LLM 正在侵蚀我的软件工程职业生涯，我不知道该怎么办

对软件职业被侵蚀的感受

• 许多资深工程师觉得，调试能力、领域专长、代码质量等核心优势正在被商品化，因为 LLM 现在已经能一把解决 bug、撰写设计文档、生成可运行原型。
• 一些人反映管理层施压要求“多用 AI”，并通过 token 数、代码行数或工单数量来衡量生产力，这让他们感觉自己像是在监管“废料农场”而不是在做创造者。
• 也有人指出，这种悲观情绪在更早的浪潮中（外包、Web、云）也很常见，并认为对优秀工程师的需求依然存在，只是预期发生了变化。

领域专长 vs 通用型技能

• 一派观点认为：金融、税务、仿真、信号处理、医疗、监管等深度领域知识仍然是强大的护城河；LLM 经常会错过细微规则、边缘情况以及机构特有的做法。
• 另一派认为：“领域知识是可以通过提示获得的”；更广泛的工程原则，以及协调 agents 的能力，会比 LLM 能从文档中读出来的细分专长更重要。
• 还有人指出，领域专家仍然需要去解读法规、与监管机构谈判，并承担法律风险——这些任务并不容易交给模型。

LLM 的能力与局限

• 重度用户报告了真实收益：更快的重构、复杂 bug 查找、测试生成、YAML/配置编辑、数据工程 PoC，甚至在视觉验证下完成非平凡的数学/物理代码。
• 与此同时，前沿模型仍然会：
  • 幻觉 API、法规、日期或合规要求。
  • 过度生成代码、重复逻辑，并在未被强约束时忽视架构模式。
  • 一旦超出成熟领域或规格含糊不清，就表现很差。
• 许多人强调“驾驶技能”：有经验的开发者能获得巨大收益；初学者和非开发者往往会产出脆弱、前后不一致的系统。

代码质量、架构与“AI 废料”

• 普遍担忧管理层会接受 C 级别的“AI 废料”，因为它更快更便宜，即使技术债和失败率在悄然上升。
• 也有人说，架构和清晰度现在更重要了，因为无论 agents 还是人类，在结构良好的系统上工作都更高效，而 LLM 在认真引导下也可以帮助执行模式。
• 还有人描述了一种新的反模式：agent 一次性生成巨大的 PR，随后经历漫长而痛苦的人类审查流程，抹去了大部分速度收益。

安全、监管与责任

• 在受监管领域（fintech、医疗、航空、PCI、GDPR、AML）中，评论者提到 LLM 会：
  • 误读或编造法律要求。
  • 提出不合规设计，最终无法通过审计，或带来严重责任风险。
• 这里的共识是：完全自主的 agentic 开发是鲁莽的；人类必须继续对代码和合规负责，而监管者/审计者也还没有为 AI 做好准备。
• 有人预见，在严重事故之后，未来可能会出现“AI 废料审判”，这可能会推动实践转向确定性工具加人工审查。

经济与社会影响

• 普遍担忧是 LLM 会缩减白领岗位：更少的工程师支持更多的产品领域，科技薪资向下回归常态，初级岗位被挡在门外。
• 也有人认为会出现新的行业和工具（就像过去的技术变迁一样），而整体对软件和自动化的需求增长可能会快于个人生产力的提升。
• 还有人将这一趋势推演到“后劳动”场景，质疑如果大多数知识工作都能被自动化，什么经济体系还能支撑数十亿人；建议从全民基本收入到财富税，再到“拥有资本或土地”不等。

应对策略、价值观与替代路径

• 常见建议：
  • 把 AI 当作“强力工具”而不是替代品：学习 harnesses，为 agents 构建确定性工具，专注于架构、测试和系统设计。
  • 将身份从“写代码的人”转向“工程师”或“问题解决者”：更多处理需求、意图和约束，而不是按键击打。
  • 维护或加深领域专长和软技能（沟通、风险判断、与法务/合规协作、理解客户）。
• 少数强烈反感新工作方式的人（“vibe coding”、监督机器人）考虑转向手艺行业、木工、农业或其他动手工艺——而另一些人提醒这些路径也同样艰难、拥挤且有风险。
• 还有人提到乐趣的丧失：编程不再像一门手艺，而更像编辑和监督机器输出的过程，这引发了对倦怠和在其他行业充分感受到 AI 影响之前就出现大规模幻灭的担忧。