本文深入分析了AI时代下软件行业的变革，揭示了岗位数量暴涨但薪资增长缓慢的现象，指出大量普通岗位被冠以“AI岗位”之名。文章探讨了初级岗位为何消失，以及AI如何“消化”这些岗位，形成了金字塔向菱形转变的人才结构。此外，文章还强调了“修AI代码的人”为何成为最贵的人，以及核心AI岗的招聘方式正从公开渠道转向内部推荐和熟人网络。最后，文章提出了应对AI时代挑战的建议，包括应届生应打造可验证的作品、在职工程师需提升审代码的判断力，以及家长应引导孩子培养AI工具能力和真实项目经验。
先给你看两个同时发生的场景。
第一个场景：2026年9月16日，脉脉发布了一份人才报告，里面的数字闪瞎眼——今年1到7月，新经济行业新发的AI岗位量同比暴涨789.47%，平均月薪63160元。每10个新发岗位里，接近3个跟AI有关。北京、上海、深圳抢人抢到冒烟，合肥的AI岗位量一年涨了1570%。
第二个场景：同一时间，一个211计算机系的应届生，秋招投了四百多份简历，拿到的面试不到十个，offer是零。他不是个例——斯坦福的数据显示，美国22到25岁软件开发者的就业人数，比2022年的高点掉了将近20%；CS应届生的失业率已经冲到6.1%，比哲学系还高。
一边是岗位暴涨8倍、月薪6.3万，一边是科班出身的孩子连门都摸不到。这两件事不矛盾，它们是同一场变革的A面和B面。 看懂了中间的传动结构，你就看懂了未来五年职场的玩法。
这篇文章，我把这层窗户纸捅破。
一、先拆开789%：涨的是什么岗位？
看到789%这个数字，大部分人的第一反应是“学AI去，高薪”。打住，先拆结构。
脉脉这份报告里藏着三个反常识的细节：
第一，岗位暴涨，但薪资几乎没涨。 平均月薪63160元，听着吓人，可去年同期是61474元——一年只涨了2.74%，跑输通胀。岗位量涨了8倍，均价却原地踏步，说明什么？说明膨胀的不是“高薪AI岗”，而是“沾AI的岗”。大量普通岗位改了个名、加了个要求，就被统计进了“AI岗位”。脉脉创始人林凡的话说得很直白：明年科技公司基本只招AI人才——不是只招搞算法的，而是所有岗位都开始要求你带着AI能力进场。
第二，涨得最疯的不是你想的那种岗。 扩招榜首是FDE，现场部署工程师，涨了1522.73%——这是个什么岗？说白了就是去客户现场，把大模型装进人家真实业务里的人。AI产品经理涨了120.54%。六成以上的AI岗位是“应用开发”，不是“技术底座”——市场要的不是会造模型的人，是会把模型塞进生意里的人。
第三，最扎心的一个数字，几乎没人提。 报告里有个小角落：91.08%的受访职场人说，用了AI之后产出变多了；但只有31.77%的人说，工时变少了。翻译成人话：AI提效的收益，大部分没有变成你的闲暇，而是变成了你的工作量。 老板给你的KPI跟着AI一起升级了。
所以789%的正确读法是：不是AI创造了789%的新饭碗，而是所有饭碗都在被重新定义——门槛从“会不会干活”变成了“会不会带着AI干活”。
二、门的另一边：初级岗位正在消失
现在说B面。
如果你以为这只是中国的情况，看一组美国的数据。SignalFire的《2026人才现状报告》显示：和2019年相比，大科技公司的初级岗位招聘下降了约65%，早期创业公司更狠，76%。英国政府AI与未来工作部门联合LinkedIn的统计里，初级软件工程师的招聘量同比下降27%，是跌得最狠的职业之一。
更让人后背发凉的是斯坦福那组数据：22—25岁开发者就业下降近20%的同时，35—49岁的开发者就业反而涨了9%。
同一个行业，同一波AI，年轻人掉两成，中年人涨9%。为什么？
答案是整个软件行业心照不宣的公开秘密：一个高级工程师加上Copilot、Cursor这类工具，单个冲刺周期的产出比原来高40%到55%。过去“一个高工带两三个初级”的标准配置，现在压缩成了高工一个人。初级岗位不是被裁掉的，是被AI“消化”掉的——那些写样板代码、修小bug、写文档、做基础测试的活，原本是新人练手的“学徒任务”，现在AI几秒就干完了。
LeadDev的调查里，54%的工程总监计划减少初级招聘。技术实习岗位自2023年以来降了30%。甚至连Anthropic——就是造Claude的那家公司——都公开表示：我们不需要初级工程师。
你发现没有，这里有一个巨大的行业悖论：AI公司造出了替代初级程序员的工具，然后自己也不招初级程序员了。
三、金字塔变成菱形，是这次变革最核心的结构
传统软件行业的人才结构是个金字塔：底层是大量初级工程师，干杂活、练手、慢慢往上爬；中间是骨干；顶端是架构师和专家。这个金字塔能运转，靠的是一条“传帮带”的训练带——老师傅带新徒弟，一代传一代。
2026年，这条训练带断了。金字塔正在被压成一个菱形：
顶端，变尖了。 真正造模型的人——大模型研发、底层算法——需求在涨，但绝对数量极小，而且薪资顶到天上。这部分岗位吸纳不了多少人。
中间，变粗了。 3到8年经验、能干活、能审AI生成的代码、能把控质量和架构的熟手，成了全行业疯抢的稀缺资源。菱形最粗的那段，就是他们。
底端，被削掉了。 入门的学徒岗大幅收缩。普华永道2026年的AI就业晴雨表有个数据很说明问题：受AI影响最深的初级岗位，要求“传统上属于资深岗位技能”的概率，是其他岗位的约7倍。
翻译一下：入门岗正在要求你有本不该在入门时就有的能力。 门还在，但门槛被抬高到了大部分人够不着的位置。
菱形结构有个致命的隐患，SignalFire在报告里直接挑明了：今天砍掉初级梯队的公司，是在用短期利润，换五到十年后的领导力断层。道理不复杂——今天的初级工程师，是2032年的架构师。你不给新人练手的机会，十年后就没有能扛事的中年骨干。
有人已经在对赌这个未来：IBM宣布2026年在美国把初级岗位招聘扩大三倍，赌的就是“判断力可以从零低成本培养”；而更多公司选择了另一条路——只买现成的，不自己养。哪边对？五到十年后见分晓。
四、为什么“修AI代码的人”突然成了最贵的人
这里要讲一个大部分人完全不知道的产业细节，也是整篇文章最硬核的部分。
AI写代码很快，但写出来的东西质量怎么样？GitClear——一家专门分析代码仓库的公司——扒了2.11亿行真实代码变更，发现了几个触目惊心的趋势：
- 代码流失率
（写完两周内就被重写或回滚的比例）从AI普及前的约3.3%，涨到2024年的5.7%，2025年的7.1%——翻了一倍多；
- 复制粘贴式代码
从8.3%涨到12.3%，代码克隆块涨了4倍；
- 重构性代码
（说明开发者在认真整理结构）从25%崩到不足10%；
- 重度AI用户的代码流失率，是不怎么用AI的人的9.4倍。
Azul的《2026 Java现状报告》补了另一刀：100%的Java开发者都在用AI生成代码，但43%的AI生成代码到了生产环境还需要人工返工调试。Faros AI跟踪了4000多个团队、两万多名开发者，结论更狠：AI使用率过半的团队，任务完成量涨了34%，但Bug数量涨了54%，代码审查时间中位数涨了5倍，31.3%的代码合并时压根没人审查。
把这组数据翻译成人话：AI让“写”变得近乎免费，却让“验货”变得前所未有的昂贵。
代码生产得越多、越快、越散，就越需要有人看得懂、审得住、兜得起底。而能干这个活的人，恰恰是有经验的熟手——菱形中间那一段。这就是大厂一边砍初级岗、一边给中段工程师加薪抢人的底层原因：他们裁掉的是“写代码的人”，抢的是“能替AI擦屁股并负责的人”。
谷歌CEO皮查伊今年4月刚宣布，谷歌近75%的新代码由AI生成——但注意后半句，媒体普遍忽略了的后半句：“并由人类工程师审核通过。” AI负责写，人负责签字。签字的那个人，才是真正的成本中心。
五、圈层流转：新大门不在招聘网站上
接下来这个信息差，关系到每个想进场的人。
既然入门岗少了、要求高了，那剩下的核心AI岗是怎么招人的？答案是：越来越不通过公开渠道。
逻辑链是这样的。AI生成工具普及之后，简历这个信号彻底失灵了——每个人的简历都被AI润色得天花乱坠，HR根本分不出真假。世界经济论坛和彭博今年8月的报道都观察到同一个现象：内推、现场实测、人脉背书正在大规模回潮，填补简历留下的信号真空。
于是核心AI岗的流转方式变成了：研究员在论文署名里互相认人，工程师在开源社区的提交记录里被盯上，创始人直接下场挖人，猎头只在小圈层里打转。岗位不是挂在网站上等人投，而是在饭局、技术社群和前同事网络里就被内部消化了。
这不是什么阴谋，是信任成本的理性选择。想想前面那组返工率数据：公司已经被AI生成的烂代码坑怕了，招错一个人的代价远高于招慢一个人的代价。面对一堆无法验证的简历，最安全的策略就是只信“熟人验证过的人”。当能力证明变得便宜，信任就变成最贵的货币。
六、一个必须说破的真相：AI到底是原因，还是借口？
到这里，我得给你呈现一个对立面的逻辑，免得你把所有账都算在AI头上。
哈佛大学一篇工作论文做了一个精细测算：初级岗位的就业下滑里，只有约7.7%能真正归因于企业采用了AI，其余的推手是老掉牙的东西——加息、预算收紧、资本要求短期盈利、培训经费被砍。换句话说，AI更像一个体面的借口，成本削减才是真正的动作。 对管理层来说，“我们被AI颠覆了”远比“我们要省钱”好听得多。
这个区分为什么重要？因为如果元凶是技术，那趋势不可逆；如果元凶是周期和成本，那风向是会变的。美国劳工统计局仍然预测，2024到2034年软件开发岗位增长15%，是所有职业平均增速的五倍。需求的大盘子没有塌，塌的只是“进去的方式”。
所以真实情况是三层叠加：AI确实消化了初级的杂活（技术层），公司借AI之名行省钱之实（成本层），而所有人都还没想清楚“下一代熟手从哪来”（结构层）。三层拧在一起，才有了今天这个“789%暴涨”和“入门关闭”并存的魔幻场面。
七、这事跟你有什么关系？给三类人的实在话
最后落地。不管你站在哪个位置，这套逻辑都有对应打法。以下是基于现有趋势的合理判断，不是标准答案。
如果你是应届生或在校生：别再海投简历了，那是旧地图。新地图就三条路——第一，做“可验证的作品”：一个真实跑起来的项目、一段开源社区的提交记录，比十张证书管用，因为它没法被AI伪造；第二，把AI工作流练到肌肉记忆，面试时证明你是“上手就能指挥AI干活的人”，而不是“需要被培养的人”；第三，主动挤进圈层：实习、开源、技术社群、行业会议，核心岗在圈层里流转，你就得出现在圈层里。记住那个涨1522%的FDE岗位——“把AI装进真实业务”的交付型岗位，是菱形时代留给新人的最大入口。
如果你是在职的初中级工程师：你的护城河正在从“写代码的速度”迁移到“审代码的判断力”。主动去接那些AI搞不定的活：遗留系统、架构决策、跨团队协调、业务理解。目标是成为那个“签字的人”，而不是和AI比打字速度的人。
如果你是家长，正纠结孩子要不要报计算机：别被“程序员已死”的标题党吓跑，也别指望回到2015年的黄金年代。这个专业从“学好就有饭”变成了“学好还要会进场”。它依然值得读，但必须叠加AI工具能力和真实项目经验。
结尾：门关了，但墙上有窗
把全文拧成一句话：AI没有消灭程序员，它消灭了“允许你慢慢成长”的那个时代。 岗位在暴涨，但暴涨的是“成品人才”的需求；门在关闭，但关闭的是“先进来再学”的旧通道。
以后再看到任何“XX行业被AI颠覆”的新闻，你可以用这套框架自己判断：先看岗位结构往哪粗往哪细（找菱形最粗的那段），再看哪个环节的成本被AI打下来了、哪个环节反而变贵了（钱流向变贵的环节），最后看入门通道换到了哪里（信号失效处，圈层兴起处）。
每一次技术革命都会关上一扇门，然后在旁边的墙上开一扇窗。麻烦的是，窗从来不在原来那面墙上——而大多数人，还在敲那扇已经锁死的门。
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。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、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！
2、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。
3、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。
4、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。
5、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。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
原理与调优实战：从算法到线上内存排查)
