一名拥有十年经验的软件工程师，发现自己在金融支付领域积累的三大核心竞争力——领域知识、调试能力和架构品味——正被大语言模型（LLM）迅速削弱。AI 已能高效处理领域设计、自动修复复杂的分布式系统错误，并生成代码，使工程师的角色转变为审核和引导。他观察到，多年的专业积累正在贬值，行业重心从领域专家转向通用工程师，这让他对未来的职业生涯感到迷茫和焦虑。
第一个被侵蚀的支柱：领域知识
我曾在金融、簿记和支付处理领域工作多年，积累了大量专业知识，例如 PCI 合规性、复式记账、支付生命周期和银行转账的幂等性。我曾认为，成为该领域的专家是我职业生涯中最坚固的护城河。
然而，在一家拥抱 AI 的新公司，我被要求使用 AI 来撰写设计文档。起初我对此表示怀疑，但很快发现，尽管模型需要引导，但它们已经能够理解并构建复杂的支付系统。
我多年积累的知识——关于不同实现方案的权衡、如何构建幂等性以防止重复扣款——所有这一切，都变得没那么有用了。模型可以连接这些知识点并构建出系统，而这曾是需要多年实践经验才能掌握的最难部分。
我曾以为，AI 的能力仅限于此，因为网络上有大量关于这些主题的文章和技术文档作为训练数据。我安慰自己，人类在调试复杂系统方面的能力是机器无法替代的。
第二个被侵蚀的支柱：调试与分布式系统
随着 AI 编码能力的提升，我开始乐于将编写单元测试等任务交给它们，这让我能更快地交付产品。我当时认为，虽然 AI 能写代码，但它无法处理遗留代码或复杂错误，因此我的角色依然重要。
然而，当 Claude 4.5、GPT 5.5 等模型与各类代理工作流出现后，情况彻底改变了。
- 过去需要花费 一整天 全职调试的 Bug，现在被 AI 一次性解决。
- 即使是缺乏完整可观测性的分布式系统中的复杂 Bug，AI 也能处理。
- 包括竞态条件、意外的边界情况、第三方集成问题等，90% 的 Bug 如今都能被自动化工具解决。
我仍然有工作，因为总得有人审查代码并引导 AI。但我现在只是一个普通的工程师。我没有任何一个高级工程师用 LLM 无法匹敌的领域专长。我所有的金融支付领域知识、调试直觉和分布式系统经验，现在都可以通过提示词获得。
市场正在将所有人都塑造成通用型工程师。当每个人都变成通用型人才时，如果需求没有相应增长，那么这类人才的价格就会下降。
第三个尚未倒下的支柱：代码质量与架构
我职业生涯中剩下的最后一个支柱是代码质量和软件架构，如今这被简化为了一个词：“品味”（taste）。
我一直热衷于重构、编写整洁的代码，并深入研究领域驱动设计（DDD）、六边形架构和整洁架构等理念。这是我真正热爱并擅长的领域。
但问题是，现在似乎没人关心这个了。AI 代理在组织代码方面做得很差，如果不加引导，它们会制造出循环依赖、重复代码和各种不符合设计原则的混乱代码。这本应是人类工程师价值的体现，但行业风向变了。
当然，我们不希望代码库变得完全无法维护。但一个 C 或 D 级的代码库现在是可以接受的。没人再需要 A 或 B 级的代码库，因为它们是为 LLM 而非为人类阅读而制作的。
如果源代码的读者从人类变成了机器，那么降低对人类可读性的要求或许是合理的。但这同样意味着我在这方面投入大量时间所积累的知识，其价值正在迅速流失。
接下来该怎么办？
虽然我目前工作稳定，但我对长远未来感到迷茫。我花了十年时间掌握的技能，其价值正变得越来越低。
大约八个月前，公司进行了一次裁员。一些非常出色的前同事至今仍在找工作，他们面临着和我一样的问题：领域专长不再是突出的优势。公司现在招聘时，职位描述从“软件工程师 - XX 领域”变成了统一的“软件工程师”，入职后才分配具体团队。
这对于那些没有机会深入特定领域的优秀工程师来说是好事，但对于我们这些将职业生涯押注于领域知识的人来说，却感到悲哀。
唯一的出路似乎是转向一个 LLM 不那么容易掌握的领域。但我该转向哪里？去读数学和统计学，然后去前沿实验室做研究？还是干脆把我的木工爱好变成职业？我不知道答案。