窗口正在关闭#
最近和几位技术圈的朋友聊天，聊到一个让所有人都沉默的问题：
“我们还要招应届大学生吗？”
没人能回答。不是不想回答，是不敢回答。
AI 不是在“辅助”程序员，而是在 重新定义 这个职业的门槛和天花板。
这不是某个公司的问题，这是整个行业的结构性重组。
成长阶梯的第一级，被抽掉了#
以前程序员的成长路径很清晰：
写代码 → 踩坑 → 积累经验 → 理解架构 → 做技术决策
这条路走了几十年，培养了无数人。但现在出了个致命问题：第一级台阶被 AI 接管了。
Redis 作者 Antirez 最近说了一句话：
“Programming is now automatic，vision is not（yet）。”
编程自动化了，但判断力还没有。
问题是：判断力恰恰是通过编程积累的。
你得自己写过烂代码，才知道什么是好代码。你得自己踩过坑，才知道坑在哪里。你得自己做过错误的架构决策，才能学会做正确的决策。
Vibe Coding 怎么翻译？“氛围编码”是个奇烂的翻译。我觉得应该叫 “写意编码” 或者 “直觉编码” ——核心能力是什么？是在领域中摸爬滚打多年，积累出的那种“直觉”。
现在 AI 把“写代码”这一步接管了，新人还怎么培养直觉？
那段对话里最扎心的一句话是：
“行业经验不足的人，已经没有机会再有行业经验了。”
军备竞赛：红皇后效应#
还有一个更残酷的事实：每个程序员都在用 AI，但所有人一起用的结果，是所有人一起贬值。
这是一个经典的囚徒困境。或者说，红皇后效应：你必须不停奔跑，才能留在原地。
假如 1 个程序员 + AI 产出翻 10 倍。但市场需求并没有涨 10 倍 —— 甚至因为 Agent 替代了大量翻译层工作而在萎缩。
结果是什么？行业需要的程序员数量断崖式下降。
这就像有人把 “葵花宝典” 公开了——人人都能练，人人都在练。练完之后发现，江湖上的位置并没有变多，只是竞争变得更卷了。
更讽刺的是：你不练，别人练，你就出局；你练了，大家都练，一起卷。
个体理性，导致集体困境。
AI 是乘法器，不是加法器#
年轻人可能会想：那我用 AI 不就能追上老程序员了吗？
想多了。
AI 是乘法器，不是加法器。
- 10 年经验 × AI = 碾压级输出
- 1 年经验 × AI = 还是菜，只是菜得更快了
老冯最近一个月日均 3800 行代码——对于数据库这种领域，以前我每天稳定产出两三百行有效代码，已经很不错了。现在呢？翻了十倍不止。
ClawdBot 的作者更离谱，日均 3 万行代码。
这和普通程序员已经不是差距了。这是 人猿相揖别。
代码行数当然不是衡量价值的好指标 —— 但它至少说明了一件事：执行层的瓶颈被彻底打开了。 以前你有再好的想法，实现速度也被实现的速度限制住；现在，限制你的只剩下判断力和架构能力。
就算 AI 的产出质量不如单个顶级程序员，但它能够以十几倍的人类思考速度并行运作， 并且只要人类程序员几十分之一的成本，这就足以改变一切。
老师傅的短暂窗口红利期#
反过来说，这波 AI 浪潮，对老司机是有利的。
为什么？
第一，经验杠杆被放大了。
AI 能帮你写代码，但不能帮你决定写什么代码。你得知道：这个需求该不该做？做的话架构怎么设计？有哪些坑要避开？什么方案是“好”的？
这些全是经验。AI 把执行成本降到接近零，但 决策的价值反而凸显了。
第二，领域知识成了护城河。
连接池怎么死、HA（高可用）怎么炸、线上回滚怎么救火、数据怎么保命——这些东西在训练数据里是稀疏的，在生产里是致命的。懂的人更值钱，不懂的人更危险。
但这也只是暂时的——葵花宝典人人练，更强的人比你还卷。
第三，老师傅可以“自我 Agent 化”。
顶级程序员现在在做的事情是：把多年的经验、判断、决策模式沉淀成系统/工具/框架，用 AI 作为执行层，批量输出。
高情商的说法是，一个人开创一个赛道；更直白的说法是，一个人干掉一个行业。
以前资深 DBA 带团队，手把手教，一年能带出 2-3 个能用的人。现在资深 DBA 把经验沉淀成自动化系统和 DBA Agent， 新人直接用，跳过“从零踩坑”的阶段。中间层被挤压了。只剩下“造轮子的人”和“用轮子的人”。
领域知识，正在成为行业顶级程序员批量自我复制、屠版全行业的 大规模杀伤性武器。
在人人争做 AI 降临派的当下，没有谁的饭碗是牢不可破的。
开源的门，换了一扇#
有人可能会说：给钱让我刷经验值的地方没了，那我去参与开源项目打白工，倒贴积累经验总行吧？
别的行业对这种事可能不陌生——一些护理专业的毕业生甚至要倒贴钱买工作，去三甲医院刷履历。程序员以前没这么惨，开源社区是免费的公共练兵场。
但现在，开源社区的游戏规则变了。
越来越多的开源项目开始明确拒绝 “AI Slop” —— 那些用 AI 批量生成的低质量 PR。
为什么？因为 维护者自己也会用 AI 了。
当维护者可以直接 Vibe Coding 出所有实现，还要外部 PR 干嘛？开源项目的维护者本来就不堪重负， 现在又多了一堆 AI 生成的垃圾 PR 要处理。反应是什么？提高门槛，变得更加挑剔。
以前“参与开源”是积累经验、建立声誉的好路子。现在这条路也在变窄。
年轻人的处境：优势与劣势#
说了这么多，年轻程序员现在到底面临什么？
劣势很明显：
- 没有跑道了。 大厂缩招，小厂没余粮，中厂自身难保。
- 1 万小时定律没消失，但积累的入口变少了。 竞争的是新时代的 1 万小时，但连入口都找不到。
- 容易被 AI 的“虚假赋能”迷惑。 用 AI 写了几个项目，以为自己很强了，其实只是在表面的繁荣里冲昏头脑，根本没触碰到深层的东西。
但优势也同样显著：
- 没有历史包袱带来的认知灵活性：年轻人不用 unlearn 旧的工作方式，接受 AI 新范式更自然，老师傅的过时经验有时候反而是负担。
- 时间套利，少走弯路：老司机们的判断力是用十年踩坑换来的。年轻人没有十年，但可以用 AI 直接获取“该踩什么坑”的元知识，学习条件要好太多了。
- 时间成本/机会成本低：相比老师傅，有更多的机会去探索与试错。
开放问题：判断力与直觉能被“模拟”吗？
这里有一个反直觉的可能性，值得认真思考：“踩坑”也许不是获得判断力的唯一路径。
传统成长模式是：写代码 → 踩坑 → 痛 → 学到教训。十年下来，判断力长在骨头里。
但如果你从一开始就把 AI 当成思维伙伴——让它解释每个决策背后的原因，模拟每种失败场景，扮演严苛的 code reviewer——你获得判断力的路径可能和老司机们完全不同。
这有点像飞行员训练：真正的空难不可能靠“亲身体验”来学习，但飞行模拟器可以让你在安全环境里经历上千种极端场景。AI 可能就是程序员的飞行模拟器。
但这条路还没有被充分验证。
我们不知道“模拟踩坑”能不能真正替代“真实踩坑”。我们不知道 AI 辅助建立的判断力，在真正的生产环境压力下能不能扛住。 我们甚至不知道这种新型判断力长什么样——它可能和老一代程序员们的判断力完全不同，但同样有效；也可能只是看起来像，实际上一碰就碎。
这是一个开放问题。
但如果你是年轻人，这可能是你唯一的弯道超车机会。老登们的路你没法走了 —— 没有十年让你慢慢踩坑，你只能赌这条新路能走通。
好消息是：就算这条路最后被证明走不通，你在探索过程中积累的 AI 协作能力、快速学习能力、系统性思考能力，本身也是有价值的。
破局策略#
大门在关上，但窗户还开着。只是窗户在变小，而且每天都在继续变小。
对于那些还想拼一把的年轻人，我的建议是三个：用对工具、主动出击、找对人。
一、精通 AI 工具，但要用对方式#
Claude Code 不是可选项，是 必修课。
但重点不是“用 AI 帮我写代码”，而是 “用 AI 帮我建立判断力”。
什么意思？让 AI 给你解释：
- 为什么这样设计？
- 有什么替代方案？
- 各自的 trade-off 是什么？
- 生产环境会遇到什么坑？
不要只让 AI 帮你做，要让 AI 教 你为什么这样做。
二、找到你的师父，比 Agent 更有 Agency#
还在等公司给你带薪刷经验值的机会？别想了。
机会要自己创造。你得比Agent更有Agency，才能从Agent和老登的夹击中杀出来。
AI Agent的特点是：给它一个目标，它会自主规划、自主执行、自主修正。你作为人，得比AI更有这种能动性——主动找项目、主动找资源、主动找师父，而不是等着别人来安排你。
用麦克卢汉的“淘汰-回收”框架来看：AI淘汰的是什么？是“知识稀缺性”作为价值来源的范式——过去你值钱是因为你知道别人不知道的东西，现在AI什么都知道。
那AI回收的是什么？是“前印刷术”时代的知识传递模式：
- 通过对话（苏格拉底式问答）
- 通过师徒关系（学徒制）
- 通过口碑和社区（知道谁可信，比知道什么更重要）
印刷术把知识固化成书本，让知识可以脱离人而存在。这是巨大的进步，但也有代价——我们开始相信“知识在书里”，而不是“知识在人里”。
AI 正在逆转这个过程。当任何人都能调用无限知识时，“知道什么”贬值了，“是谁”重新值钱。
对年轻人来说：找师父比找知识更重要。
不是那种“大佬带带我”的幻想，而是实实在在地：
- 找到你想成为的人，研究他们的路径
- 参与他们的项目，哪怕从最边缘的贡献开始
- 在社区里建立信誉，让对的人注意到你
- 学会提好问题——这本身就是最稀缺的能力
知识民主化了，但信任没有。 谁能建立信任，谁就能破局。
三、押注“不会被掀桌”的东西#
说了半天，什么才是年轻人应该学的“真本事”？
什么是真本事？我的答案：软件工程能力 + 基础设施知识。
如果非要说具体的东西，我建议：Claude Code（BMAD） + PostgreSQL（Pigsty）
为什么是这两样？
软件工程能力，不是指“会写代码”，而是指：怎么把一个模糊的需求变成可执行的方案？怎么设计一个可维护的系统？怎么在 AI 的帮助下构建复杂项目？这是一整套新的工程实践，和“会用 AI 聊天”是两回事。
基础设施知识，是指那些“离金属近”的东西：操作系统、数据库、网络、存储。这些东西变化慢、护城河深、受 AI 冲击很小，在训练数据里稀疏但在生产里致命。AI 应用也好、Agent 也好，最后都得跑在基础设施上。
什么东西没有学习价值？流程软件、SaaS、各种“翻译层”的活儿、花里胡哨的编程技巧，以及 MySQL 这种过时玩意 —— 这些全都会被 AI 掀桌。
写代码不重要了。以后可能压根没有“程序员”这个职业，只有 软件工程师
写在最后#
窗口正在关闭。这是事实，不用回避。但对于那些 愿意拼的人，路没有断。
记住三件事：
一、 别被 AI 的虚假赋能骗了。 AI 放大的是你的能力，不是你的幻觉。但也别被恐慌叙事吓住——年轻人有年轻人的优势，关键是找到属于你的路径。
二、 找到能让你快速积累经验的杠杆。 项目、工具、师父 —— 别什么都自己从零开始，那样只会被越甩越远。
三、 这个时代的竞争，不是“会不会用 AI”，而是“有没有值得被 AI 放大的东西”。 尽快找到你的 IKIGAI。
时间不多了，行动起来吧。
广告#
写文章不打广告约等于没写。如果你对 PostgreSQL 感兴趣，作为 PostgreSQL 老司机，我做的开源发行版 Pigsty 还是可以帮上忙的 —— 这是一套可以从你的笔记本伸缩到整个数据中心的 PostgreSQL 解决方案。一行命令就能在裸 Linux 上拉起行业顶尖水平的 PG RDS：400+ 扩展，完善的监控、备份、高可用。
Vibe Coding 之父 Andrej Karpathy 说过，他花了一天糊出来一个 APP，但是把它部署折腾上线花了整整一周。 Pigsty 能帮你把一台光板无毛 Linux 云服务器原地变为完整的 Agent/应用运行时，解决 Vibe 最后一公里问题，而不需要操心数据库管理运维细节。
另外，我们有一个 QQ 交流群，关注 PostgreSQL，Pigsty，数据库，云计算，以及 Vibe Coding。 虽然里面老登居多，但也非常欢迎业内新人加入交流。 619377403
