本文记录了一位九年工程师使用AI编程工具的演进过程分为四个阶段AI作为高效打字员、新视角交互范式、AI理解业务上下文的信任拐点、以及从编程到编排的转移。文章指出随着AI能力的提升工程师的核心竞争力将从写代码的速度转向编排AI工作流的能力并强调AI友好将成为未来编程的重要标准。2025 年初Andrej Karpathy 在 X 上随手发了一条帖子造了个词叫 Vibe Coding—— “完全跟着感觉走拥抱指数级变化忘掉代码本身的存在”。大半年过去这个词已经进了 Collins 词典成了 2025 年度词汇。但多数讨论还停留在 “AI 能不能写代码” 这个层面很少有人认真拆解过一个有九年经验的工程师从半手动的 AI 辅助到几乎不碰编程语言中间到底经历了什么又因此改变了哪些判断。这篇文章试图回答这个问题。不是布道不是教程只是一份来自生产环境的演进记录。AI 编程演进四阶段时间线概览第一阶段AI 作为高效打字员2025 年初的工具选择是 Cursor。它的核心价值很明确项目级的上下文理解。把一个功能的业务逻辑梳理清楚输给 Cursor它能迅速写出写法一致、风格统一的代码。对于那些非复杂交互的核心逻辑——比如一个标准的 CRUD 流程、一套数据转换管道——Cursor 能节约大量的体力劳动时间。但这个阶段的边界也非常清晰。AI 的 debug 能力不可靠它能修语法错误但面对一个跨组件的状态同步 bug往往会越改越乱。复杂交互更是重灾区——但凡涉及多步骤、有条件分支的用户流程AI 生成的代码几乎不可能一次跑通。更深层的问题是业务 sense 的缺失。用户在这一步可能会返回上一页修改这种隐含假设AI 完全无法自行推断需要把流程图级别的信息喂给它。这个阶段的工作模式本质上是人脑做架构和决策AI 做翻译和填充。效率的提升是实在的但人的参与度依然很高。第一阶段工作模式人脑决策层与 AI 执行层的分工协作第二阶段新视角但还不够Claude Code 的出现带来了一个完全不同的交互范式。与 Cursor 在 IDE 内辅助编码不同Claude Code 像一个真正的程序员在终端里工作用grep搜索日志用sed批量替换文件内容甚至能理解语义相似但写法不同的代码片段。这种程序员式的操作方式带来了新的可能性。它不只是在光标位置补全代码而是能主动在项目中搜索、理解、修改。但在早期阶段Claude Code 与 Cursor 的实际差距并不大——核心瓶颈仍然是业务理解。它能操作代码但不理解代码背后的业务意图仍然需要大量的人工辅助来补全上下文。这个阶段更像是看到了一种新的协作方式的可能性但还没到可以放权的程度。第三阶段信任拐点真正的转折出现在 Claude 4 Opus。变化不是渐进的而是一个明显的跃迁。最让人意外的体验不是它写代码更快了而是它开始真正理解业务上下文。一个具体的例子代码中有一段注释描述了某个业务流程的执行顺序但后来业务逻辑调整了代码已经改过来了注释却没有同步更新。Claude 4 Opus 在处理相关代码时发现注释描述的流程与实际代码逻辑不一致主动把注释修正了。这不是简单的文本匹配——它需要理解代码在做什么注释在说什么两者之间的矛盾在哪里正确的版本应该是什么。这说明它已经具备了对业务场景的深层理解能力。从这个阶段开始工作模式发生了根本性转变。不再需要给 AI 预设角色或描述具体场景它能从代码的上下文中自行提取这些信息。于是工作流变成了在每个项目的agent.md里写入基本规则和业务背景然后把需求直接输给它——不需要拆解不需要翻译成技术语言它完全能理解。甚至在完成开发后它会自己做一轮测试验证。信任拐点AI 理解业务上下文的能力跃迁第四阶段从编程到编排当 agent 的智力跨过信任门槛后工作的重心自然开始转移。不再关注怎么写代码而是关注怎么让 agent 更高效地工作。这个阶段引入了 OpenSpec——一个 spec 驱动的开发框架。纯 Vibe Coding 的问题在于过程不可控agent 在多轮对话后容易遗忘之前的任务上下文而且无法追溯它为什么做出某个决定。OpenSpec 通过将需求结构化为 proposal、specs、design 和 tasks 四个层级让整个开发过程变得可审核、可追溯。它解决的核心问题不是AI 能不能写代码而是AI 写的代码是不是按照约定来的。OpenSpec 四层级开发框架同时大量时间开始投入到 Skill 的设计中。Skill 本质上是为 agent 编写的领域知识文档——不是通用的编程规范而是针对具体业务仓库的深度指南。比如在某个项目的 Skill 里会明确写出不要使用 XX 方案实现这个功能因为它会导致 YY 问题。这些都是踩过的坑是人类工程师花了时间才获得的经验把它们写成 Skill 后agent 就能避免重复犯错。更进一步开始研究 workflow 和 multi-agent 模式——让多个 agent 并行处理不同的任务或者让 agent 自行协调分工。随着 agent 智力的持续提升需要人工干预的环节越来越少。一个有趣的逆向变化也在这个阶段出现为了让 AI 工作得更好主动改进了代码本身。具体包括三类改动。第一把冷门的第三方库替换成社区主流方案——AI 对热门库的训练数据更充分表现更好而社区惯例本身通常也更合理。第二删除过度封装和不必要的抽象层——那些只有原作者能看懂的设计模式对 AI 来说是纯粹的噪音。第三将非标准写法改为社区惯例——冗余的自定义实现换成标准库提供的方案减少了因为奇怪规则而额外消耗的 token。AI 倒逼代码质量三类改动对比本质上AI 倒逼了一次对代码质量的重新审视。那些对人类勉强能用对 AI 完全不友好的代码在 AI 编程的语境下就是技术债。边界和代价诚实地说Vibe Coding 目前有清晰的能力边界。最典型的场景是复杂的 UI 交互。在一个类 SQL 查询构建器的开发中 —— 它有复杂的输入框嵌套、下拉菜单遮挡、条件分支的动态渲染 —— Agent 的表现明显不足。整体流程能走通但细节层面的问题不断元素遮挡导致操作被阻塞、输入框无法正确响应焦点事件。根本原因是 agent 没有 runtime。它能推理代码逻辑但无法看到界面的实际渲染效果。虽然 agent browser 和 Chrome DevTools MCP 等方案已经出现但目前的连接成本和响应速度都还不够实用。这意味着但凡涉及复杂视觉交互的场景人工调试和验证仍然是不可替代的。这不是一个会永远存在的限制 —— runtime 连接的问题迟早会被解决 —— 但在当下它定义了 Vibe Coding 的实际边界。Vibe Coding 能力边界AI 胜任区域与仍需人工区域三个越来越清晰的判断经过大半年的实践有三个判断变得越来越确定。关于流程控制管理协作而非管理执行。随着 agent 能力的提升监督每个 agent 具体在做什么的意义在快速下降。真正重要的是 agent 之间如何协作——哪些是不可违背的原则哪些是需要人工确认的关键节点。这很像工程管理的演进从 code review 每一行代码到定义架构约束和评审关键设计决策。未来的高效工程师核心竞争力不是写代码的速度而是编排 agent 工作流的能力。关于 Skill 设计专精胜过通用。越是具体、越是详尽的 Skill适用范围虽然越窄但在其适用范围内的表现会越来越好。为某个项目专门编写的 Skill能让新成员几乎零成本上手agent 的表现也会非常出色。但如果试图把一个 Skill 写得越来越通用、越来越庞大它就会变得平庸。这和工程师的能力模型完全一致一个对所有环节都了解但不够深入的人很难在某个方向上精通。而一个在特定领域积累了丰富经验的人效率会远超前者。关于编程范式的迁移AI 友好将成为新的筛选标准。OpenSpec 的自然语言驱动编码已经展示了这个趋势。未来所有的框架、语言和工具只会分为两类对 AI 友好和对 AI 不友好。冷门的库、过度封装的架构、非标准的写法——所有只有人类通过特殊训练才能理解的东西都会因为效率劣势而逐渐被淘汰。不是因为它们本身不好而是因为效率的迭代不可能倒退。当 AI 能在主流方案上做到 95 分没有人会为了坚持一个 AI 只能做到 60 分的冷门方案而放弃这个效率差距。三个核心判断汇聚为工程师新核心竞争力不是结论而是一个坐标从写代码到写规则从操作细节到设计框架这个转变在大半年内发生得比预想的更快。但它不是终点。Agent 连接 runtime 的能力还在早期multi-agent 的协调效率还有很大提升空间Skill 的最佳实践还在摸索中。唯一可以确定的是方向**工程师的价值正在从实现能力向编排能力迁移。写代码这件事本身不会消失但它在工程师工作中的占比会持续下降。**取而代之的是对业务的深度理解、对 agent 工作流的设计能力、以及把隐性知识转化为可执行 Skill 的能力。价值迁移从实现能力到编排能力这不是一个关于AI 会不会取代程序员的故事。这是一个关于编程这件事本身正在被重新定义的故事。最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。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。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。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这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**