视界：软件工程的未来两年
努力成为整体思考、持续学习、并推动技术解决真实问题的工程师
本文翻译自 Addy Osmani 的一篇博客文章，从五个方面分析软件工程领域近期可能面临的发展趋势，并从初级开发者和高级开发者两个维度给出非常有价值建议。 译者本以为自己已经进阶成为一名高级开发者，读完这篇文章才发现原来一直以来扮演的都是初级开发者角色。 下面是译者总结的三个关键点，仅供参考。
专注人类独有特质
未来无论怎么发展，程序员都不再只有编程。 要培养交流沟通能力，锻炼导师指导能力，精通领域知识，关注设计、安全和扩展性。 译者曾经认为做一个写代码的技术工作者就好了，但现实总是很难与理想保持同频，原来沟通技能之类的要求还是会落到每一个人头上。
做 T 型工程师
在某个专业具有足够的深度，同时了解多个领域，成为精通某个专业领域的跨领域通才。 比如译者从事数值天气预报业务系统运维工作，熟悉系统的运行流程，但对数值天气预报模式程序本身缺乏足够的了解，应该在 AI 工具的加持下阅读模式源代码，加深对整个系统的全方位了解。
保持编程创造力
通过个人项目保持编程创造力，持续学习新工具和最佳实践。 译者近期完全没有个人项目，八小时之外的时间基本不会用来学习和编程，是时候开启新的个人项目了。
原文信息
The Next Two Years of Software Engineering
by Addy Osmani, 2026.01.05
https://addyosmani.com/blog/next-two-years/
以下正文部分使用 Kimi 和 ChatGPT 翻译自原文，并根据译者理解有所修改。
正文
软件行业正处于一个奇特的拐点。 AI编码已经从"类固醇般的自动补全"演变为能够自主执行开发任务的智能体。 推动科技行业招聘热潮的经济繁荣已经让位于效率至上的要求：如今公司往往更看重盈利能力而非增长，偏好有经验的人才而非应届毕业生，青睐配备更好工具的精干小团队。
与此同时，新一代开发者正以不同的考量进入职场：他们务实看待职业稳定性，对"奋斗文化"持怀疑态度，且从入行第一天起就习惯了 AI 辅助。
接下来会发生什么确实充满不确定性。 以下是五个可能在 2026 年之前塑造软件工程发展的关键问题，并为每个问题提供两种对比的情景。 这些并非真正的预测，而是用于准备的视角。 目标是基于当前数据，并结合这个社区一贯具备的健康怀疑精神，制定一份清晰的路线图来应对未来。
1. 初级开发者问题
核心要点：初级开发者招聘可能因 AI 自动化入门级任务而崩溃，也可能因软件渗透到各行各业而反弹。两种未来都需要不同的生存策略。
传统 “学编程→找初级工作→成长为高级工程师” 的路径正在动摇。 哈佛一项针对 6200 万工作者的研究发现，当公司采用生成式 AI 时，初级开发者就业人数在六个季度内下降约 9-10%，而高级开发者岗位几乎不受影响。 过去三年，大型科技公司招聘的应届生减少了 50%。 正如一位工程师讽刺道：“当 AI 编码智能体成本更低时，为什么要花 9 万美元雇一个初级开发者？”
这不仅仅是 AI 的原因。 宏观因素如利率上升和疫情后调整在 2022 年左右就已出现，早于 AI 工具普及。 但 AI 加速了这一趋势。 如今一位配备 AI 辅助的高级工程师可以产出过去需要一个小团队才能完成的工作量。 公司与其说是裁员，不如说是悄悄地不再招聘初级人员。
反转情景：AI 解锁了各行各业对开发者的海量需求，而不仅仅局限于科技领域。 医疗、农业、制造业和金融行业都开始嵌入软件和自动化。 AI 非但没有取代开发者，反而成为力量倍增器，将开发工作扩展到从未雇佣过程序员的领域。 我们将看到更多入门级岗位，只是性质不同：“AI原生 (AI-native)“开发者快速为特定细分领域构建自动化和集成系统。
美国劳工统计局仍预测 2024 至 2034 年间软件岗位将增长约 15%。 如果企业用 AI 来扩大产出而非严格削减人力，那么它们仍将需要人类来抓住 AI 创造的机会。
悲观情景的长期风险常被忽视：今天的初级就是明天的高级工程师和技术领袖。 如果完全切断人才输送管道，那么 5-10 年后就会出现领导力真空。 行业资深人士称之为"缓慢衰退”：一个停止培养接班人的生态系统。
应对之策：
初级开发者：
- 让自己精通 AI 并保持多面性。
- 证明“一个初级开发者 + AI”可以达到一个小团队的产出水平。
- 使用 AI 编码智能体 (Cursor/Antigravity/Claude Code/Gemini CLI) 构建更大的功能，但要理解并能够解释每一行代码 (即使不是全部，也应该是大部分）。
- 专注 AI 难以替代的能力：沟通、问题分解、领域知识。
- 将相邻岗位 (QA、DevRel、数据分析) 视为切入点。
- 建立作品集，特别是集成 AI API 的项目。
- 考虑学徒制、实习、外包或开源贡献。
- 不要成为"又一个需要培训的新毕业生”，而要成为一个能够快速学习、立即产生价值的工程师。
高级开发者：
- 初级减少意味着更多基础性工作会落在你肩上。
- 对常规任务依赖自动化，但不要事事亲力亲为。
- 建立 CI/CD、代码规范检查和 AI 辅助测试来捕捉基础问题。
- 通过开源或指导其他部门同事来进行非正式的导师辅导。
- 坦诚地向管理层说明“全资深团队”的风险。
- 如果初级开发者需求反弹，准备好高效地进行入职培训，并以利用 AI 的方式进行任务委派。
- 你的价值在于放大整个团队的产出，而不仅仅是你个人的代码。
2. 技能问题
核心要点：核心编程技能可能因 AI 编写大部分代码而退化，也可能因人类开发者聚焦监督而变得比以往更关键。未来几年将决定我们是否用理解力换取速度。
84% 的开发者现在定期使用 AI 辅助。 对许多人来说，面对 bug 或新功能时的第一反应不再是从零开始写代码，而是编写提示词并将 AI 生成的代码片段拼接起来。 入门级程序员正在跳过"艰难路径"：他们可能从未从零构建过二叉搜索树，或独立调试过内存泄漏。
技能组合正从"实现算法"转向"知道如何向 AI 提出正确问题并验证其输出"。 职业阶梯的第一级现在要求的是提示工程和 AI 结果验证，而不是展示原始编码能力。 一些高级工程师担心这会培养出一代无法独立写出好代码的人，即一种"去技能化"。 AI 生成的代码会引入细微的 bug 和安全漏洞，经验不足的开发者可能无法察觉。
另一种对立情境是：当 AI 处理常规的 80% 工作时，人类聚焦最困难的 20%。 架构、复杂集成、创造性设计、边界情况：这些是机器单独无法解决的问题。 AI 的普及并不会让深层知识过时，反而会让人类专业能力变得前所未有的重要。 这就是"高杠杆工程师" —— 将 AI 作为力量倍增器，但必须深度理解系统才能有效运用。
如果人人能使用 AI 编码智能体，区分优秀开发者的是知道 AI 何时是错误的或次优的。 正如一位资深工程师所说：“最优秀的软件工程师不是编码最快的，而是知道何时不信任 AI 的人。”
编程正在转变：更少手写样板代码，更多审查 AI 输出中的逻辑错误、安全缺陷以及与需求的不匹配。 关键技能变成软件架构、系统设计、性能调优和安全分析。 AI 能快速产出 web 应用，但专家工程师确保 AI 遵循了安全最佳实践，并且未引入竞态条件。
2025 年的开发者群体存在分歧。 一些人承认他们几乎从不"手写"代码，认为编码面试应该随之改变。 另一些人则认为跳过基础会导致 AI 输出在出错时带来更多救火工作。 行业开始期望工程师兼具两者：AI 速度，以及保证质量所需的基础智慧。
应对之策：
初级开发者：
- 将 AI 作为学习工具，而非拐杖。
- 当 AI 编码智能体 (Cursor/Antigravity/Claude Code/Gemini CLI) 建议代码时，审查其工作原理，并识别弱点。
- 偶尔禁用 AI 助手，从零手写关键算法。
- 优先掌握计算机科学基础：数据结构、算法、复杂度、内存管理。
- 用 AI 和不用 AI 各实现一次项目，然后比较。
- 学习提示工程和工具使用能力。
- 训练自己进行严格测试：写单元测试，阅读堆栈跟踪而不立即问 AI，熟练使用调试器。
- 深化 AI 无法复制的互补技能：系统设计、用户体验直觉、并发推理能力。
- 展示你既能用 AI 快速产出方案，也能在 AI 失效时解决棘手问题。
高级开发者：
- 将自己定位为质量和复杂性的守护者。
- 磨砺核心专长：架构、安全、扩展性、领域知识。
- 练习对包含 AI 组件的系统进行建模，思考失效模式。
- 持续关注 AI 生成代码的漏洞。
- 拥抱导师和审查者的角色：定义哪些场景可以使用 AI、哪些必须进行人工审查 (支付或安全相关代码)。
- 投入创造性和战略性工作；让初级开发者 + AI 组合处理常规 API 对接，而你决定构建哪些 API。
- 提升软技能和跨领域知识。
- 保持对新工具和最佳实践的持续学习。
- 加倍投入让人类开发者不可替代的能力：可靠的判断力、系统层面的思考能力和指导他人的能力。
3. 角色问题
核心要点：开发者角色可能收缩为有限的审计职责 (监督 AI 生成代码)，或扩展为设计和治理 AI 驱动系统的关键协调者。 无论哪种情况，创造价值都不再只是编写代码。
这里的两种极端愿景差异鲜明。 一种愿景中，开发者的创造性职责被削弱。 他们不再构建软件，而主要负责审查和看管 AI 输出。 AI 系统 (或使用无代码平台的"公民开发者") 负责生产； 人类开发者审查自动生成的代码，检查错误、偏见或安全问题，并批准部署。 从“创造者”变为“检查者”。 创造代码的乐趣被风险管理的焦虑所取代。
有报告称，工程师花更多时间评估 AI 生成的 pull request 和管理自动化流水线，而非从零精心编写代码。 编程感觉不再像是创造性问题解决，而更像合规工作。 正如一位工程师感叹：“我不想最终成为一个代码清洁工，清理 AI 扔过来的东西。”
另一种未来则更具吸引力：开发者进化为高级协调者，结合技术、战略和伦理责任。 AI"工人"意味着人类开发者承担建筑师或总承包商角色，设计整体系统，决定哪些任务分配给哪个 AI 或软件组件，并将多个动态部分编织成解决方案。
一家低代码平台的 CEO 这样描述这一愿景：在"智能体化"开发环境中，工程师成为"作曲家"，编排 AI 智能体和软件服务的合奏。 他们不会亲自写每一个音符，但定义旋律：架构、接口、各个智能体如何交互。 这个角色具有跨学科性和创造性：即是软件工程师，也是系统架构师，同时还是产品战略家。
乐观看法：当 AI 处理重复性工作，开发者角色必然转向更高价值的活动。 工作可能变得更有趣。 必须有人决定 AI 应该构建什么，验证产品是否合理，并持续改进它。
最终走向何方，可能取决于组织选择如何整合 AI。 将 AI 视为劳动力替代的公司可能裁减开发团队，要求剩余工程师维持自动化系统运行。 将 AI 视为团队放大器的公司可能保持人员规模相近，但让每个工程师交付更具雄心的项目。
应对之策：
初级开发者：
- 寻找不仅限于写代码的机会。
- 主动承担测试用例编写、CI 流水线搭建或应用监控：与审查/保管角色对齐的技能。
- 通过个人项目保持编码创造力，避免失去构建的乐趣。
- 培养系统思维：学习组件如何通信，什么样的 API 设计才算优秀。
- 阅读工程博客和系统设计案例研究。
- 熟悉代码生成之外的 AI 和自动化工具：编排框架、AI API 等。
- 提升书面和口头沟通能力。
- 以向他人解释的方式撰写文档。
- 向资深同事请教时，不仅问"我的代码能用吗？"，还要问"我考虑了正确的事情吗？"
- 准备成为验证者、设计者和沟通者，而不仅仅是编码者。
资深开发者：
- 加强领导力和架构职责。
- 制定 AI 和初级团队成员遵循的标准和框架。
- 定义代码质量清单和 AI 使用的伦理规范。
- 持续关注 AI 产出软件的合规和安全问题。
- 聚焦系统设计和集成专长；主动梳理跨服务的数据流并识别故障点。
- 熟练使用编排平台 (Kubernetes、Airflow、无服务器框架、智能体编排工具)。
- 强化技术导师角色：更多参与代码审查、设计讨论和技术规范指定。
- 磨练快速评估他人 (或某物) 代码并给出高层反馈的能力。
- 培养产品和业务理解：理解为何构建某些功能以及客户真正关心什么。
- 跟随产品经理或参加客户反馈会议。
- 通过原型、黑客马拉松或前沿技术研究来保护你的创造热情。
- 从编码者进化为指挥者。
4. 专才 vs. 通才问题
核心要点：狭窄领域的专家可能发现自己的细分领域被自动化或淘汰。 在快速变化、充满 AI 的环境中，更受青睐的是 T 型工程师：具备广泛适应能力，同时在一到两个领域有深入专长。
鉴于模型、工具和框架更迭如此之快，将整个职业生涯押注于单一技术栈是有风险的。 某个遗留框架的大师，可能突然发现随着新的 AI 工具以极少的人类干预即可处理该技术，其需求大幅下降减少。 专精"单一栈、框架或产品领域"的开发者可能一觉醒来发现该领域正在衰退或冗余。
想想哪些没有随着行业变化而转型的 COBOL 开发者、Flash 开发者或移动游戏引擎专家。 如今不同之处在于变化的速度。 AI 自动化能让某些编程任务变得微不足道，削弱围绕这些任务形成的角色。 只懂一件事 (例如微调 SQL 查询、将 Photoshop 设计切片为 HTML) 的专才可能发现 AI 已经可以完成其中 90% 的工作。
招聘经理总是在追逐最新的细分领域。 几年前人人想要云基础设施专家；现在是 AI/ML 工程师。 那些曾经专注于“昨日技术”，会在其细分领域失去吸引力时感到停滞。
另一种结果是以新的形式进行专业化：“多面型专家"或 T 型开发者。 在一到两个领域拥有深厚专业能力 (纵向)，同时对多个领域具备广泛认知 (横向)。 这些工程师成为跨学科团队的"粘合剂”；他们与不同领域的专家沟通，并在需要时填补空缺。
公司不再需要过于浅尝辄止或过于狭窄的开发者；他们需要的是具备核心能力，同时能够跨技术栈工作的工程师。 一部分原因是效率：T 型工程师往往能端到端解决问题而无需等待交接。 另一部分是创新：知识交叉融合会带来更优的解决方案。
AI 工具实际上更增强了通才的能力，让一个人更容易处理多个组件。 后端工程师可以依赖 AI 帮助创建合理的 UI；前端专家可以让 AI 生成服务器样板代码。 AI 丰富的环境让人们可以更广泛地开展工作。 同时，深度专家可能会发现细分领域部分被自动化，而缺乏向外拓宽的路径。
如今，近 45% 的工程岗位要求具备多领域能力：例如编程加云基础设施知识，或前端加一定的机器学习基础。
应对之策：
初级开发者：
- 尽早建立广泛的基础。
- 即使被雇佣做特定角色，也要尝试了解该领域之外的内容。
- 如果你从事移动开发，学习后端基础；如果你从事前端开发，尝试写一个简单的服务段程序。
- 学习部署流程和 Docker 或 GitHub Actions 等工具。
- 确定一到两个真正让你兴奋并深入研究的领域，这将成为你的纵向专长。
- 将自己塑造成复合型人才，例如"专注云安全的全栈开发者"或"具备用户体验专长的前端开发者"。
- 利用 AI 工具快速学习新领域；当你是后端新手时，让 ChatGPT 生成基础 API 代码并研究它。
- 培养持续再学习的习惯。
- 参加黑客马拉松或跨职能项目，迫使自己进入通才模式。
- 主动向经理表达希望接触项目不同部分的意愿。
- 适应力是你职业生涯早期的超能力。
高级开发者：
- 绘制你的技能图谱：哪些是你的专长，哪些相关领域只是浅尝辄止？
- 挑选一到两个相邻领域，投入精力达到熟练水平。
- 如果你是后端数据库专家，熟悉现代前端框架或学习机器学习流水线基础。
- 在 AI 辅助下在你薄弱领域做一个小项目。
- 将你的深度专长与新情境整合；如果你专精 web 应用性能，探索这些技能如何应用于机器学习推理优化。
- 争取或设计更具跨职能性的角色。
- 主动承担涉及多个领域项目的"集成负责人"。
- 在指导他人的同时，从他们身上学习一些东西。
- 更新简历以体现多面能力。
- 用你的经验识别模式和可迁移知识。
- 成为 T 型工程师榜样：在你的专业领域具备深度 (给予权威和信心)，同时积极横向拓展。
5. 教育问题
核心要点：计算机科学学位是否仍将是黄金标准，还是更快捷的学习路径 (训练营、在线平台、雇主培训) 将取而代之？ 大学可能难以跟上每几个月就发生变化的行业。
长期以来，四年制计算机科学学位一直进入软件岗位的主要通行证。 但这一传统正受到质疑。
一种未来：大学仍然重要，但在保持相关性方面举步维艰。 学位依然是默认的资质证明，但由于课程更新周期缓慢和官僚审批流程的限制，教学内容落后于快速变化的需求。 学生和雇主会觉得学术与行业脱节，教授的是理论或过时的实践，无法转化为工作技能。
一些应届毕业生表示，在学习过程中从未接触云计算、现代 DevOps 或 AI 工具。 如果大学要求投入大量时间和金钱，却提供相关度较低的教育，它们就有被视为昂贵“门槛”的风险。 但许多公司仍出于惯性要求本科学位，因此弥补差距的责任转移到学生身上，他们需要通过训练营、在线课程和自学项目来补充能力。
学生贷款债务规模巨大，而企业花费数十亿培训新毕业生，因为这些毕业生缺乏职场所需技能。 大学可能这里加一门 AI 伦理课，那里加一门云计算选修，但当这些课程真正落地时，行业工具已经前进了。
颠覆性情景：传统教育逐渐被新体系所取代。 编程训练营、在线认证、自学作品集、企业主导的培训学院。 许多知名雇主 (Google，IBM) 已取消部门技术岗位的学历要求。 2024 年，近 45% 的公司计划在至少部分岗位上取消本科学历要求。
编程训练营已成熟。 它们培养的毕业生与计算机科学专业毕业生一同被顶级公司雇佣。 这些项目周期更短 (12周强化训练) 且聚焦实用技能：当前框架、云服务、团队协作。 招聘的“货币”正转向真实作品集、微认证和经过验证的技能。 一份强有力的 GitHub 作品集或权威认证可以绕过学历要求。
由雇主主导的教育模式正在兴起：公司创建自己的培训体系或与训练营合作。 一些大型科技公司已开始为非传统背景的候选人开设内部"大学"。 AI 本身也提供了新的学习方式：AI 导师、交互式编程沙盒、大学体系之外的个性化教学。
模块化学习生态系统远比昂贵的四年制学位更易获得。 一个身处没有强大计算机科学教育体系国家的学生可以通过 Coursera 学习同样的课程，构建与硅谷学生相同的作品集。
应对之策：
有志/初级开发者：
- 如果在传统计算机科学项目中学习，不要完全依赖它。
- 用真实项目补充课程：构建一个 web 应用，参与开源项目。
- 寻找实习或合作教育机会。
- 如果课程为覆盖热门技术，通过在线平台自学。
- 获取行业认可的认证 (如GCP，AWS，Azure) 以证明实践能力。
- 如果自学或参加训练营，重点打造引人注目的作品集：至少一个具有完整文档的重要项目。
- 积极参与开发者社区：参与开源，撰写技术文章。
- 通过 LinkedIn、线下聚会、开发者活动建立人脉。
- 让有经验的开发者为你背书。
- 持续学习；技术技能的“半衰期”很短。
- 将 AI 作为你的私人导师。
- 以具体方式证明能力：作品集、认证、以及对自己工作的清晰表达能力，都将为你打开机会之门。
高级开发者和领导者：
- 仅靠学历无法长期支撑你的职业发展。
- 投资持续教育：在线课程、工作坊、会议、认证。
- 以新方式验证你的技能；准备好通过真实问题评估当前能力的面试。
- 保持使用新技术的个人项目。
- 重新审视招聘要求：你真的需要新员工有计算机科学学位，还是需要特定技能和学习能力？
- 推动以技能为导向的招聘，以扩大人才来源。
- 支持内部培训项目或学徒制岗位。
- 为无正式背景的初级开发者建立导师机制。
- 与学术界和其他教育模式保持互动：参与顾问委员会、客座讲座、对课程差距提供反馈。
- 在你自身的职业发展中体现这一点：现实成果和持续学习比额外学位更重要。
贯穿主线
这些情景并非互斥。 现实将从所有情景中汲取元素。 一些公司会减少初级岗位招聘，而另一些则会在新的领域扩大招聘。 AI 将自动化常规编码，同时提高人类参与代码的质量标准。 开发者可能在上午审查 AI 输出，下午精心设计高级架构。
贯穿始终的一条主线是：变化是唯一不变的。 通过持续关注技术趋势 (并对其保持怀疑)，你可以避免被炒作或悲观论调打个措手不及。 通过不断更新技能、拓展能力、专注于人类独有的特质 (创造力、批判性思维、协作能力)，你就能保持与时俱进。
无论未来带来的是编码复兴，还是代码自我生成的世界，对于那些能够整体思考、持续学习、并推动技术解决真实问题的工程师，始终会存在需求。
预测未来的最佳方式是积极塑造未来。
正文部分到此结束，以下部分为译者添加。
