脑力劳动者正在变成“文员”

这两个月是我深度使用ai来工作的两个月，工作模式的变化其实还是很大的。以前一直都是以软件工程师的方式在工作和成长，成长模式其实还是固定的。无非就是学习当前业务上下文，技术栈深挖，针对一些场景沉淀对应的解决方案，及时处理线上的issue等等。除此之外我发现当前的工程师的工作模式也有很大的变化，
特别是对于junior和senior的工程师的影响最大，下面是我自己作为一个junior dev时候的工作模式

刚开始的时候业务和技术的掌握都不够，需要在工作过程中边做边学，并且积累各类问题的处理方式成为自己今后的技术积累，也是需要见多识广并且在一个领域上逐渐深耕的一个过程。成长了2-3年之后你需要往pre-senior dev的阶梯上发展，那么你需要具备更多的上下文，有足够多的经验来处理线上问题以及能够帮助团队中的BA或者PM来分析业务，对于一些技术难点做一些spike来辅助junior dev来完成任务，所以当你成为了pre-senior dev之后你的工作任务会变得多样化多线程，不只于完成简单的交付。当然在我之前的公司【TW】里，评价一个优秀工程师的维度不会之后交付，但是今天我想讨论的主题我们就集中在交付上。又过了几年，你工作了5-6年，你需要逐渐具备一个senior dev的交付能力，作为一个senior dev通常会在一个团队中承担交付规划者的存在，他需要完成更多的业务的分析，一般是整个迭代中的业务分析，功能依赖的识别，功能涉及到的修改点，识别在交付过程中最优的解决方案。越往资深工程师发展需要干的事情事越多的，其实也能发现处于pre-sr和junior的dev更多时候都是命令的执行者，这很符合一个team的人员金字塔结构。
在大多数的IT公司，这套结构延用了整个互联网时代，直到2022年底的LLM的爆发开始被逐渐被打破，而且是越来越多的纯搬砖劳动力被AI的算力所替代，所以为什么从2024年开始应届生毕业越来越来难找工作，因为从2023年的开始prompt engineering到后来的 RAG engineering再到现在的agent engineering，在这些外接技术下LLM的触角能够伸得越来越长，能力也越来越大。那么工作模式也在悄无声息的发生着变化，第一个阶段，是prompt engineering给我们日常工作调查问题，实现功能，做proposal上的变化有了chatbox之后我们，会把报错直接发给AI，让他来给我们解决方式。在实现某个功能上，会把需求给到AI，从实现要求到AC(accepted critical)。我们只需要也对这些输出有辨识度就行了，能够看出来他是不是胡说八道，也就是让专业的人更强。
第二个阶段是，rag阶段。单纯的回答问题已经满足不了日常的工作需求。为什么，因为在世面上的llm都是通用型模型，并不具备某个领域或者某个公司的内部知识。一个是预训练模型的数据实效性，在一个就是内部知识的保密性质。在面对一些专业性要求很高的提问时，目前的模型就显得力不足了，之前的工作方式，遇到不清晰的上下文时候，只能在confluence上查文档，问ba，总之是比较费时费力的活。但是rag技术出来之后，我们可以把对应业务问题抛给llm，我们再通过语义识别的ML算法来找出最相近的一些文字，然后LLM再根据这些输入来做出总结性的输出。
第三阶段是agent阶段，不得不说现在的agent是越来越聪明。vibe coding agent相关的agent我是接触的最多的，刚开始的时候是copilot，主要的功能就是通过你的提示词，也就是注释语句来给你做一些局部函数，单元测试的实现。虽然说有时候写得乱七八糟，到这也足以让我们惊艳一番。然后又出现了令人更加惊艳的作品cursor，它强在哪呢，他首先会对你的整个项目做一个index，也就是向量化，让你的项目成为你在cursor的一个私人知识库，那么当你在做提问的时候，他会去检索你想实现的功能的或者修改功能的as is。有了这项功能，它的代码理解能力就能比之前的copilot强很多，它有一个tab功能也就是自动补全，就是你跳到哪行，他大概就能知道你要干嘛。更厉害还有就是它后面推出的composer功能，一次可以修改多个文件，已达到一次完整的提交。但是随着代码复杂度，业务复杂度的提高，composer和tab也出现了后劲不足的问题，虽然在那时cursor已经慢慢具备代替一些junior dev的苗头，但是还没有那么强。人嘛，欲望总是无穷无尽的。这是更强的工具又出现了claude code，人家的玩法和之前的可能完全不一样了，直接开始烧token了，为什么这么说，他会把你的project!每个文件夹作为它的上下文，当然它是采用懒加载的当方式，你需要什么他才会去读什么。而且它还有一些内置的工具比如说读文件，搜索文件之类的功能，通过运行bash命令来查找，阅读你的文件，作为你和它对话的上下文来提高它的输出准确性，他能通过bash执行整套命令，自己来完成一个功能的完成开发测试的闭环。以python为例，一开始他会改代码，然后检查有没有语法或者编译错误，然后写测试，检查测试结果。再通过一系列mcp的加持，我们的日常工作变成了，在jira上创建一张ticket，然后尽量写清楚实现细节以及AC，然后把jira no.丢给它，他能通过mcp读到jira中卡得内容，然后自己就会开始现实功能。
在传统的软件开发时代，大家都有明确的分工，一环扣一环，但是在AI agent出现了之后我们只需要根据用户的需求画figma，写jira卡就行了。一下子从程序员变成了一个文字操作者【文员】。我觉得在时代的巨轮下，没人是能够挡得住它前进的步伐，不是你不用，它就不会进步。作为一个普通人要做的只能是顺应这个时代，及时做好时代技能的转换。
一个时代往往不是一下子就改变了人们的生产方式和生产效率，而是人们为了提高自己的生产效率而在不断尝试极限。从蒸汽时代的第一次提速，再到后面的电气再次提速，信息化时代，再到当下的AI时代。