这不是一篇教你"怎么用 AI 写代码"的文章。
这是一篇关于程序员的核心竞争力，到底该往哪投的思考。
我是怎么开始想这个问题的
前几天，我用 Claude Code 做了一个实验。
从零开始，不写一行代码，纯靠自然语言描述需求，花了大约 2 小时，做出了一个完整的智慧校园 3D 数据大屏。
效果包含：等距视角的校园场景、60+ 栋建筑、运动场、移动车辆、粒子喷泉、昼夜切换、Chart.js 数据图表、建筑悬停提示。
传统开发，这个效果需要多久？一个熟练的 Three.js 开发者，保守估计 3-5 天。
但我只用了 2 小时，还是零手写代码。
做完之后，我没有兴奋。我坐在屏幕前，认真地想了一个问题：
如果 AI 已经能生成 80% 的代码了，那我过去几年练的"编码能力"，还剩多少价值？
于是我直接问了 AI 这个问题。它的回答让我重新思考了整个职业方向。
AI 的回答
我把和 AI 的对话整理了一下。它的核心观点是：
编码能力不会消失，但它会贬值——而且已经在贬值了。
它给了一张图：
编码能力（写代码快 / 语法熟 / API 记得牢）
████████████████░░░░░░ ← 在贬值拆解问题的能力（把模糊需求变成清晰步骤）
████████████████████░░ ← 在升值判断力和品味（选方案、预判后果、审查代码）
████████████████████████ ← 大幅升值产品感和需求洞察（知道什么该做，什么根本不该做）
████████████████████████ ← 大幅升值调试和"嗅出 Bug"的能力（找到根因，修复系统性问题）
████████████████████████ ← 大幅升值
这个回答让我想起了一件事。
回看过去，规律一直都在
计算器出现后
心算快的人贬值了。但知道"该算什么"和"结果合不合理"的人升值了。
你能用计算器算出一家公司的财务报表，但如果你不知道"利润率 80% 大概率是数据错了"——你的价值为 0。
搜索引擎出现后
记忆力强的人贬值了。但知道"搜什么关键词"和"哪个结果可信"的人升值了。
两个程序员同时搜一个问题，一个搜到了 StackOverflow 上的正确答案，另一个被 CSDN 上 10 年前的错误方案带偏了。差距不在搜索能力，在判断力。
GPS 导航出现后
记路能力强的人贬值了。但知道"这条路高峰期会堵"和"导航绕的路其实更坑"的人升值了。
AI 编程出现后
写代码快的人贬值了。但——什么会升值？
五种正在大幅升值的能力
🥇 第一：拆解问题的能力
AI 擅长解决明确的问题，不擅长把模糊问题变明确。
两种 prompt 的差距：
❌ "帮我做一个后台管理系统"→ AI：？？？（然后给你一坨能跑但完全不对的东西）✅ "这个系统有 3 个模块：用户管理、权限控制、数据报表。我们先做用户管理。它需要：① 列表页（分页+搜索+批量删除）② 编辑弹窗（表单校验：手机号格式、邮箱格式）③ 状态流转（启用↔禁用，禁用账号不能登录）难点在权限控制那块——不同角色看到不同菜单。后面再搞。AI，先帮我做用户列表页，接口还没好，先用 mock 数据。"→ AI：清楚，能做
能把一个模糊需求拆成"先做什么、再做什么、每一步的输入输出是什么"——这是未来最重要的能力之一。
这种能力不是天生的。它来自于你亲手做过项目——知道坑在哪，知道什么先做什么后做会少踩坑。没有项目经验的人，连怎么指挥 AI 都不知道。
🥈 第二：判断力和品味
AI 给你 3 个方案，你选哪个？
方案 A：简单直接，但扩展性差。改需求时会很痛苦。
方案 B：高度抽象，扩展性好，但引入了 3 层封装。新人接手一脸懵。
方案 C：中庸，扩展性还行，抽象也不算多。但有个隐藏的性能坑。
AI 不会替你选。选了之后出了问题，AI 不会替你背锅。
这种判断力来自于你见过"好代码"和"烂代码"——你知道那个"高度抽象的方案 B"现在看起来爽，但 3 个人维护 6 个月后，每一层封装都会变成认知负担。
Taste is the ability to look at a solution and say "this feels wrong" before you can articulate why.
这没法速成。只能通过大量阅读好代码、大量上手做项目、大量踩坑来积累。
🥉 第三：调试和"嗅出问题"的能力
AI 生成的代码跑起来了。但你有没有能力判断：
- 这段代码有没有内存泄漏？
- 这个
useEffect的依赖数组写对了吗？ - 这 3 个请求是不是可以并发？
- 这段代码看起来能跑，但并发场景下会不会出 race condition？
AI 就像一个超级初级工程师——写代码飞快，但质量不可靠。
你的角色变成了 code reviewer。而要做好 code reviewer，你必须比写代码的人更懂。
讽刺的是：越是 AI 帮你写代码，你越需要扎实的基础——不然你连 AI 生成的 Bug 都认不出来。
第四：需求洞察和"该不该做"的判断
一个真实场景：
产品经理："我们要做一个批量导入功能，支持 Excel 上传。"
你："这个功能的用户是谁？频率多高？"
产品经理："运营每个月用一次，每次大概导入几十条数据。"
你："那不需要做导入功能。给他们一个文本输入框 + 批量解析就行。做 Excel 导入至少要 3 天，文本框方案半天就够。省下的 2.5 天我们可以做那个数据分析面板——那个每天都有人用。"
AI 不会替你做这个判断。它甚至不会问这些前置问题。
这种能力是纯粹的经验积累——你被"做了一堆没人用的功能"伤害过足够多次，才会在需求评审时本能地问"谁用？多频繁？值得吗？"
第五：学习速度和"该学什么"的嗅觉
技术永远在更新。AI 时代更新更快。
比"现在会什么"更重要的，是"多快能搞懂一个新东西"和"判断这个东西值不值得投入时间学"。
前段时间 Vue Vapor Mode 出来了（Vue 的"无虚拟 DOM"实验性功能），你要不要学？
- 如果你理解 Vue 的响应式原理和虚拟 DOM 的关系，10 分钟就能理解 Vapor 的动机
- 如果你只会用 Vue 的 API，你根本看不懂 Vapor 在说什么
这就是为什么"懂原理"如此重要——它是你理解一切新东西的"前置知识"。
所以，现在该做什么？
这几天我在整理 Vue 原理的系列文章，写到"为什么需要虚拟 DOM"这一篇时，突然意识到一个问题：
我花这么多时间读源码、写原理文章，到底是在"提升编码能力"还是"提升判断力"？
答案是后者。
当我理解了 Object.defineProperty 的局限性，我就能判断什么时候该用 $set，什么时候该重构数据结构。
当我理解了 Diff 算法为什么只做同层比较，我就能理解为什么 v-for 的 key 不能用 index，以及什么场景下这个坑会真的炸。
当我理解了 Computed 的惰性求值和依赖传递，我就能判断什么时候该用 computed，什么时候该用 watch，而不是"凭感觉"。
这些判断力，AI 帮不了你。AI 能告诉你"Vue 官方建议用 computed 而不是 watch"，但它不会帮你权衡你当前场景下的 trade-off。
一张表总结
| 能力 | 趋势 | 怎么练 |
|---|---|---|
| 写代码快 / 记 API | 📉 贬值 | AI 能替代 80% |
| 拆解问题 | 📈 升值 | 多做项目，刻意练习"先拆分再动手" |
| 判断力和品味 | 📈 升值 | 读好代码，读 RFC，理解"为什么这样设计" |
| 调试和排错 | 📈 升值 | 多修 Bug，不求快，求理解根因 |
| 需求洞察 | 📈 升值 | 多问"这个功能谁用？值不值？有没有更简单方案？" |
| 学习嗅觉 | 📈 升值 | 学原理而不是学 API，建立知识网络 |
| 把复杂东西讲清楚 | 📈 升值 | 写文章、做分享、录视频 |
最后一个能力——"把复杂东西讲清楚"——是我故意加进去的。
因为再过 5 年，最稀缺的程序员不是代码写得最好的，而是能用最简单的话，把最复杂的事讲清楚的人。
最后
我问 AI 的问题是：
"编码能力贬值后，什么能力值钱？"
现在我有自己的答案了：
"编码能力"从来就不是程序员的核心竞争力。
我们被雇来，从来不是为了"写代码"——而是"用代码解决问题"。
写代码只是手段，解决问题才是目的。
AI 让写代码这个手段贬值了，但它没有让"解决问题"贬值。
反而，因为写代码的门槛降低了，"能精准定义问题、判断方案好坏、预见长期后果"的人，变得更稀缺了。
🤔 留一个问题给你：如果放下"我必须写代码才能证明自己有价值"的执念，你觉得你最强的能力是什么？欢迎在评论区聊聊。