一个二十多年老兵的忧心：那条从Debug开始走向资深工程师的路，正在崩塌

文章核心观点

传统软件行业有一条相对自然的人才培养路径：新人从模块代码写起，自行调试，编写注释和文档，再经过commiter review代码风格，跑CI，通过后最终merge入仓。在这整套流程中，新人会逐步理解系统、业务、工程习惯和团队协作。

但现在，AI编程工具最先去掉的恰恰是这些高训练密度的初级任务。初级岗位减少，能完成真正训练的人才也会减少，能成长为资深开发的人同样会减少。几年之后，企业可能会发现资深开发更贵、更难招，而大量历史系统、技术债务会堆积——这些仍然需要真正有经验的人来处理。

对于不愿或没有能力培养初级开发者的中小型企业，以及非IT企业内部开发部门来说，最现实且短期理性的策略可能是减少初级岗位，用少量资深开发加AI工具，再配合外包来维持开发需求。对单个公司来说这很合理。

但从行业整体来看，如果所有公司都如此，长期就会出现人才管理线断裂。初级岗位减少，真正训练减少，能成长为资深开发的人也会减少。

AI工具的出现让公司期待初级岗位一开始就具备接近中高级工程师的判断力。这样变化对于计算机行业的新人来说意味着更残酷的竞争：大厂会培养少数高潜新人，名校、强实习和开源或研究项目经历会成为更重要的敲门砖。

更进一步说，行业可能会要求学生在大学早期甚至大学前就已经有相当的计算机基础。传统意义上"大学时才系统接触编程，毕业后从初级岗位开始一步步走向资深"，这样的例子可能会从主流变成罕见的例外。

大学主要负责基础教育和企业负责工程训练。传统计算机专业通常会教授算法、数据结构、操作系统、网络、一门编程语言，再配合若干项目课程。这套体系过去大体可行，因为学生在大学里学的是编程基础，真正的工程能力往往是通过进入企业后从初级开发岗位补上来的。

但如果AI压缩了初级开发岗位，这套分工就会被打破——大学不可避免地需要承担更多原本由企业完成的训练功能。

一个理想的方向是在高等教育中建立更接近真实工程环境的训练机制：比如组织学生阅读一个陌生的小型代码库并预测可能出现的生产事故。然后引导学生复现并分析错误根因，通过调试修复并提交PR，接受peer review，写单元测试，做事故复盘等完整流程。

这些训练和传统课程不同。它们不只是让学生"知道某个知识点"，而是让学生理解一个工程系统是如何长期运行、演进和出问题的。

要延续中高级工程师培养链条，行业必须把训练机制显式设计出来。一种比较现实的方案是"多方共同承担"：

但重中之重，可能还是在于想要从事计算机行业的人自身。你需要尽早起步，最好能在大学前就打好基础，在大学期间能做几个拿得出手的项目或者参与研究或开源项目，这样才会让你跻身于"能够驾驭AI编程工具的初级开发"的及格线上。

无论怎样，只有拥有过真正的"背锅经历"（需求变更、系统故障、线上事故、拉通对齐、整理屎山等等），才能真正从"初级"成长为"资深"，而那些经历是任凭Prompt都给不了的。