七月份，Leader 交给笔者一个新任务：用 AI 工具把一个现有的数据统计模块重构一遍。任务本身很明确，却暴露出一个盲区——笔者并不知道该怎么「用 AI 做重构」。过去的工作流是：理解需求、设计结构、逐行实现；而「用 AI 重构」意味着把中间两步委托给 AI，自己只负责评估 AI 的输出是否正确。
这件事让人意识到：AI 时代对技术人的能力要求已经变了。问题不再是「会不会用 AI 写代码」，而是一整套支撑「人 + AI」协作的新能力模型。
能力权重为何重新分配
变化的根本原因，是 AI 改变了技术人在不同任务上的「单位生产力」。
过去，一名开发者的产出大致是：35% 写代码、25% 理解需求、20% 调试、20% 沟通协作。引入 AI 工具后，写代码的生产力提升 3 到 10 倍（取决于用法），调试提升 2 到 3 倍，而理解需求与沟通协作几乎原地踏步。
于是权重随之倾斜：代码编写能力的需求在下降（AI 替你写），「判断该写什么代码」的能力需求在上升。过去要求你「写出一段 O(n) 的排序算法」，现在要求你「判断 AI 生成的排序是 O(n log n) 还是 O(n²)，以及为什么」。
进化的方向，是从「执行者」向「决策者」转变。AI 是强大的执行助手，却不会做决策——它不会判断算法是否正确、架构是否合理、该在哪些 trade-off 之间取舍。而这些「决策能力」，在 AI 时代反而更稀缺、更有价值。
下面用一段可运行的框架把这套能力模型固化下来，便于自我评估与追踪：
"""
AI 时代技术人能力评估框架
核心变化：从"能否独立完成编码任务"转向"能否有效利用 AI 完成编码任务"
"""
from dataclasses import dataclass, field
from typing import List, Dict
from enum import Enum
class CapabilityCategory(Enum):
"""能力分类 —— AI 时代的能力三角：技术基础 + AI 协作 + 决策判断"""
TECH_FOUNDATION = "tech_foundation" # 技术基础（数据结构、系统设计等）
AI_COLLABORATION = "ai_collaboration" # AI 协作能力
DECISION_MAKING = "decision_making" # 决策判断能力
@dataclass
class CapabilityItem:
"""单项能力 —— 包含 AI 时代的新旧要求"""
name: str
category: CapabilityCategory
importance_before_ai: int # AI 出现前的重要程度（1-10）
importance_after_ai: int # AI 出现后的重要程度（1-10）
current_level: int = 0 # 当前水平（1-10）
target_level: int = 0 # 目标水平（1-10）
@property
def importance_change(self) -> str:
"""重要程度变化 —— 反映趋势"""
diff = self.importance_after_ai - self.importance_before_ai
if diff > 0:
return f"上升 +{diff}"
elif diff < 0:
return f"下降 {diff}"
return "不变"
@property
def gap(self) -> int:
"""能力差距 = 目标水平 - 当前水平"""
return max(0, self.target_level - self.current_level)
class CapabilityModel:
"""AI 时代的能力模型"""
def __init__(self):
self.capabilities: List[CapabilityItem] = [
CapabilityItem(
name="数据结构与算法基础",
category=CapabilityCategory.TECH_FOUNDATION,
importance_before_ai=9,
importance_after_ai=8, # 略微下降：AI 能帮你写代码
# 但"理解算法的正确性"仍需自己掌握
target_level=8,
),
CapabilityItem(
name="系统设计能力",
category=CapabilityCategory.TECH_FOUNDATION,
importance_before_ai=7,
importance_after_ai=9, # 上升：AI 还不会做系统设计
target_level=7,
),
CapabilityItem(
name="AI 提示词设计",
category=CapabilityCategory.AI_COLLABORATION,
importance_before_ai=0,
importance_after_ai=8, # 从无到有
target_level=7,
),
CapabilityItem(
name="AI 输出质量评估",
category=CapabilityCategory.AI_COLLABORATION,
importance_before_ai=0,
importance_after_ai=9,
target_level=8,
),
CapabilityItem(
name="技术方案选型决策",
category=CapabilityCategory.DECISION_MAKING,
importance_before_ai=6,
importance_after_ai=9, # 大幅上升：AI 给建议，你做决策
target_level=7,
),
CapabilityItem(
name="代码审查与质量控制",
category=CapabilityCategory.DECISION_MAKING,
importance_before_ai=7,
importance_after_ai=9, # 上升：你要审查 AI 写的代码
target_level=7,
),
CapabilityItem(
name="样板代码编写速度",
category=CapabilityCategory.TECH_FOUNDATION,
importance_before_ai=7,
importance_after_ai=3, # 大幅下降：AI 帮你写样板代码
target_level=5,
),
CapabilityItem(
name="API 细节记忆",
category=CapabilityCategory.TECH_FOUNDATION,
importance_before_ai=6,
importance_after_ai=2, # 大幅下降：AI 帮你记住 API
target_level=3,
),
]
def growth_plan(self) -> List[Dict]:
"""
生成成长计划 —— 按能力差距排序，优先投入差距最大的能力
差距 = 目标水平 - 当前水平 = （AI 时代对该能力的要求 - 当前掌握程度）
"""
plan = []
for cap in self.capabilities:
plan.append({
"能力": cap.name,
"重要程度变化": cap.importance_change,
"当前水平": cap.current_level,
"目标水平": cap.target_level,
"差距": cap.gap,
"优先级": (
"高" if cap.importance_after_ai >= 8 and cap.gap >= 3
else "中" if cap.gap >= 2
else "低"
),
})
# 按差距排序
plan.sort(key=lambda x: x["差距"], reverse=True)
return plan
# AI 时代实习生的重点能力建设方向
INTERN_PRIORITY = [
{
"能力": "AI 输出评估",
"为什么重要": "实习生大量使用 AI 写代码，如果不具备评估能力，提交的代码可能有隐蔽 bug",
"怎样提升": "每段 AI 生成的代码，用测试用例验证 + 复杂度分析 + 代码审查",
},
{
"能力": "技术方案选型决策",
"为什么重要": "AI 可以列出方案选项，但选哪个、为什么，需要人的判断",
"怎样提升": "每次做技术选型时写一篇"为什么选这个方案"的分析文档",
},
{
"能力": "系统设计能力",
"为什么重要": "AI 目前最弱的能力之一，也是大厂面试的核心考点",
"怎样提升": "每周分析一个开源项目的架构设计，画架构图 + 分析 trade-off",
},
]
对实习生而言，这其实是个利好：「AI 协作能力」对所有开发者都是相对公平的起跑线。资深者在传统能力上有积累，但在「与 AI 高效协作」这个新维度上，所有人都站在同一起跑线。
会不会用 AI 用废了基本功
一个反复出现的担忧是：如果习惯用 AI 写代码，会不会有一天脱离 AI 连基本代码都写不出来？
答案取决于你怎么用 AI。
若把 AI 当「输入需求、输出代码」的黑盒来替代思考，基本功确实会退化——大脑不再执行「需求 → 算法 → 代码」的翻译，对应的神经连接会逐渐弱化。若把 AI 当「思路提示 + 代码草稿 + 审查反馈」的辅助工具，基本功不会退化，因为你仍在主导思考，AI 提供的是「加速」与「纠错」，而非「替代」。
关键分界线是：谁在做「理解与决策」？如果 AI 生成了代码，你却讲不清每一行的逻辑，那是过度依赖；如果 AI 生成代码后，你审查了每一处逻辑、修改了不合理部分、补上了缺失的边界处理，那就是高效协作。
结论
AI 时代技术人能力模型的进化，本质是从「做事的人」转向「判断什么该做、怎么做、谁来做」的人。AI 在「做事」上越来越强，在「判断」上仍需要人。
对实习生最实在的启示是：别把大量时间花在 AI 已经能做得很好的事（如写 CRUD 代码）上，而要把时间投到 AI 还做不了的事——系统设计、技术选型、业务理解。你的竞争力不在于「比 AI 写代码快」，而在于「比 AI 更懂业务、更会决策、更清楚什么情况下不该信 AI」。
评论0