今天我想讲一个比较沉重的话题，大家觉得未来还有程序员吗？
我是不是不应该这么问😂，容易让人焦虑，我换种话术问吧😬。
大家觉得，现在在大厂中，我们这些程序员应该怎么向 AI 靠齐？我们的核心竞争力究竟又是什么？
我讲讲我的想法，仅仅一家之言。
我觉得以后程序员的核心能力其实是从交付代码变成交付价值。
❝
也就是说写代码以后肯定是非常容易和简单的一件事情。
因为 AI 写代码的能力实在是太强了，它写的代码肯定比大部分人好的多，而且更快。
但是呢，这个代码怎么契合到你的业务和架构？这个 AI 是不具备的，这个需要行业经验。
就好比说你没有做过这个东西，你就不会知道里面的坑和问题点在哪里？
这样的话你做出来的东西就一定不是一个产品级别的，而只能是一个 Demo 或者一个能跑通的一个玩具而已。
所以说我们以后真正的核心能力不是说你写代码有多厉害，而是说你对整个业务和架构的理解深度。
举个例子吧。
之前我们去开发支付系统和电商系统的时候，为了保证最终一致性还是强一致性，怎么和业务结合去取舍，这些都是需要人来判断的。
再比如我们从单体然后到微服务这些设计的时候，这个其实是更偏向于顶层的架构设计，而不是说我光会写代码就可以的。
所以我刚说的未来的核心竞争力其实是交付价值，这个价值其实是整个架构式的思维。
❝
从一个类似于 Leader 的角度，去统筹前端、后端，UI 或者其他的，把它当做一个整体。
而我们呢，就更像是一个编排者。
我们要知道把不同的任务分给不同的 Agent，然后对他的结果有审查能力，并且知道他这个过程中可能会出现什么样的问题。
这里我说下审查能力，我觉得这个真的特别重要：
❝
我们得知道每一个任务它的边界和限制，以及我们预期想要的效果。
如果你的脑海中没有这一套的体系和思路的话，你去使用 AI 是非常困难的。
因为你不知道对错，你甚至不知道他写了什么，根本没法审查。
这就是为什么经常有的人说 使用 Vibe Coding 之后，但最终生成的只是个玩具。
之前还专门出现了一个职业叫做 AI 审查师。
还有就是我们这个统筹协调各个环节的能力，也非常重要：
❝
以前我们从PM，可能上层有个 PMO 项目管理，从 PM 到后端，前端， UI 设计，测试，这整个开发流程是非常长的。
这时候你可能想要去对齐一个工作，一天开无数个会。
但是往后的话你可能一个人就得负责一个项目或者一个生产。
所以你就更应该知道哪些地方可能会返工。
总结一下，我觉得我们的核心竞争力包括：
❝
第一个业务的理解，如果你没有做过这个东西，你不知道这个产品和商业模式是怎么样的，你就没法做出一个技术上的决策。
其实你也得有能力去选择技术上的最优路线，还有去做业务系统架构设计的能力。
最后还有对效果审查的能力，以及对整个开发环节管理的能力。
以前我们程序员路线都是从初级工程师到高级工程师，最后再到一个 Leader。
这一步步我们也会学到的一些技能和经验，比如行业经验、分配任务的能力、审查结果的能力等等，其实也是有价值的。
大家也能看到现在很多公司不咋招初级程序员了，因为初级程序员确实少了这些经验，上手会比较困难。
结语：抓住大模型时代的职业机遇
AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。
无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。
最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向
大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机
2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
扫描下方csdn官方合作二维码获取哦！
给大家推荐一个大模型应用学习路线
这个学习路线的具体内容如下：
第一节：提示词工程
提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升
第二节：检索增强生成（RAG）
可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等
第三节：微调
预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容
第四节：模型部署
想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等
第五节：人工智能系统和项目
这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等
学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容
上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）
