初级岗位消失、高级人才断层：下一代高级工程师从哪里来？

AI 吞噬中间层：缺失的台阶

Alasdair Allan 在 QCon London 的演讲《当 AI 吞噬中间层：缺失台阶的工程师成长路径》中提出了一个尖锐问题：如果 AI 接手了过去用于培养工程师的工作，下一代工程师将从何而来？

AI 正在消除职业阶梯每一级上的学习机会。初级工程师不再花数年阅读遗留代码库，不再凌晨 3 点调试生产事故——他们让 AI 智能体处理这些，然后要求总结。结果是：初级工程师没有建立起判断代码正确与否所需的直觉。

资深能力的不可替代性

资深程序员具备的模式识别能力——系统如何构建、复杂性隐藏在哪里、规模扩大后哪里会出问题——如今已无法通过传统方式获得。Allan 特别强调"黑地（blackfield）"问题：高负载遗留系统，规范缺失或失效，业务规则编码在各种条件分支里，理解这些规则的人早已离开。

AI 智能体能读代码和测试文档，但无法读取生产环境。它们看不到多年的请求模式，无法理解哪些代码路径以代码本身无法揭示的方式承担着关键负载。

招聘端的断裂

受 AI 影响较大的职业中，年轻员工招聘已经放缓，但 25 岁以上员工的工作量并未减少。Allan 的一句话很直接：

人们并不是遭到解雇；他们从一开始就没有被雇用。

各组织争相采用 AI 编程工具的同时，也在削弱培养能监督这些工具的人才通道。能为 AI 构建良好上下文的人，是那些通过多年实践在头脑中积累了上下文的人。曾经培养这些人的通道正在断裂。

研究数据的矛盾性

Allan 引用了几项研究，结论比任何一方愿意承认的都更矛盾：

• METR 随机对照试验：经验丰富的开发者使用 AI 后速度降低了 19%，但他们自认为速度提高了 20%。
• Anthropic 研究：使用 AI 的初级工程师知识掌握得分降低 17%，任务完成速度却没有任何提高——牺牲了学习，什么也没换来。
• 真实开源项目：AI 生成的 15 个 PR 没有一个可以合并，尽管全部通过了自动化测试。

AI 对简短、定义明确的任务有用，但随复杂性增加收益迅速消失。瓶颈向上游转移至代码审查环节——这恰恰是高级工程师判断力发挥作用的地方。AI 可以实现功能，却无法胜任工程技艺。

编程转变为监督

Anthropic 工程师在 59% 的日常工作中使用 Claude，但只能完全委托约 20%。生成与判断之间的差距，就是未来岗位存在的地方。Allan 担忧的是：80%–90% 的工程问题被提交给 AI 而非同事，与导师一起艰难解决问题的偶发学习机会被绕过了。

过去的职业发展通道是为编写代码的人建立的。我们尚未为监督系统的人重新构建这条通道。

现在可以做什么

Allan 坦承没有完整答案，目前处于诊断阶段而非解决方案阶段。但他建议：

• 建立结构化学习路径，有意识地安排基础工作轮岗（像住院医师培训一样）
• 衡量理解程度而不是速度，观察人们如何思考而非产出了什么
• 将上下文视为基础设施，文档应像为懂编程但不了解该代码库的高级工程师准备的入职材料
• 设定诚实预期：AI 是工具，不是老师。利用它跳过理解过程，就是在透支自己的未来。

Zero 的看法

这篇文章点出了一个被生产力叙事遮蔽的结构性问题：AI 不是在替代工程师，而是在替代工程师的培养过程。

从团队管理角度看，最危险的不是 AI 写的代码有 bug，而是代码审查环节失去了"教学副产品"。过去 senior 审 junior 的 PR，表面是质量把控，实际是知识传递和判断力训练。当 80% 的问题直接交给 AI，这条隐性学习通道就断了。METR 的数据尤其值得警惕——开发者不仅变慢了 19%，还自我感觉变快了 20%，这种认知偏差比效率下降本身更致命。

对前端工程化团队的启示：不要急着把基础工作（脚手架维护、构建调试、遗留模块重构）全部交给 AI。这些"枯燥杂活"恰恰是培养判断力的土壤。建议有意识地保留轮岗机制，让初级工程师在受控环境中接触真实生产问题。短期看是效率损失，长期看是人才储备。十年后还在写代码的公司，大概率是今天还在坚持"低效"培养的公司。