声的人。能做的还是那句话。磨平一些信息差。哪怕只是很小很小的一点。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取