Chaos and Order

💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

开篇 — "AI 会不会抢走我的工作?"

2026 年 4 月，这是开发者问得最多的问题。

短答：介于"抢走"和"扩展"之间的某处。1950 年 ATM 出现时，银行柜员没有消失，而是变了。单纯的存取款业务消失了，但工作转向了咨询、销售、产品。人均柜员数量反而增加了。

但有一个重要的差别：

ATM：特定作业的自动化
AI 编码：通用智能型作业的自动化

也就是说，未来会因为走的是哪个情景而大不相同。

这篇是 Season 3 系列的收官：

现在 — 2025 年 AI 编码工具的实体
十年预测 — 三种情景
Junior/Senior 价值的变化
AI 做不到的事 — 会留下的领域
伦理、安全、治理
个人策略 — 从今天开始
韩国开发者的位置
Season 4 预告

Chapter 1: 2025 年的现在 — AI 编码工具的地形

1.1 工具的谱系

第 1 代自动补全：

IntelliSense、Eclipse
基于规则

第 2 代模式预测：

GitHub Copilot (2021)
token/行级别的预测
基于 GPT-3 → Codex → GPT-4

第 3 代对话式：

Cursor、Windsurf
整文件修改
理解代码库

第 4 代 Agentic：

Claude Code、Cursor Agent、Devin
执行多步骤任务
探索文件 → 修改 → 测试 → 反复
"给它一张工单，它就开一个 PR"

1.2 采用率统计

GitHub 2024 Survey：

92% 的开发者正在使用或试过 AI 工具
Copilot 付费订阅者 180 万以上
Cursor 2025 年 ARR 估计 $100M+

1.3 生产力效果

GitHub 的研究：Copilot 用户开发快 55%
Microsoft 内部：PR review 时间缩短 20%
注意：在简单任务上效果大，在复杂的架构工作上效果小甚至是负的

1.4 问题点

Hallucination：调用并不存在的 API
Silent bugs：看着对但其实错的代码
Security：错误的加密、注入的漏洞
License：可能被建议 GPL 代码
过度信任：不评审就复制粘贴

1.5 Agentic Coding 的新阶段

Claude Code、Cursor Agent、Devin 这类 Agent 会：

多步骤计划
文件操作
执行命令
执行测试
错误恢复

新的角色：开发者从"打字员"变成"编排者"。

Chapter 2: 十年的三种情景

2.1 乐观情景 (2035)

AI 达到熟练 junior 的水平：

所有开发者都有 10 倍生产力
软件的量增加 10 倍
新业务大爆发
开发者需求反而增加

理由：

Jevons paradox：效率提升，需求暴涨
软件目前只覆盖了世界的 1%
靠 AI 可覆盖的领域扩展到 9%

启示：

Staff+ 工程师拥有 Principal 级别的影响力
Junior 也能实现复杂功能
开发者薪资维持或上升

2.2 中立情景 (2035)

AI 自动化到 Mid-level：

简单 CRUD、重复工作由 AI 专任
Junior 的进入门槛变高
Senior+ 的角色扩展
开发者总数维持在现有水平

启示：

"开发者"的定义发生变化
Junior 第 1 年 → "AI 编排者"
Senior+ = 架构 + 团队管理 + AI 验证
中间层消失（U 型就业）

2.3 悲观情景 (2035)

AI 达到 Senior 水平：

大部分编码被自动化
开发者需求骤减
只有 AI 专家能生存
只剩下少数 Principal 工程师

启示：

大规模转行
开发者薪资下降
需要转移到新产业

2.4 Anthropic/OpenAI 的官方立场

Dario Amodei (Anthropic CEO, 2024)：

"2026〜2027 年，AI 可能在几乎所有认知任务上都优于人类。"

Sam Altman (OpenAI, 2024)：

"AGI 是渐进式演化，工作岗位反而会增加。"

Demis Hassabis (DeepMind, 2024)：

"AGI 还有 5〜10 年。工作会发生变化。"

注意：这些领导者的预测是有偏差的（融资、愿景）。

2.5 概率

非正式的开发者调查 (2024)：

乐观：20〜30%
中立：50〜60%
悲观：10〜20%

笔者的看法：中立最有可能。Junior 受冲击大，Senior 稳定，Staff+ 繁荣。

Chapter 3: Junior 职务的变化

3.1 传统的 Junior 工作

Boilerplate 代码
简单的 bug 修复
CRUD API
写单元测试
数据转换脚本

这些 AI 全都擅长。

3.2 Junior 的新角色

AI Orchestrator：

把需求传达给 AI
验证 AI 的结果
集成测试
生产环境部署

对 AI 结果的批判性评审：

检测 Hallucination
安全审查
性能评估
代码质量

理解用户与业务：

需求分析
与 PM/设计师协作
业务逻辑建模

3.3 Junior 该学的东西

调试：理解 AI 的代码为什么错
系统设计基础：在整体语境里判断 AI 的输出
业务理解：技术 < 产品
沟通：和 PM/设计师的语言
Prompt Engineering：与 AI 的协作

3.4 Junior Hiring 的变化

减少：

大规模招 Junior
训练营自动就业
"把新人转三年变成 Senior"

增加：

高水平 Junior（CS 学位 + 精通 AI）
直接招 Mid-level
Senior 薪资上升

3.5 应对

大学/训练营：

CS 基础更重要（为了验证 AI 的输出）
引入用 AI 的课程
以项目为中心

个人：

比起学位/证书，更看 OSS/作品集
解决真实问题的经验
熟练使用 AI 工具

Chapter 4: Senior+ 价值的变化

4.1 Senior 的新领域

AI 时代的 Senior = "Conductor"：

像乐团指挥一样协调多个 AI 编码 agent
架构决策
保证代码质量
衡量业务影响

4.2 Staff+ 工程师的放大

以前：团队里"最强的那个人" 以后："拥有 10 倍生产力的人"（被 AI 放大）

1 位 Staff+ 工程师 + AI = 以前 5〜10 人的团队。

4.3 什么变得更重要

Taste：判断什么是好代码的能力
系统设计：整体的图景
安全直觉：察觉漏洞
性能感觉：对瓶颈的直觉
产品思维：用户价值
沟通：和 PM、设计师、CEO 的语言

4.4 什么变得没那么重要

Syntax 的完美
需要背的 API
简单算法的实现
重复既定的模式

就像编译器检查语法一样，AI 会把 Syntax 填上。

4.5 Principal 的新角色

设计 AI 系统本身
公司整体的 AI 导入战略
治理、安全、伦理
行业领导力

Principal 的数量会增加。因为初级工程师靠 AI 可以快速成长。

Chapter 5: AI 做不到的事

5.1 Long-range Reasoning

6 个月项目的架构决策
几十个文件之间复杂的相互作用
制定长期愿景

AI 强在短期任务，长期依然属于人。

5.2 Novel Problem

第一次见到的业务问题
新的领域
创造性的解法

AI 在训练数据的模式之内。新的模式属于人。

5.3 利益相关方的协调

与 PM/设计师之间的取舍
给管理层做简报
客户访谈

需要社会性的语境。

5.4 责任与判断

bug 造成 $1M 的营收损失 → 谁来负责?
部署的决定
安全/隐私的 judgment

法律与伦理的判断属于人。

5.5 产品感觉

用户真正想要的东西
Steve Jobs 式的"不行，这个按钮不要了"的决定
美学、Taste

需要对文化与语境的理解。

5.6 On-call、故障响应

凌晨 3 点的告警
快速判断
团队协调
沟通（客户、媒体）

需要实时的社会性协调。

5.7 按领域的小结

AI 强的：

Boilerplate、CRUD
已有的模式
写文档
生成测试

人强的：

长期设计
新问题
社会性协调
责任与伦理

Chapter 6: 伦理、安全、治理

6.1 对 Code 质量的担忧

2024 年 GitClear 的研究：

引入 AI 之后代码 churn 上升
怀疑 Defect 增加
对"复制粘贴工程"的担忧

6.2 许可证 / 版权

Copilot 建议 GPL 代码的案例
诉讼：GitHub Copilot vs 开发者们（2022 年）
结论：未定

安全策略：

许可证扫描工具
许可证政策
有文档记录的代码 origin

6.3 安全

AI 建议的代码：

SQL injection 风险
错误的 crypto
Hardcoded secrets
有漏洞的依赖

→ 安全评审是必须的。

6.4 偏见

训练数据的偏见
对小众语言/框架很弱
整体上偏向美国和英语

6.5 AGI 安全

Alignment 问题：AI 是否按人的意图运作
企业责任：OpenAI、Anthropic、Google
政府监管：EU AI Act、韩国 AI 基本法

6.6 开发者的角色

拒绝盲目采用
守住质量标准
建立验证流程
扩散伦理的使用方式

Chapter 7: 个人策略 — 从今天开始

7.1 熟练使用 AI 工具

必须：

日常使用 Copilot 或类似工具
掌握 Cursor/Claude Code/Windsurf 中的一个
实验 Agent 模式
Prompt engineering

每天 30 分钟做实验。

7.2 从 T 字型到 T+ 型

深度 1 个（原有的）
广度 1 个（AI）
结果：T+（专长 × AI）

7.3 在公司里做 AI 导入的带头人

评估 AI 工具
编写团队指南
分享成功案例
安全/质量标准

这是升职的机会。

7.4 进入新领域

用 AI 加速学习：

与 Claude/ChatGPT 结对
30 天一门新语言
6 个月一个新领域

到 2025 年为止都很难达到的速度，现在可以了。

7.5 副业项目

用 AI 工具快速做 MVP
解决真实的问题
收入或作品集

7.6 写作与演讲

AI 时代清晰思考的价值上升
博客、演讲
提出 AI 做不到的那个"为什么"

7.7 强化基本功

CS 基础（算法、OS、网络）
系统设计
调试

AI 时代基本功更重要。

Chapter 8: 韩国开发者的位置

8.1 韩国的强项

适应快（引入新技术很快）
教育水平高
英语能力在上升
政府对 AI 的投资活跃

8.2 韩国的弱项

在全球 AI 研究中占比低（相比美国/中国）
韩语 LLM 相比 GPT/Claude 落后
规避风险的文化

8.3 机会

AI Application 强国：Inference、Fine-tuning、Deploy
在 Fintech、Commerce 上的应用
K-Culture 内容的 AI：电视剧、K-Pop 的生成
与硬件结合：Samsung、SK Hynix + AI 芯片

8.4 威胁

从属于全球 AI 大公司（OpenAI、Anthropic、Google）
数据主权
AI 人才流失

8.5 个人策略

住在韩国的开发者：

参与全球开源贡献
用英语写作
寻找远程职位
确保 AI 方面的专长

考虑去海外：

美国：OpenAI、Anthropic、Google、Meta
欧洲：DeepMind、Mistral
东南亚：Singapore AI hub

Chapter 9: 第 3 季回顾

9.1 Season 3 讲过的东西

Ep 1：架构案例研究（Netflix、Stripe 等）
Ep 2：著名事后复盘的解剖
Ep 3：扩容的拐点
Ep 4：大厂文化
Ep 5：Staff/Principal 的路径
Ep 6：OSS 维护者
Ep 7：开发者的写作
Ep 8：财务
Ep 9：时间管理
Ep 10：心理健康
Ep 11：学习
Ep 12：人脉与个人品牌
Ep 13（本文）：AI 与十年的未来

9.2 共同的主题

可持续性：不是短期，而是长期
真实性：不是夸张，而是实际
人性：技术 + 人
复利：小东西的累积
社区：不是一个人，而是一起

9.3 第 3 季的信息

开发不只是技术。它是一份把人、文化、职业、精神、金钱、时间、学习、人脉、未来全都涵盖进来的综合性职业。

AI 时代里，人性的东西变得更重要。

Chapter 10: Season 4 预告

10.1 候选主题

AI Application 实战：RAG、Fine-tuning、Agent 系统
安全完全指南：Red Team、Blue Team、Zero Trust
Data Engineering：ETL、Data Lake、Warehouse 2.0
Observability 实战：OpenTelemetry、Trace、成本
Web 标准的最新进展：WebGPU、WebAssembly 2.0、Privacy API
跨平台：Tauri、Electron 的演化、Flutter
Developer Tools：语言服务器、LSP、Tree-sitter
Compiler 的故事：LLVM、Rust Compiler 内部

10.2 格式实验

更短、更集中的文章
尝试访谈形式
对韩国主要公司的深度探访

Chapter 11: 12 项 AI 时代检查清单

Chapter 12: 十个 AI 时代反模式

1) 完全回避 AI

"我不用 AI，靠纯实力" → 竞争对手有 10 倍生产力。一年之内被淘汰。

2) 完全依赖 AI

所有代码都交给 AI。自己没有理解。 → 出 bug 的时候没法调试。

3) 不验证就采用

AI 的输出原样上生产。 → 严重的 bug + 安全问题。

4) 放弃基本功

"AI 帮我做算法，我不懂也行" → 没法评估 AI 的输出。

5) 放弃写作/思考

只会反复说"AI 你写"。 → 自己的思考力消失。

6) 没有长期规划

"一年后 AI 就做了，我没兴趣" → 毫无准备地面对变化。

7) 追着 FOMO 跑

每一个新的 AI 工具都试。 → 什么都没掌握。

8) Doomerism

"反正 AI 会把工作全拿走。" → 自我实现的预言。行动瘫痪。

9) 相信 Hype

"AGI 明年就解决一切" → 用夸大的期待无视现实。

10) 与社区隔绝

只依赖 AI，和人断了联系。 → 失去人脉和支持系统。

结语 — 开发者的十年之后

原则 1：AI 是工具

就像锤子没有取代木匠。怎么用决定命运。

原则 2：人性的东西价值上升

创造、判断、沟通、伦理。在 AI 时代变得更珍贵。

原则 3：基本功就是杠杆

要评估 AI 的输出，就得懂基本的东西。基础变得更重要。

原则 4：适应力就是生存

不要固守过去的语言/框架。每年重新学。

原则 5：社区

一个人扛下变化很难。一起学、一起适应。

原则 6：乐观 + 准备

悲观是瘫痪。只有乐观是危险的。要做乐观的现实主义者。

原则 7：去读原文

Machines of Loving Grace - Dario Amodei (Anthropic, 2024)
Situational Awareness - Leopold Aschenbrenner
The Intelligence Age - Sam Altman
AI Snake Oil - Arvind Narayanan
The Coming Wave - Mustafa Suleyman
Scaling Hypothesis - Gwern Branwen
[韩语资料：AI 时报、ETRI 报告、韩国科技信息通信部 AI 战略]

第 3 季的收尾

通过这 13 篇，我覆盖了开发者人生的全部：

技术：架构、事后复盘、扩容
组织：大厂文化、Staff+ 的路径
外部：OSS、写作、人脉
自我管理：财务、时间、心理健康、学习
未来：AI 与十年

我希望它能成为一本关于要做什么样的开发者的综合指南。

感谢所有读过的人，我会带着 Season 4 回来。在那之前，也愿你把技术和人生都做好。

— 2026 年 4 月，金英柱

下一篇预告 — Season 4 Ep 1: "RAG 实战完全指南：检索、嵌入、向量 DB、Fine-tuning 的边界"

Season 4 Ep 1 会讲：

RAG 的基本原理与演化
Embedding 模型的选择（OpenAI、Cohere、韩语模型）
向量 DB 的对比（pgvector、Pinecone、Weaviate、Qdrant、ChromaDB）
分块策略
Rerank、Hybrid Search
Fine-tuning vs RAG vs Prompt Engineering
Long context (100K+ tokens) 的影响
实战的 RAG 架构（Notion AI、Claude）
韩语 RAG 的特殊性
成本与延迟的优化

下一篇见。