焦虑吗？

从 Copilot 到 Devin，从 Claude Code 到国产大模型，AI 编码的浪潮正以前所未有的姿态席卷而来。各种自媒体在高喊什么程序员已死，某某公司因AI裁员的消息不绝于耳。

但，真的是这样吗？

我认为AI编程不会导致真正的程序员失业，但它会是一场“洗牌”，会淘汰掉之前只会复制粘贴的“CV工程师”，但同时又会抬高真正的“开发工程师”的价值。

本文将带你撕开AI编码的华丽外衣，直面其本质，算清其落地成本，并为未来之路提供一份生存指南。

AI编码的本质是组装而非创造

首先，让我们理解大语言模型（AI）的本质。一句话简单概括：它是一个基于海量数据训练的“下一个词元概率预测模型”。我们平时使用的编码 AI 就是公司专门使用代码数据进行微调或预训练的增强型大模型。但其本质依然是下一个词元概率预测。

这意味着，它本质上是一个无与伦比的“模仿者”和“缝合怪”，而非“创造者”。

1. 它不会“写”代码，只会“组装”代码。 AI 擅长根据它见过的无数代码片段，预测出最合理的组合方式，就像一个看过所有乐高图纸的孩子，能快速拼出任何已有的模型。
2. 它无法创造它没见过的代码。 对于全新的架构、独特的业务逻辑或颠覆性的技术，AI 会立刻“失语”。因为它从未“见过”，自然也无法预测。
3. 代码质量与时效性问题。 如果你使用过你会发现 AI 生成的代码有时会显得冗余。更重要的是，当面对较新的库、或者在未明确告知版本且库有重大更新时，它很容易生成带有 Bug 的代码。这是因为 AI 的知识有截止日期，且对上下文的理解仍有限。

因此，未来的开发工程师，其职责将是“小部门经理”与“小系统架构师”。我们的核心工作，是规划解决方案，指导AI完成模板化的“脏活累活”，然后接手进行关键的逻辑优化、性能调校，并完成那些AI无法理解的、真正定义产品价值的创造性工作。

企业面临的挑战

看透本质后，我们来讨论最关键的问题：企业要如何拥抱AI编码？摆在所有决策者面前的，是两座无法绕开的、名为“安全”与“成本”的大山。

信息安全

目前，几乎所有主流的 AI 开发工具对企业都是收费的。除了企业是否愿意承担这笔费用外，更深层的问题在于：

如果核心业务代码由外部公司的 AI 生成，这对于企业的数据安全、知识产权和自主可控性来说，是一个巨大的隐患。

在信息化市场竞争的丛林法则下，你将自己企业的部分数据、核心业务代码都交给一个外部的公司，你如何保证他们不会窃取你的信息？OpenAI可是才爆出来把用户对话的数据拿去训练模型。

成本和复杂性

复杂性

那我们试试自己部署开源AI这条路。但要注意的是这并非简单的在本地部署一个满血DeepSeek那么容易。它需要构建一个复杂的AI Agent系统，这里面要包括：

• Agent 开发与流程优化： 需要专业团队将大模型与企业的研发流程深度整合，设计指令调优，确保 AI 能够理解并执行复杂的任务链。
• RAG (检索增强生成)： 为了让 AI 能理解企业内部的私有代码、文档和知识库，需要构建强大的 RAG 系统，让 AI 能够检索相关信息再生成代码。
• 模型微调与选择： 可能需要针对企业特有的代码风格和业务逻辑对模型进行微调，并选择一个足够可靠、且符合企业安全规范的大语言模型。

这样的话，对于一个企业他想要落地一套私有的AI编码系统，要同时具备上述条件，尤其是能同时支撑起自研模型或者微调的公司，我想目前只有头部的一些企业真的有能力能玩转这一套体系吧。

成本

我们将限制再调宽松一点，我们假设有一家大型的研发公司，他只是缺少大模型相关的技术积累但他愿意把自己的核心业务逻辑（并非完整代码，完整代码在公司自己的RAG系统里面）传递到别的公司。所以他选择了比如GPT这样的卖Token的模型，我们来给公司算一笔账，看看通过自研一个Agent能不能支撑自己企业的开发。这里我们用美元计算，GPT的Token定价为美元。首先我来做几个假设：

1. 团队构成
   1. AI/算法工程师 (3名): 负责核心的Agent逻辑、Prompt工程、RAG效果调优。
   2. 后端工程师 (3名): 负责搭建稳定的Agent服务、与内部系统集成、性能优化。
   3. 运维工程师（1名）：负责部署、监控和维护整个系统的稳定性。
   4. 产品经理（1名）：负责定义需求、协调资源、推动项目。
   5. 整个团队的平均一个人年度支出（薪资，福利，设备，管理等）：$180,000，总计$1,440,000
2. Token消耗
   1. AI研发团队前期研发会有大量的调用，我们按照每日30M Token计算，研发三个月大约20亿 Token
   2. 投产后有100名程序员使用，每日总消耗300M Token，九个月大约是600亿 Token
   3. 总Token成本：$608,850
3. 基础设施的成本
   1. RAG系统的开销（向量数据库，大数据处理，嵌入模型调用）每月大约$2,000~$5,000
   2. 基础的云服务：Agent的服务器，数据库，缓存，日志监控，每月大约$3,000~$6,000
   3. 我们取个中间值$7,000，一年大约要$84,000

整体加起来一年要投入210万美元以上的成本，并且这210万不是一个确定的结果，没有一个公式说他能替代掉多少个什么等级的程序员，这只是提供了一个机会，让你尝试AI与自己的核心业务开发深度融合。整个过程充满了不确定性，Agent效果不及预期怎么办？RAG的召回率不高怎么办？AI写出了灾难性的Bug责任到底算谁的？

所以，当现在再讨论起AI编程的未来时，我们可以认识到，对于大部分企业来说，一张完全未知的昂贵的门票，真的有必要买吗？

我们应该怎么做？

虽然对大部分公司来说，自建“AI工程师”的道路充满坎坷，但这不意味着AI编码毫无价值。恰恰相反，它为我们指明了进化的方向。未来的世界，需要的是“工程师”，而不是“码农”。面对变革，我们应该：

1. 拥抱工具，而不是成为工具：把AI编码当成你的“外挂”，所有的脏活儿累活儿，都可以丢给他去完成，让自己有更多的时间做更有意义的事情。
2. 深入业务，跳出代码，提升技术视野：你要深入业务，应该做到比用户还了解你的业务痛点在哪；不要只钻研技术，像孔乙己一样去考虑茴字有几个写法，而是站在高纬度的看，这个新技术能解决什么行业痛点，推动行业进步。
3. “反”AI：了解AI的基本原理，明白他的缺点，自己去补足他的缺点。比如他擅长的是模仿和组装代码，而缺乏对业务的全面理解，新技术的使用，跨团队的沟协作。

---

AI 不是来终结程序员的，它是来终结我们过去反复吐槽的、那些毫无意义的“CRUD”的。

AI 正在疯狂地提高“开发工程师”的准入门槛，但请记住：风浪越大，鱼越贵。 “中高级工程师”的价值上限，也正被AI以前所未有的方式拉高。

所以，不要怕被AI替代，要怕自己，成为那个只会被替代的人。

愿我们一起，在这场变革的浪潮中，变得更强。

---

文章首发gzh【破茧plan】，欢迎关注。