前两天用 Cursor 写一段代码，随手打了一句「这里用策略模式重构一下」，几秒钟后它给了我完整的策略接口、三个实现类、加上工厂组装的代码，结构清晰、命名规范，直接能跑。要是放在几年前，这一套我得想半天、查资料、慢慢敲。
那天晚上我有点睡不着。当 AI 能熟练运用设计模式，甚至比我写得还快还规范的时候，我作为工程师的价值到底在哪。这个问题不是焦虑，是每个用 AI 工具的工程师迟早要面对的。想清楚它，决定了你在 AI 时代是会被淘汰，还是会被放大。
AI 改变了什么，没改变什么
图：AI 改变了实现成本（绿色，被拉平），没改变判断与设计门槛（黄色，成为真正的分水岭）。
先把变化看准，才能看清不变的东西。
变了的是「实现成本」。以前写一个设计模式，要理解它、想清楚怎么套到当前场景、一行行写出来。现在描述清楚意图，AI 几秒生成。样板代码、CRUD、常规重构，这些 AI 都能又快又好地干。实现的边际成本被压到了接近零。
没变的是「判断什么该做、什么不该做」。AI 能给你一个策略模式，但它不知道你的业务该不该用策略模式。它不知道这里用策略是过度设计，还是恰到好处。它不知道这个模式引入的复杂度，对你的团队和这个场景来说值不值。这个判断，AI 做不了，只有理解业务和团队的工程师能做。
也没变的是「系统整体的设计」。AI 能写好一个模块，但它没法替你决定整个系统怎么分层、服务怎么拆、数据怎么流动、一致性怎么保证。这些是架构层面的决策，需要对全局的理解和取舍，不是单点代码生成能解决的。
所以 AI 改变的是「执行的门槛」，没改变的是「判断和设计的门槛」。前者被 AI 拉平了，所有人都能快速产出代码。后者成了真正的分水岭，能把代码写出来的人很多，能判断该写什么、不该写什么的人少。
工程师的核心价值在往哪里迁移
图：工程师价值从「单点代码」（贬值）向系统思维、判断决策、问题定义、沟通协作四个方向迁移（升值）。
顺着这个变化看，工程师的价值在明显地往几个方向迁移。
往系统思维迁移。单点的代码能力在贬值，把多个组件组装成一个协调工作的系统的能力在升值。AI 能帮你写每个组件，但组件之间的接口怎么设计、数据怎么流转、故障怎么传播和隔离，这些系统层面的思考是 AI 的弱项。一个能驾驭整体架构的工程师，价值远高于一个能写漂亮单点代码的工程师。
往判断和决策迁移。AI 能生成多个方案，选哪个、为什么选、代价是什么，是人的判断。这种判断力来自对业务的理解、对权衡的把握、对团队和场景的认知。AI 给选项，人做决策，这个分工越来越清晰。
往问题定义迁移。AI 很擅长解决定义清楚的问题，但定义问题本身，往往比解决问题难。把一个模糊的业务需求，转化成清晰的技术问题，再拆成可执行的子任务，这是高价值的能力。问题定义错了，AI 解决得再好也是南辕北辙。
往沟通和协作迁移。技术工作越来越多是「和人协作把事情做对」，而不是「一个人闷头写代码」。理解需求、对齐预期、协调资源、传递知识，这些软实力在 AI 时代的权重只会上升。因为硬技术被 AI 拉平了，软实力成了差异化。
怎么用 AI 放大而不是替代自己
明确了价值迁移的方向，用 AI 的策略就清楚了。把它当放大器，不当替代品。
放大判断力。用 AI 快速生成多个方案，你来评估和选择。以前受限于实现成本，只能想一个方案就动手。现在能低成本地生成多个备选，你能基于更全面的对比做更好的决策。AI 让你的判断有更多素材支撑。
放大系统设计能力。用 AI 帮你把设计思路快速落地成代码和图表，你能更快验证设计是否成立。以前设计完了要花很久实现才能验证，现在 AI 帮你快速出原型，验证周期大幅缩短。
放大学习速度。遇到不熟悉的领域，用 AI 快速建立基础认知，再深入钻研。以前学一个新技术要啃文档好几天，现在和 AI 对话几小时就能摸到门道。学习效率的提升，让你能更快地扩展能力边界。
但要注意边界，别让 AI 替代你该有的思考。AI 给的代码，你要能看懂、能解释、能维护。AI 给的方案，你要能判断好坏。如果一段 AI 生成的代码你看不懂却用了，那是在积累技术债，也是在放弃自己的判断力。
提示工程，新的基本功
既然要和 AI 协作，把意图表达清楚就成了关键技能。这就是提示工程。
同样用 Cursor，有人写的 prompt 生成的代码又快又准，有人写的 prompt 生成的代码要改半天。差距在表达意图的清晰度上。一个好的 prompt，要把任务、约束、上下文、期望格式说清楚，让 AI 不用猜。
但这不意味着提示工程是什么神秘的高深技能。它的核心就是「清楚地表达你想要什么」，这本来就是一个工程师该有的基本功，只是以前对着人表达，现在对着 AI 表达。能把需求讲清楚的人，prompt 也写得好。讲不清楚的人，prompt 也写不好。
所以提示工程的底层，还是沟通和表达能力。与其追求各种 prompt 模板和技巧，不如把「把事情想清楚、讲清楚」这个基本功练扎实。模板能帮你起步，但真正决定 prompt 质量的，是你对问题的理解深度。
一个真实的工作流转变
图：工作流从「想、写、调」（写调占大头）转变为「想、描述、审、调」（思考与审查权重上升，执行交给 AI）。
讲讲我自己的工作流怎么因为 AI 变了的。
以前接到一个任务，是「想、写、调」的循环。想清楚方案，一行行写代码，跑起来调 bug。大量时间花在写和调上，思考的时间反而被挤压。
现在是「想、描述、审、调」的循环。想清楚方案（这部分时间变多了，因为值得花更多时间想），把意图描述给 AI，AI 快速生成代码，我审查它的产出（这是新的关键环节），再调细节。写的时间大幅压缩，省下的时间用来更深入地想方案和更仔细地审代码。
这个转变的核心是，思考的权重上升了，执行的权重下降了。我把更多精力放在「想对」和「审对」上，把「写出来」交给 AI。结果是，产出质量反而更高了，因为想得更透、审得更细，而执行的误差被 AI 的速度和准确性弥补了。
AI 时代，写代码的能力在贬值，但读代码和审代码的能力在升值。因为你不写代码了，但你要对 AI 写的代码负责。能快速看懂一大段代码、判断它对不对、发现其中的问题和风险，这个能力的价值在上升。一个不会写但会审的工程师，比一个会写但不会审的，在 AI 时代更有价值。
保持对技术本质的理解
最后说一个可能被忽视的风险。
AI 能帮你写代码，可能让你慢慢「不用真正理解」底层原理了。久了，你变得依赖 AI，离开它就不会写代码了，而且更糟的是，你失去了判断 AI 给的代码好坏的能力，因为你已经不理解它背后的原理了。
这是温水煮青蛙式的风险。短期看效率提升，长期看核心能力在退化。一旦 AI 给错了（它会给错），你没有判断力发现，就用上去了，埋下隐患。
对抗这个风险的办法是，坚持对技术本质的学习和理解。AI 帮你写代码，但你要理解那段代码为什么这么写。操作系统、网络、数据结构、数据库原理，这些底层知识要持续学。不是为了写代码而学，是为了保持判断力而学。
工具会越来越强，会用工具的门槛会越来越低。到最后，真正稀缺的还是那几样东西，对问题的深刻理解，对系统的全局把握，对取舍的清醒判断，对本质的扎实认知。AI 能放大这几样，但替代不了它们。把精力投资在这几样上，是 AI 时代最稳的职业策略。
