关于 AI 应用和现在程序员就业的一些看法
关于 AI 应用和现在程序员就业的一些看法
前段时间有朋友问我：
“现在 AI 这么火，要不要从 Java 转 AI 应用？”
我当时第一反应是，这两个东西其实就不应该放在一起比较。
有点像几年前问：
“我要不要从 Java 转电商？”
AI 应用是一个方向，Java 是后端的一门语言，本身就不是一个维度的东西。
借这个问题，说一下我目前对 AI 应用、技术栈和程序员就业的一些看法。
都是这两年工作下来的一些个人感受，听不听随意。
1. 单一技术栈已经不太够用了
国内 Java 的存量盘依旧很大，这个短时间内不会有什么变化。
但我觉得现在只会 Java，或者把自己完全定义成一个 Java 工程师，已经不太够了。
目前后端我比较建议接触的还是：
Java、Go、Python。
Java 主要还是国内大量存量项目、企业级应用和现有团队技术栈。以后很多传统业务做 AI 赋能，也不可能把原来的东西全部推倒重来。
Go 在高并发、云原生这些场景本身就有优势。现在很多 AI 应用又恰好涉及大量并发、流式输出和长连接，用 Go 也比较合适。
Python 就不用说了。
AI 应用继续往下走，不管是 PyTorch、训练、推理还是 AI Infra，基本都绕不开。
当然我不是说三门语言都要学到一样深。
至少有一门是自己的主语言，真正熟练，其他的能用、能看、能改就行。
现在有 AI 以后，第二门、第三门语言的学习成本其实已经低很多了。
前端也是一样。
以前如果有人问我国内学 Vue 还是 React，我可能会更建议 Vue。
现在我会更建议 React + TypeScript。
主要还是国外生态更大，而且现在 AI Coding 对 React/TS 的支持也更好。
当然结合国内就业，Vue 最好还是得会。
所以我现在对技术栈的看法比较简单：
主技术栈一定要有，但没必要再给自己贴死某一门语言的标签。
2. 一定要高强度使用 AI
这个是我目前最确定的一点。
AI Coding 已经不是“以后会不会普及”的问题了。
已经发生了。
我们目前甚至有一个真实的企业项目，基本就是纯 Vibe Coding 驱动开发。
而且不是 Demo。
项目涉及分布式、多渠道对接、中间件大概 20 多个，还有自己实现的探针、健康检测、CI/CD。
AI 相关也有 PyTorch、CUDA、多模态、ASR、RTTS、YOLO 识别训练这些东西。
说这些不是想证明这个项目有多复杂。
主要是想说，这是一个真正的企业项目，而且大量代码确实是 AI 完成的。
到目前为止，也没有出现所谓“Vibe Coding 到最后完全没法维护”的情况。
所以我现在觉得：
Vibe Coding 本身不是问题，问题是使用 AI 的人有没有工程能力。
前两天我对接一个渠道商做兼容性的 RAD 开发。
方案、编码、测试基本全部由 AI 完成。
大概半天。
这个事情如果按照以前的开发方式，我估计至少两三周。
所以对于 AI，我没什么“要不要用”的建议。
一定要用，而且要高强度地用。
方案、编码、测试、Debug、Review、CI/CD，能用就用。
这已经是生产力问题了。
3. AI 越强，基本功反而越重要
这一点我最近感受也比较深。
24 年甚至更早的时候，我们是真的会为了一个环境折腾半天。
碰到一些难调的 Bug，就自己看日志、翻源码、抓包、排调用链，一点一点 Debug。
现在很多问题直接扔给 AI，可能几分钟就解决了。
所以有时候我反而觉得，26 年才开始学编程的人可能更难。
不是因为工具差，恰恰是因为工具太好了。
很多以前必须自己经历的过程，现在可以直接跳过去。但那些过程其实会慢慢形成一些工程直觉。
所以如果你是新人，问我要不要打好基础，我的答案是：
非常有必要。
数据结构、操作系统这些基础该学还是得学。
同时至少选一门自己的主开发语言，真正学到熟练。不是会写几个接口、会调几个框架就叫熟练，而是真的拿它做过项目、调过问题，对它的运行机制和生态有足够的理解。
因为 AI 可以写代码，也可以 Debug。
但 AI 给你的东西到底对不对，最后还是需要你判断。
事务、并发、幂等、异常、性能、可观测性，包括系统出了问题应该从哪里开始查，这些东西不会因为 AI 出现就消失。
反而是 AI 把编码本身变得越来越便宜以后，这些东西才是真正能拉开工程师深度的地方。
以前没有 AI 的时候，大家卷框架、卷 API、卷谁记得多，我觉得没什么问题，因为当时这些东西确实直接影响开发效率。
但现在很多框架层面的东西，AI 比我们记得更全，写得也更快。
所以我现在反而更建议新人把时间往基础上放一点。
有几本书我一直比较推荐：
- Clean Code
- The Clean Coder
- Understanding the Linux Kernel
- Head First Design Patterns
- Designing Data-Intensive Applications
当然，书只是一个载体。
我真正想表达的是：
AI 时代不是不需要基本功了，而是以前很多“会用框架”的价值正在被 AI 吃掉，基础和工程判断的价值反而更高了。
AI 可以替你少走很多弯路，但有些路你最好真的走过。
所以我现在越来越觉得，AI 真正放大的不是编码能力。
是判断能力。
4. AI 应用可以转，但现在已经不是做几个 Demo 就好找工作的阶段了
我自己其实算比较早转 AI 应用的。
25 年 10 月，我就从传统开发转到 AI 赛道了。
所以如果提前半年或者一年有人问我：
“会 RAG、做几个 Agent 项目，能不能转 AI 应用？”
我会觉得问题不大。
但现在我的看法已经变了。
不是 AI 应用不值得做，恰恰是因为这个方向太火了，进来的人太多了。
现在很多简历翻来覆去都是：
RAG 知识库、AI 客服、PDF 问答、LangChain、Embedding、Milvus、Rerank……
这些东西当然要会，我自己也在做。
但问题是，会这些东西的人已经太多了。
更现实一点说，现在如果只是拿几个这种项目去找 AI 应用的工作，我觉得已经没有以前那么容易了。
而且关于项目这件事，我可以说得直接一点：
现在国内网上能看到的所谓 AI 应用项目，我觉得 80% 以上都是玩具项目。
换一个模型、接一个知识库、套一个 Agent 框架，最后做个聊天页面。
能跑。
但离真正的企业项目还很远。
所以如果现在还准备转 AI 应用，我更建议去看：
真实业务、真实客户、真实场景。
我前公司是做 AI + 教育的。
国内这一块真正落地的东西，无非也是 AI 答疑、AI 批改、OCR/VLM、个性化学习这些。
AI 答疑底层一样可能是 RAG。
区别只是它最后真的要面对学生、老师和学校，真的要解决问题。
所以不是不要学 RAG，也不是不要学 Agent。
这些东西该学还是得学，只是别再把“会 RAG、会调 Agent”本身当成竞争力了。
5. 我自己接下来会继续往 AI Infra 走
这也是为什么我现在会建议：
如果已经准备进入 AI 这个方向，可以适当往 AI Infra 深一点。
不是说所有人都应该转 AI Infra，也不是说 AI Application 没前途。
只是单纯的 Agent 应用层现在越来越卷，需要给自己增加一点技术纵深。
我自己目前比较看好：
后端 / 分布式 + AI Application / Agent + AI Infra。
能做上层业务，也能继续往下面走。
但 AI Infra 也别最后学成下一个 RAG。
不是会 Docker、K8s、vLLM，再部署一下 CUDA 环境，就叫 AI Infra。
真正继续往下还有：
Inference Serving、Batching、Scheduling、KV Cache、GPU Memory、PyTorch、CUDA、NCCL、GPU Cluster，以及监控、扩缩容、容错、成本这些东西。
这一块我自己也还在继续学，所以不展开，也不装懂。
我只是觉得，与其和所有人一起继续堆第 101 个 RAG 知识库，不如适当往下多走一点。
至少目前，我自己准备这么走。
最后其实就两个建议。
1. 高强度使用 AI，别和生产力过不去。
不要只拿 AI 补两行代码。
方案、编码、测试、Debug、Review、CI/CD，能用就用。
2. 如果准备转 AI，别再堆玩具 Demo。
去看真实业务，解决真实问题，再给自己找一个方向往深了走。
我自己目前选择的是：
后端 / 分布式 + AI Application / Agent + AI Infra。
至于 Java、Go、Python、React、Vue，该用什么就用什么。
主技术栈要有，工程基本功别丢，AI 狠狠用。
差不多就这些。
听不听随意。
