题主文笔不错。我跟题主心路历程差不多，也矫正了自己以前判断失误的地方（比如觉得 AI 概率模型，总是有 corner case ；约束能力用自然语言来做的根本缺陷之类的；实际上，只要叠加更多步骤，消耗更多 token ，那么概率上出错的可能性会被不断降低，从而迸发出让人觉得很不可思议的可用性程度）。

不过我始终还是认为 AI 发展还是有核心困境的：1. 模型底层的核心模块是 attention ，这导致了上下文窗口的扩大成本是平方级别的，各种优化和压缩手段都是 trade-off 并不能真正解决平方级别的成本增长（算力/存储都是平方级，而 scaling law 显示的是整体性能提升需要的成本提升是指数级的）。2. 数据量的需求是难以被满足的，并且需要的数据质量越来越高，采集的方式目前几乎把历史的全部耗尽了。未来只能通过现实世界(没有任何加速时间的手段，只能以扩大并行的方式)来直接采集。上面两个核心的困境，意味着 AI 基础能力的发展的速度已经变缓，现在日新月异的进步只是通过消耗有限的上下文资源，搜集得到的更加长链的带轨迹的数据形式，外加通过精妙的工程手段来锦上添花。不过即使发展速度受限于如此，AI 仍然展现了惊人的，可以替代软件工程师的“实力”。（甚至是替代任何脑力劳动者）

从原理来说，(a)由于上下文的限制，AI 始终需要一个全局 guidance 。另一方面，(b)由于整体 AI 系统缺乏类人的长期目标性/人格/记忆等等机制，AI 的行为也还是始终需要人类来指导。但我不觉得后者一定无法克服，人类的上下文可能也是有限的，更精妙的记忆提取技术也许会被研发出来，AI 会某种程度上更加逼近人类。最后一个方面，(c) 就是基于物理规律的世界上，是 AI 很大的障碍（所谓具身智能），数据的采集成本极高（要部署大量传感器或者机器人），同时现实世界的时间是不能加速的。考虑到上面三点，软件工作的方面如果是纯逻辑性的，AI 还是有望完全自己工作来解决，不需要任何人引导（短期之内还是难）；而软件工作如果涉及到对现实的模拟，AI 大概率还是处于长期需要人类来指导的水平。

此外，不同的人使用 AI 的效能是完全不一样的。传统古法工程师所建立的直觉和经验，会体现在使用 AI 的效能上。这也许会变成一个难以培养的能力，但我也不那么乐观。高度的抽象能力，不一定必须建立在对底层细节的掌控上，就好比很多人并没有理解数学分析的底座、实数连续统、测度集合论，仍然可以用简单的加减法、微积分来解决问题。因此，古法时代人员的优势终究会消磨殆尽，新时代的人也能在 AI 时代下建立同样的经验和直觉。

真正的问题是，软件工程师的评价体系。古法那套显然有局限性，而新的评价的方式也很难。唯成果论的评价方式，在我看来可能更加简单直接。比如直接安排一个高难度的系统的实现，作为评价指标。

至于行业是否需要这么多人，我理解可能会短期之内需要人变少，长期反弹回来。短期内，AI 带来的是成本节约，但同时也让竞争变得更加激烈，原本的 90 分产品，在 AI 时代必须达到 95 分才能存活下去。这种预期要求的提升，反而会导致更多的工程成本。但短期内的成本节约和预期要求的提升达到平衡，也就意味着工程师的需求会迎来反弹（因为整体趋势仍然是更多的领域乃至新领域，都需要更多的软硬件开发）。

而在最远最远的未来，AI 必然是会全面降临的，那时候必然是全面替代人类，不仅仅是软件工程师。

我就自己找了个海外住宅节点，搭中继。哈哈。不用担心这些。

我其实一直觉得，新手被裁可以理解，毕竟 AI 就代替了。老手被裁，企业属于没想明白。AI 总归还是需要有人来用的，老手发挥的效力远大于新手，并且在 AI 跑偏和死循环的时候，可以用经验改善 AI 的效能。
诚然，AI 提升了开发效率，看起来企业似乎不需要更多人了。但问题是，市场并没变，而可以承接需求的公司变多了，结果必然是，同样的价位下，要求的产品质量更高了；公司想要存活，也不能靠旧版本的质量来竞争了，反过来，要求公司付出更多的劳动成本。这么一个拉扯下，按理说，老手工作并不应该找不到才对。被裁，要么就是这个公司本身也是要失去竞争力了，反正早晚这公司也要死，因为只想到降本，但真的还能像以前那样稳住市场地位么？
以上是我个人看法。
p.s. 转 Agent 开发就安全么？ AI 最先革命的领域肯定是 AI 工程师更加熟悉和擅长的领域，Agent 工程师门槛肯定也会被 AI 急速拉低，变得也不需要那么多 Agent 工程师，或者 prompt AI 一下，里面一个 agent 开发就搞定了。我觉得转方向不如在原有领域里做的足够深入比较好。

这么艰难的么……

agi 离我们很遥远 √
是因为成本高 ×

6 ，应该直接卖钱，订阅。

客户端一键配置，以及客户端网络接入问题。
我个人更希望比如类似这里的 subpool 的东西，部署到海外机器上。这样似乎封号风险会降低？（我也不太了解，欢迎拍砖。）
我虽然觉得，代理池部署国内节点，然后这个节点走单独的网络链路，也是一个方。不过不管哪个都需要一个稳定的网络链路的解决方案，其实和上面的也没太大差。无非是网络方案在服务器还是在客户端上。
但更进一步考虑，比如代理池不是直接请求外部 api ，而是直接对一些 coding agent 的 cli 进行封装，那么部署海外节点风险似乎更低。（并且，我觉得有的供应商就是只允许自家 cli 接入，也不提供 api 接入，这种情况说不定还会在 cli 上做各种探测动作，发现 ip 或者什么东西不对，就触发风控，也挺恶心的）

我对 AI 整体感觉就是：大力出奇迹。并且确实很强。但我对 AI 未来的预期，还是偏保守的。

AI 虽然一直在变强。但它的缺陷，并没有真正被攻克：幻觉、不确定性。现在的技术手段更倾向于，用更多的 对齐训练、context/harness engineering ，降低出大问题的概率。但这些缺陷就会被进一步转移到其他看起来不那么是问题的地方，并逐渐累积，直到，项目整体出现结构性问题。（这些都有解决手段，但都需要外力，不能单纯靠 AI 解决；因为有了额外的人力约束，因此 AI 的需求并不是无限的）

主流观点上，AI 还在进步，还在爆发。从 AI 行业商业角度上来说，是对的。从 AI 工具的本质能力来说，我认为并不是，未来 AI 也很难在短期内有更加亮眼的表现。（吹牛会有更多，但我对 Anthopic 和 OpenAI 目前的吹牛，并没觉得会带来更大的需求提升；因为这些方面的人，已经在用 AI 了；而所谓的能力提升，也只是一个子方面的能力，比如我后续说的，容易模拟获取到结果的领域，比如黑客方面，系统会给出对应的反馈；并不是通用基础能力）

首先说一下所谓的爆发。最近几年 AI 带来的提升，本质来源于 context/harness engineering 这样的 Agent 开发手段。但利用这个技术，提升是明显有上限的。本质上是写一些 if/else 来优化 LLM 模型的用户体验。但这个方式并不能真正提升 AI 。历史上的第一次人工智能危机前，就有人认为靠写 if/else 足够多，程序就能成为真正的智能一样（当时还甚至有顶级的研究员认为一个暑假差不多就能搞定 AI ）。那么那次后来的结果，就是 AI 研究沉寂很多年。本轮会不会也是一样呢？我想我的判断是是，但也不完全是，因为还有基础模型能力提升的故事可以讲。

说到 AI 基础模型的提升。我认为，目前已经变缓了。高质量的数据燃料有限，AI 只能指望自己生成数据，用生成的数据继续提升自己，类似 AlphaGo 那样的思路。但 AlphaGo 所面临的世界是简单的，确定性的围棋规则，因此生成数据和环境交互下，是能进一步得到有效数据来提升的。因此 AlphaGo 有很多优势：围棋对局可以快速模拟，规则有明确边界。这样情况下的围棋 AI ，超越了人类。不过即使这么有利的条件下，AI 也并没有真正求解围棋（很显然，围棋的所有可行对局，在数学上是有限的，那么就有一个最优解，即必胜的下法；但围棋 AI 并没有求解到这个解）。回过头来，看现实的 LLM 对应的 AI 。如果走同样的路子，那么也需要能自己生成有效的训练数据，也需要和环境交互才能得到。这个环境是什么？是人类社会的语言交流。但人类产生数据的速度，无法追上 AI 消耗的速度；确实，人类一直在产生大量数据，但 AI 需要的是可以超越自身性能边界的，更高质量的数据。此外，同样和环境交互生成数据，LLM 对应的评估标准也不那么明确（ AlphaGo 则可以直接根据围棋规则给出结果），更关键的是，没法快速模拟（有人会说，LLM 模拟人，互相对话，这样可以快速模拟。但问题是，需要突破 AI 能力边界的数据，这种让 AI 自己生成，不借助外部帮助，还是很困难的。不过，这个思路也有价值，就是可以快速蒸馏其他更强的模型，哈哈）。（另外，某些子领域，AI 会更有作为，比如黑客，是否入侵成功，明显是系统可以快速给出回馈的；只要搭建一些蜜罐系统，用来训练模型，那么这方面能力显然会有巨大的提升。但这个并不能完全算作 AI 的基础能力，只能说某些领域就是有 AI 训练的潜力）

基于上述思考，我的判断如下：
1. context/harness engineering 还有提升用户体验的空间，进一步释放基础模型的能力。但它的边际收益会逐渐减少。目前看起来，代码开发方面提升效率约 50%-200% 。并且很可能是上限。因为一个人类，可以有效消耗 token 是有上限的：取决于人类 review 代码的速度是怎么样的。诚然比写代码快，但肯定比不过 AI 生成的速度；因此，最优解应该在，生成的数量恰好达到人类 review 数量的上限。基于这个看法，token 输出其实并不需要无限供应（目前，实际上主要的 token 消耗是在 Agent 自己内部，做 context/harness 的时候，消耗掉的，但这个也会到达 context window 、token 成本、推理速度，这些约束下的一个平衡点）。这个点来看，我认为短期，3-5 年内，AI 体验会上升，单价会更贵，需求随着更多人使用 AI 工具开发而进一步释放，但效率提升和成本的比值很可能会更早达到上限。（我这里没讨论 vibe coding 。vibe coding ，我认为更适合原型生产阶段，不适合严肃的工程开发； vibe coding 可能也许创造一些快速原型的开发工程师的岗位，但交付的产品，除非不考虑维护，否则肯定要人类 review ，这也是自然语言和代码细节本质的差异导致的：即人类掌控项目才能控制项目迭代长期稳定不崩溃）。
2. 靠 context/harness engineering 。但上限肉眼可见：token 成本，和靠 if/else 本身就是历史失败路径。对此不能抱有太高的预期。用户体会到的 Agent 能力大爆发，靠基础模型+这些 engineering 整体达到的。不要小瞧了这些 engineering 的能力。但，可惜上限的存在。
3. AI 基础模型的提升，目前已经不再是爆发期，而是一个稳态慢速提升。由于 AI 基础模型能力进步，只能靠 AI 搜集更多高质量数据（比如开发者和 Agent 交互的轨迹数据），以及协助研发更加快速逼真的仿真系统（通过仿真系统来得到更多数据，当然聚焦于更加 specific 的领域；仿真系统，并不完全是物理仿真，软件环境仿真，某些具体的 case 可以仿真，也是 ok 的）； scaling law 时代目前基本已经结束，数据和硬件都没办法指数增长。

可以预见的未来是：AI 公司最终还是要商业化的。AI 要想赚钱，得有客户，并且得有更多客户； AI 如果想要进步，需要有客户，因为要采集客户的高质量数据；最终，不可避免的，高水平 AI 还是会被后发者蒸馏，除非不发展客户了；最终，不会存在高质量的通用 AI 被垄断，除非先发者不考虑商业化赚钱。行业的终态，还是会变成成本比拼、生态工具链比拼。各个非 AI 基础服务公司，对 AI 的使用也会“去魅”，限制 token 用量，更合理的评估 token 单位成本带来的收益，并保持让 token 单位成本收益，和 人类工资单位成本收益，达成一个一致。（当然，specificialization 的 AI 有可能可以被垄断，有专门的用途）

短期来看，AI 并没有充分供应。需求缺口大。因此，AI 产业相关的上游，长期应该会不愁订单，迎来黄金发展期。但当需求增长放缓，就会迎来 AI 泡沫破裂的时期。（条件是（需要同时符合）：harness 相关技术达到效益瓶颈期，潜在的生产力用户都已经进入 AI 生态，企业学会 token 成本相处并冷静对待 AI 带来的效益提升。不过，到了这个时候，我估计更多的 AI 数据中心也建的差不多了，token 成本下降，供应也会更加充足。大概有多久？不好说，我暂时预判 3-5 年。很可能被打脸，比如 AI 再次不靠基础性能，再次扩大用户需求面，我感觉挺困难的，目前能用 AI 的都在用，已经扩大的很大了）

现在能力确实暴增，之前 方案 C 不太行。现在 方案 C 可行。尤其是如果是对于很多工作来说，并不需要多高质量的代码，AI 质量基本满足要求。claude 和 codex 我觉得都写的不错，有问题你指出来目前也能较为精准的控制具体改哪些。文档管理同步，skill 积累，反而变得更必要了。
如果代码质量要求高，方案 B 。
如果要求更高且 AI 训练库里基本见不到的模式，方案 A 。
对前端来说，大部分都是 C ，少部分 B ，很少量的 A 。我的判断是这样。
D 也可以，不过不是做产品，是快速做原型。review 也不用太 review ，让 AI review+test ，只迭代功能+人类测试一下。

除非 AI 技巧就是主线……哈哈。比如，我看现在搞 AI 生成数字资产类的公司挺多。而且也有变现不错的。确实大家都可以尝试，大概有个几万块钱就可以起步了。

@bigxixi 确实，毕竟老板不干细节工作。不过，老手的话，AI 替代不了，老板开了其实也容易找到下家。

我觉得其实当前社会主要对新手越来越不友好，行业准入门槛会变高。哪怕新手学会怎么玩转 AI 也没啥用，因为本身不是太难替代的技能。要想难替代，就得更深入更专业，这样才能发挥更大的 AI 效率。但新手被铺天盖地的 AI 新闻淹没，如何找到正确前进的路呢？如何能切实有效提高自己能力，也让 AI 效率能更大发挥？其实行业更需要这类资深的工程师（也即专家）。这类人，基础扎实，适配 AI 也容易。而想成为这样的专家，需要投入精力学习的并不是 AI 技巧，而是戒骄戒躁，深度积累。毕竟和 AI 配合相对来说是更简单的事情，等需要的时候再学也来得及；一直焦虑不停的研究 AI 用法技巧反而耽误主线。

对了，游戏地图场景里的那个。还有个要求，是要有足够的多样性。这块其实还挺难评估的，所以，如果只能产生 trival 解也是没用的。而什么是多样性，我把生成地图搞成可视化的工具，然后肉眼看是不是足够“多样”。。。也许可以抽象出多样性的指标，但我觉得这个也是不必要的麻烦。因为地图生成主要作为工具使用，而算法随机性，保证了足够次数的扰动后，地图就是“多样”的。

@happynewday123 感谢推荐。我去试试。

@WithoutSugarMiao
也许是我技术姿势和水平的问题。在我看来用 Agent 实在太累，这两个 case 手写+AI 辅助反而挺轻松的。

@WithoutSugarMiao
我的两个场景：
1. 期货系统仓位管理。哪怕是逐仓模型。我不能按照常见教学里的方式来强制平仓。需要计算保证金率，考虑手续费（双边手续费，有时候还是仅单边货币支付的），考虑资金量的滑点不同，流动性差异也会导致滑点不同，等等的。因此公式需要手动推导，还要设计一些预设的参数，最终达成一个可控的强制平仓。（由于这些过于细节，AI 来写总是错误很多；无奈手写。当然，里面还有跟各个模块的复杂交互，比如结算系统，这块 ai 写得也不容易维护，理解起来很难）我觉得你可以尝试以下纯 AI 做一个真正可实用的交易所，兼顾各种细节问题。
2. 游戏里地图生成的图论算法。类似杀戮尖塔那样的地图。但我有更多要求：同类节点在图中的距离约束、起点到终点 path 上必经类型节点数量的约束。然后进一步考虑，要有足够的多样性。算法上基本需要启发式+局部随机变异+回溯，存在无解和无穷解情况。工程上要求，我可以随时添加更多约束条件。AI 写出来的主要问题是算法是错误的；需要人类不停的补充各种 case 测试（但这个比较复杂，太费时间。随便搞个地图都大几十个节点）。最后，我切换成我手动写，AI 来 review 的模式，进展稳定了很多。简单测试 case 下，我还是能保证实现正确的。复杂的测试 case 本身就构造起来很费劲，干脆没弄。

下面是我用 Agent 模式得到的一些经验：

1. 不再 DRY ，不再遵循很多设计模式。对 AI 来说，相似功能重写一套代码，灵巧复用很难。而即使代码量大，AI 也能快速阅读理解，因此修改上的难度也降低了。（但我认为，引导的人，也需要更加专业了；需要知道一个地方的修改，会引起多个位置的 bug ，需要有这种敏锐的判断）
2. 用静态语言，用工具链更完善的语言，以及公开代码更多的语言。这种语言，对 AI 更友好。（这意味着很多语言的使用度，会被 AI 偏好所影响；对 AI 来说语言学习的难度没有意义；但对很多技术人员来说，放弃自己的语言偏好，并不容易接受。）
3. 更多的测试和 review：单元测试、集成测试、e2e 测试，以及 AI 在各种位置加入 review 。（以我用 Agent 的经验来说，可以更好的驱动 Agent 收敛到自己想要的实现效果上；至于实现方式，可能非常 dirty ，大量临时的 trick 。需要通过架构能力来隔离这些污染，以及降低作为技术人员的品味。和 AI 配合不能那么“洁癖”；）
4. 更多的文档化。这点没什么好说的。我在用 Agent 模式，会专门维护 AI 的计划文件夹和常用 prompt 模板。以及写好的代码让它多 review 产生模板。
5. 比起使用 mcp ，更多可以考虑使用 cli 工具。（后者可用范围更广，前者还需要支持 mcp server ；并且对 AI 来说，好的 cli 输出更多，不太影响它的理解和执行；并且 CLI 其实人类也方便用）
6. 更多的管理工作。把 Agent 当成多个初级技术人员，每个有自己的偏好。因此，管理上，多强调规范，但也要能容忍代码上的各种微妙细节的问题。对文档也要及时更新。其实管理工作本身，似乎也可以用 Agent 来解决。（这块我没太尝试）

上面这些是我用 Agent 模式自己的+看到别人的，得到的总结。最后就是期待 AI 进一步降本增效，以及我能更加精进我协调 AI 的能力，比如在项目上做更好的抽象分离，让更多模块可以被 AI 做而不会影响人工的模块（目前对我来说还是挺难的，可能我技术能力不够；我目前整体还是用 AI 辅助，少量模块才会 Agent 模式）。

我应该属于 20%支持者+80%反对者。

你说的各种方式和主流工具，我几乎都用过。技巧上问题也不大，prompt 方面我最早相关论文都看过。我自认为至少在编程方面，我的使用程度算是比较深的。

支持和反对，主要取决于自身专注的项目上。

支持者：代码和技术框架常见（开源代码多）、需求常见（同样也是开源实现多）、对产品质量要求不高（能跑起来，能验证功能和想法）、维护场景少（很多项目甚至是一次性的，比如：数据爬取、清洗、分析；一部分外包项目；个人自娱自乐项目；或者干脆是作业）。这条路上的基本都是支持者。（当然这条路也能赚到钱，需要快试+投流；显然的一点是：机会窗口有限，门槛低会非常卷，市场环境会逐渐在这些大量较低质量的产品/内容中口味变得越来越挑剔）

反对者：项目逻辑和细节复杂、技术需求不常见、对产品质量要求高、维护场景多。这条路上反对者多。主要原因是 AI 的辅助功能确实提效很高，大家也会深度使用。但是 Agent 方面能力，导致可控性变差，项目理解成本骤升，Debug 成本骤升；往往用 AI 可以快速完成项目 90%，然后剩余 10%花费超过原本时间 10 倍的时间才能解决好。综合使用下来，用辅助的效率反而更高，用 Agent 却解决不了很多细节方面的问题（注意：因为质量要求高，所以很多细节问题看起来是不能容忍的）。我个人偏这条路，曾经用 Agent 协助完成的，和项目耦合度较低但内容和设计上相对不那么常见（开源解决方案极少），最后都返工了。现在仅保留那种，确保不会污染到主逻辑的模块、或者独立的工具类项目，会采用 Agent 来推进，剩余时候主要靠 AI 的辅助和人工来推进。（当然这条路肯定也是能赚钱的，相对上面的轻快尝试的方案，更加难+重，且市场理解上的错误可能带来很大的失败；好处也是有的，沉淀和积累上会更有收获。）

我现在整体想法是，保持我的态度上相对应比例的时间投入，1：4 。用 1 的时间，快速尝试 Agent 方案，解决一些不重要问题，以及后期尝试在市场里试试。用 4 的时间，关注到主力方向和项目上，不被贩卖 AI 焦虑的人影响。

@firefox12 这几天没空登录。抱歉才回复。我想强调的是，首先你说的这些 AI 确实能做，但不会像你说的那么容易，你可以试试；以及不用 AI 以前也能做，AI 本质只是降低了你起步的成本，而后续迭代的成本主要看你项目推进的程度了，到了一定程度后，AI 能辅助的成本下降也是有限的。其次，法律合规问题，你可以不管，我也没啥好说的。最后，我说想要靠这种盈利和赚钱，需要的不是技术，而是其他的东西，是 AI 搞不定的，需要你搞定的，这也是主要的矛盾。。。不知道你咋理解的。
一句话总结：纯靠 AI 不行，还得靠人。至于人的方面，你到底行不行，那主要看你，我说了也没用啊。

1. 数据获取问题。太多人说了，不再提。
2. 数据质量问题。很多数据本身是假的，有误导或者欺诈的嫌疑；对人类来说也并不那么容易过滤，所以大厂才会有专门针对这方面的算法和策略组，还要配套产品和运营的抓手，你确定只用 AI 能搞定？
3. 你说的这些功能，也有类似的 app 。什么值得买，之类的，建议你仔细研究一下。以及为什么它们做这些能赚钱。如果你去做，但做出来不赚钱，为什么要去做。

只能说你想得太简单了。开发软件本身也不是多难的事情，你说的这些这么没有现在的生成式 AI 的时候难道就做不了么？