是，而且

AI 下编程工作的未来

• 许多人预计 LLM 会削减传统开发岗位数量，尤其是初级岗位；有人称这些岗位已经消失。
• 也有人认为，更便宜的编码会增加对软件的需求，因此程序员（或程序员相关岗位）仍然有价值，只是比例和任务会发生变化。
• 一种观点是：开发者会变成规格说明书撰写者、架构决策者和 AI 监督者；更激进的观点则认为，AI 终有一天也会接管这些工作，就像任何基于屏幕的工作一样。

学编程 vs “翻译”型岗位

• 有人认为深入学习编程不是好的投资；更好的做法是成为某个领域的专家（建筑、采矿、医疗等），再利用 AI 构建工具。
• 反对意见是：如果你不懂代码，就无法可靠地用 AI 生成并评估代码；“领域知识 + 编程”被描述为一种“超能力”。
• 很多人支持“X + CS”：会编程的会计、分析师和经理，被认为在各自岗位上能发挥 10 倍作用。

读代码 vs 写代码，基础知识

• 对于读代码和写代码是否属于同一种技能，存在分歧；几位评论者表示，阅读大型、杂乱的代码库是一项不同且困难得多的能力。
• 有人担心 LLM 会让读代码和深度思考能力退化；也有人指出，LLM 现在已经能发现比人类更细微的 bug。
• 许多人仍然重视基础知识（数据结构、底层概念、复杂度控制），认为这是 CS 教育中最持久的部分。

Vibe coding、复杂度与架构

• 通过 LLM 进行的“vibe coding”因速度快而受到赞扬，但也因生成“垃圾代码”而受到批评：冗余、过度复杂或不一致的系统。
• 担忧包括：在不理解的情况下快速输出功能、代码增长速度超过人类理解能力，以及 agent 难以处理棕地/遗留系统。
• 几位评论者认为，随着 AI 让代码数量变得廉价，架构、重构和复杂度管理的重要性反而会上升。

LLM vs 编译器与确定性

• 一条主要讨论线认为，提示词→代码 与 高级语言→汇编并不相同：你可以推理编译器输出；而 LLM 的行为必须通过实验探查。
• 有人把 LLM 形容为“混沌”的：即使温度为 0，提示词的微小变化也可能导致巨大且不可预测的差异。
• 也有人反驳说，现实中的编译器和系统本来就已经足够不可预测，大多数开发者实际上也只是“不断试到能用为止”。

教育、磨练与就业市场

• 关于是否应该强制学生手写代码存在争论：有人认为这是必要的“性格锻炼”；也有人说，没有人会放弃 AI 的“直接帮我做”按钮。
• 将 AI 用作“优秀助教”是一个反复出现的主题，前提是它用于解释，而不是一键交付完整解决方案。
• 多条评论把当前初级岗位市场描述为异常糟糕，并建议依靠人脉（广义上的）以及非纯程序员路径作为生存策略。