——兩年招人帶人后的冷水與警鐘

你不會在技術大會上聽到這一幕，更不會在 LinkedIn 的“AI 賦能人類創(chuàng)造力”帖里讀到它?？稍谡心寂c培養(yǎng)工程師十余年、近兩年持續(xù)招聘與導師制實踐之后，幾乎篤定：傳統(tǒng)意義上的“初級開發(fā)者”崗位，正被系統(tǒng)性地撤掉。

這并不意味著編程工作會在一夜之間蒸發(fā)。真實發(fā)生的是：我們每一位高級工程師曾經(jīng)攀登的那架梯子，正被悄悄收起，而我們還在自我說服這叫“進步”。

入門消失術：寫著“Junior”的招聘，不再初級

今天走進任何一家科技公司，打開他們所謂“初級”崗位列表： 你會看到“Software Engineer（2–3 年經(jīng)驗）”“Associate Developer（卻寫著資深技能）”，以及名義上的 Junior，卻個個不是入門門檻。

行業(yè)里心照不宣的算盤是：有了 GitHub Copilot 這類工具，為什么還要雇需要 6 個月上手的新人？冰冷的算術在各處上演，且越來越常見。

技能被壓扁：AI 把“例行活兒”的差距抹平

發(fā)生的并非“人人都是資深”，而是在例行任務上，AI 把新人與老手的差距壓到幾乎為零：

• CRUD 模塊？AI 更快、更少低級 bug。
• 語法與格式？AI 預判并統(tǒng)一規(guī)范。
• 模板化實現(xiàn)？AI 一把過。

問題在于：新人賴以成長的臺階，被自動化抹去。于是，我們培養(yǎng)出了一批“會讓模型寫代碼、卻看不懂代碼”的操作者：能出活但難以定位線上疑難，能照葫蘆畫瓢卻難以做體系化設計。 這不是加速，而是群體性技能萎縮。

實習的幻影：項目漂亮，學習變淺

“不是還有實習嗎？”

現(xiàn)實多半是：12 周項目——4 周學工具，4 周做“玩具級”成果（重度依賴 AI），最后 4 周潤色簡歷。作品看起來越來越美，不是學生猛進步了，而是輔助更給力了。實習證書發(fā)得很勤，但遇到一個簡單 NPE，多數(shù)人離不開 ChatGPT 的提示。

導師機制的塌陷：時間被 AI 擠占

傳統(tǒng)路徑清晰：初級跟著資深走，通過 code review、結對、逐步放權來成長。 然而當資深發(fā)現(xiàn)“用 AI 直接搞定更省時”，投入帶人的經(jīng)濟激勵消失。

一來二去，樂于授業(yè)解惑的資深，變成自我效率最優(yōu)化的孤島，知識在團隊間的流動悄然變弱。

指標繁榮與理解塌陷：虛胖的生產率

管理層愛 AI：工單關閉更快、發(fā)布更勤、缺陷更少。

但深挖你會看到： 開發(fā)者可以實現(xiàn)自己并未真正理解的功能，可以修掉并不清楚根因的問題，可以把不可能獨立寫出的代碼“優(yōu)化”一遍。 指標漂亮，理解力卻在掉線。等到系統(tǒng)出現(xiàn)跨邊界的奇怪聯(lián)動，AI 輔助者往往無從下手。

遠程協(xié)作的“加速器效應”

遠程原本被寄望“普惠機會”，實際卻加劇了入門的孤立：

• 在家辦公缺了茶水間的三十秒，新人少了“抬頭就問”的機會；
• 視頻指導的成本高于 AI 實時提示，知識傳遞被無形替換。 在辦公室時代，初級遇坑可能一句話就過去；如今在家里，他們更容易沉沒在孤島。

訓練營的潰退：賣點被 AI 搶走

“12 周學會寫代碼”在 AI 面前失去競爭力：

• 語法記憶、套路題、模板實踐——AI 周末就能“教完”；
• 訓練營難以教授的系統(tǒng)設計、復雜調試、取舍思維——又非速成。 因此他們轉去強調“提示工程”“AI 輔助開發(fā)”，但這治的是癥，不是根。

面試劇場：假裝沒有 AI

候選人刷題刷到麻木，公司白板題考到抽象，大家心照不宣地假裝真實工作沒有 AI。

而真正該被檢驗的——與 AI 協(xié)作、監(jiān)督模型、讀懂模型輸出、對抗錯誤建議——幾乎沒人測。

結果就是：會表演的人留了下來，真正能做系統(tǒng)的人被過濾在外，尤其是還沒學會“考試套路”的新人。

口號與人事的悖論：要多元，卻沒入口

企業(yè)熱衷“多元與包容”，同時把初級入口撤得一干二凈：

• 招聘啟事寫“Entry-level”，但要求“2+ 年經(jīng)驗”；
• DEI 口號響亮，卻不保留新人名額。 沒有入門臺階，多元只剩口號；沒有培養(yǎng)鏈條，供給注定見頂。

創(chuàng)新的悖論：把“愛問為什么的人”剪掉

初級不是便宜勞力，他們是不被偏見綁住的視角：

• 他們會問資深早已默認的前提；
• 他們會從邊角提出“為什么不能這樣”。 AI 擅長給答案，卻不擅長發(fā)問；它善于復用模式，卻不擅長破局。剪掉初級，等于剪掉了新鮮的“為什么”。

供給金字塔的倒置：五到十年后的“斷層”

軟件行業(yè)曾像金字塔：底部多初級，中段是中級，頂部少量資深，知識向上流、經(jīng)驗向下傳。 AI 浪潮下，公司更愿要“會駕馭 AI 的資深”。 但是，這些資深從哪來？當我們停止培訓初級，五到十年之后，“能獨立系統(tǒng)化思考、又懂 AI 約束與落坑”的人會變稀缺——這不是危言聳聽，而是時間延遲下的必然斷層。

粗糙的經(jīng)濟學：短期省錢，長期虧損

粗算賬：

• 初級：年化 $70k–90k（含培養(yǎng)）
• Copilot：**$19/月；ChatGPT Plus：$20/月；Claude Pro：$20/月**

不到 $1,000/年的訂閱即可覆蓋大量“初級級別的產出”。 可這份算盤忽略了隱性成本：理解鴻溝、創(chuàng)新赤字、導師能力的消亡，以及人才漏斗的長期塌陷。 我們?yōu)榧径葓蟊韮?yōu)化，卻把行業(yè)的“未來紅利”抵押出去了。

“一夜升維”的幻想：空中蓋樓

有人安慰：“初級會轉型做 AI 監(jiān)督、提示工程?！?但有效監(jiān)督的前提是——你本就懂要監(jiān)督什么；高質量提示的前提是——你知道要逼問哪些邊界。沒有地基的“升維”，只是空中樓閣。讓還未打牢編程底層的人去審核 AI，就像讓尚未識字的人去做編輯。

社群的消聲：圍爐取暖變“人—機”獨處

為什么還要在代碼評審里爭辯？AI 已經(jīng)指出了格式與錯誤。 為什么還要投身開源？模型能生成類似功能。 為什么還要參加線下技術討論？AI 回答得更快。Stack Overflow 訪問下滑、GitHub 討論趨于安靜、本地社群熱度走低——我們曾依賴的“群體性學習場”正在稀釋。

預兆已現(xiàn)：健康的行業(yè)不會這樣走

把碎片拼起來，你會發(fā)現(xiàn)曲線異常：

• 初級崗位發(fā)布同比下滑；
• 訓練營報名持續(xù)走低；
• 新開發(fā)者的開源貢獻逐年下行；
• “入門”崗位的平均經(jīng)驗年限不斷攀升；
• 資深們抱怨難以找到愿意/適合帶的新人。

這不是一個健康生態(tài)應有的體征。

2025 年新人真正該學什么（也是企業(yè)該考什么）

如果我們愿意正視，新人要補的已不是“語法”，而是這五件事：

1. 理解 AI 的邊界與失誤模式；
2. 讀懂 AI 生成的代碼與意圖；
3. 在復雜系統(tǒng)里定位“模型+人工”的組合問題；
4. 當 AI 給錯、給歪、給糊涂時，提出關鍵質詢；
5. 對 AI 建議保持批判性，能基于約束做取舍。

但別忘了：這些其實是進階能力，需要真實的項目與失敗來沉淀。沒有入門臺階，上述清單就會停留在 PPT。

出路（前提是我們愿意改）

出路不是“禁用 AI”，而是重構人才路徑與協(xié)作形態(tài)：

• 公司層面：保留真正的初級席位，把 AI 協(xié)作納入崗位說明，以“可解釋度、故障演練、根因分析”為培養(yǎng)核心，不以“純產量”做唯一 KPI。
• 教育與訓練營：并行教授基礎與 AI 素養(yǎng)，用真實約束（限時、限上下文、限外部調用）訓練“會問問題”的能力。
• 資深與團隊：重啟導師制，但方式升級——把“如何與 AI 共創(chuàng)”的 tacit knowledge 明文化，把失敗復盤制度化。
• 招聘評估：從“AI 真空”式白板題，改為“AI 在場”的協(xié)作測評：讓候選人駕馭而不是依賴模型，考“假設錯誤”“邊界下沉”“權衡解釋”。

我們其實有選擇

每一位資深，都是在某個不那么高效的年代被人押注與托舉出來的： 第一例生產事故的通宵，是誰守著你？ 第一份糟糕 PR 的評論，是誰耐心講解？那把梯子沒有天降，是前輩搭的。

今天我們可以選擇：

• 把 AI 用來擴大新人學習的半徑，而不是替代新人；
• 把入門崗位設計為**“人—機共作”的訓練場**，而不是成本線上的第一刀；
• 把導師的時間重新對齊長期價值，而不是只看短周期的吞吐。

最后的提醒

十年后，當公司在“懂傳統(tǒng)系統(tǒng)，又懂 AI 融合”的人才市場里競價時；當“會系統(tǒng)性提問、會帶隊且會與模型斗智”的工程師供不應求時；當創(chuàng)新管道因缺乏新鮮視角而干涸時——我們會回想起今天： 我們本可以把 AI 謹慎地融入人才成長，卻把它當成撤掉入門臺階的工具。 我們本可以設計讓人更聰明的流程，卻讓流程更依賴模型。

問題從來不是 AI 會不會改變開發(fā)（它早已改變）。問題是：我們愿不愿意守住那些讓這個行業(yè)變得偉大的“人”的要素——好奇、協(xié)作、傳承與責任。

今天不雇用的新人，就是明天缺席的資深。等我們意識到梯子不見了，再做梯子就晚了。