技术岗位的门槛正被两股力量同时抬高：一边是编制收缩，有经验的开发者回流挤压新人入口；另一边是 AI 编程工具让项目搭建和简历包装变得异常简单，招聘方看到的作品同质化严重。过去那些被反复验证的建议，正在快速失效。
为什么老建议失效了
"做一个展示学习能力的项目""用公司在用的技术栈""刷算法题"——这些动作现在都能用 AI 在很短时间内完成，项目不再能可靠区分人的能力，技术栈标签也模糊了。更麻烦的是反馈闭环断了：多数时候得到的是沉默或拒绝，你很难判断某条建议是否有效。
还有一个隐蔽的陷阱叫跟随人群。借用卡牌游戏的逻辑：某卡组胜率高，大家都去组，禁限表一更新全部作废，人群再涌向新卡组。技术圈的热门轮换同理——听说 Python 缺就学 Python，过阵子又转 JavaScript，时间和精力不断清零。问题不在学习本身，在决策依据来自外部声音。
三步定位法
第一步，自我反思。 问一个具体问题：带着现在的知识和作品原封不动过五年，我会满意吗？这个问题没有标准答案，但能逼出平时回避的判断。目标是找出自己愿意持续投入的方向，而不是别人认为正确的方向。
第二步，对任何建议保持审慎。 例子：简历美化——过度排版可能导致申请人跟踪系统解析失败，符合条件的候选人反而被筛掉。采纳前停一下，判断是否适用自己的场景；实践后没带来好处就换，不必因为推荐的人多就坚持。
第三步，观察供给密度，找空白。 大量人在用 AI 快速生成全栈应用？GitHub 上同类项目已严重拥挤，那把精力放在较少人做的嵌入式、硬件方向可能更容易被注意到。这个具体例子会过时，方法不会：看供给密集的地方，避开它，或在其中找一个被忽略的细分问题。
增量提醒（原文没给的可操作动作）：把三步法变成一份"差异化证据清单"——列出你做过的事里，哪些满足"AI 难以批量复制"三个特征之一：依赖私有上下文（你实习/比赛/社区里积累的真实数据与人脉）、依赖长期投入（两年以上的持续产出，如一个真实用户过百的工具）、依赖物理世界（实验室设备、产线、硬件调试经验）。清单上少于两条，说明当前定位仍是"可被 AI 平均化的"，优先补齐。此外一个容易被忽略的信号：面试官追问"这个项目你最纠结的技术决策是什么"，答不出细节的 AI 代劳项目反而减分——把一个 AI 辅助项目吃透到能讲清每个权衡，比堆三个浅项目值钱。
市场变化只会更快，AI 工具持续降低执行门槛，跟随热点的成本只会更高。把注意力从"大家在做什么"转向"我适合做什么、环境缺什么"——不会被轻易替代的位置，从来不在热门榜单上。
评论0