https://bingorun.cn/tags/%E8%81%8C%E5%9C%BA/Recent content in 职场 on 蔡大锅's BlogHugo -- gohugo.iozh-cn©2025-2026 沪ICP备2025139614号-2 | 沪公网安备31011502407735号https://bingorun.cn/posts/chengkonggan-bei-ai-chidiao/Mon, 19 Oct 2026 11:40:00 +0800https://bingorun.cn/posts/chengkonggan-bei-ai-chidiao/<p>前几天刷 linux.do，看到一个<a href="https://linux.do/t/topic/3043057">帖子</a>，标题挺唬人：从手搓到唠嗑式编程，程序员的价值正在消失。点进去本以为又是贩卖焦虑的老三样，结果评论区比主帖好看，一群人七嘴八舌，把这事聊出了两层意思。</p> <p>第一层，黑盒。</p> <p>有条回复说得特别实在：手搓时代，每一行代码都是自己敲的、自己看过的，逻辑长在身上。现在全程 AI 唠嗑式生成，整个系统成了黑盒，有人问起某个具体的逻辑点，只能答得模棱两可。靠业务吃饭的底子，就是这么一点点丢掉的。</p> <p>这话我特别有共鸣。以前排查线上问题，脑子里能把调用链画出来，哪层缓存、哪个事务、哪里会脏读，门儿清。现在让 AI 一顿输出，跑是跑通了，可真被问一句「这个分支为什么这么写」，心里多少是虚的。代码还是那些代码，但从「我写的」变成了「我批过的」。中间差的那点东西，叫掌控感。</p> <p>第二层，焦虑得先问来源。</p> <p>帖子开头也有人慌：AI 迭代太快，技术栈眼看着崩塌，DDD 那些概念越来越模糊，大家不研究技术了，净产烂 demo，老板就想着赶紧拿 demo 换钱。底下立马有人怼回去：说疯狂学也赶不上 AI 的，是自我否定。AI 既不全知全能，也没法完全替代技术。天天追着它的新优势学，那确实没意义——下个月就换代了。</p> <p>真正让人心里发凉的，不是 AI 写代码有多快，是 demo 经济的浮躁。</p> <p>有人讲了个真事：他们产品用 AI 做了个 demo，兴冲冲发给他看。他点开一看，是个 localhost。蚌埠住了。</p> <p>这不是个例。有人说老板跟 AI 着了魔，高产期一天出十个 demo，打包就准备出去卖；主业里有点业务逻辑的系统快没人维护了，CRUD 都腾不出时间看。还有人拿一个只有页面的 demo，就准备硬刚别人的成熟产品，关键是这种想法不在少数。产品经理做的 demo 压根不知道什么叫持久化，偏偏不懂技术的 leader 看着界面炫酷，就觉得这东西能赚钱。后端还在纠结稳定性和可维护性，速度上已经输了。</p> <p>最伤人的还在后头。vibe coding 搞不定的，最后照样丢给程序员，丢完还补一刀：「AI 一个小时就能解决，为什么你要一周？」环境、架构、中间件，做的时候要命，展示的时候隐形，行业外的人看不见，就当你啥也没干。嘴笨的人，在这个时代格外吃亏。</p> <p>评论区里也有人看得开：随缘就好，反抗不了，能享受享受。</p> <p>但不用太丧，反方的理由都挺硬。代码可以机器输出，设计和思想还在程序员手里，往后拼的是设计规范，手速反倒不值钱了。也有人说，大体量项目的核心是工程管理，写代码只占生命周期的开头，后面还有漫长的迭代和维护。程序员不把关，项目就脚踩西瓜皮，滑到哪算哪。</p> <p>原帖里最冷静的一条总结：价值不会消失，但岗位减少、竞争加剧、行业贬值，可能是真的。</p> <p>行业没有神话。手艺进了黑盒，得自己把自己捞出来。</p>https://bingorun.cn/posts/ye-wu-ding-wei-shi-ji-zhe-zhen/Mon, 19 Oct 2026 10:30:00 +0800https://bingorun.cn/posts/ye-wu-ding-wei-shi-ji-zhe-zhen/<p>前几天刷 V2EX，看到<a href="https://www.v2ex.com/t/1249646">一个帖子</a>：研究生学历、英语不错、做外贸，能不能转行金融。底下从业者的回复出奇一致——别只看光环。</p> <p>看完我倒觉得，职业选择和训练模型是一类问题：算力有限、数据有限，你得想清楚训哪个任务。区别只是模型的算力按 GPU 时算，人的算力按年月算。汤无定味，适口者珍；业无定味，适己者珍。</p> <h2 id="行业的天花板是资源堆出来的">行业的天花板，是资源堆出来的</h2> <p>金融高薪岗位干的是同一件事：对资源定价、帮资源变现。资金、人脉、名校背书、信息渠道，都是别人入场前就攥在手里的东西。</p> <p>模型圈的人对此不会陌生。顶级模型的分数是海量算力和数据堆出来的，资源不够，天花板就摆在那儿。你在网上看到的逆袭故事，多是幸存者偏差——你看到了训出来的那一个，没看到背后无数没训出来的。</p> <p>所以看行业别盯着顶端案例，看中位数。就像评估模型，不能只看它发挥最好的那一次。</p> <h2 id="拿自己的数据训合适的任务">拿自己的数据，训合适的任务</h2> <p>楼主的优势是英语流利、外贸沟通扎实，短板是缺科班、缺人脉。硬冲投行投研，等于拿稀缺的数据硬训一个不熟的任务，多半训崩；把强项放到跨境业务、渠道这类赛道上微调一下，才是顺手的事。</p> <p>兴趣也不等于职业。读几本投资书，只是往训练集里加了几条数据，离靠它吃饭还远。</p> <p>两件事也别搞混：学金融知识自己理财，是给自己训练；去金融机构打工，是替机构训练。你的算力在为谁的目标跑，先想清楚。</p> <h2 id="别-all-in小心过拟合">别 all in，小心过拟合</h2> <p>想进金融也分层看：核心岗（投行、投研、量化）门槛极高，普通配置别硬上；能落地的岗位各有难处，销售类收入波动大、极度依赖客户资源，中后台稳定但天花板低。至于外汇、虚拟币、不知名财富公司，数据有毒，直接丢弃。</p> <p>实操上：多找在职的人聊考核和提成，别只信网上的故事；投递用冲刺、稳妥、保底的组合，比 all in 一个行业泛化得好；证书是辅助，不是答案。</p> <p>还有一条要紧的：客户是公司的，离职带不走，那就是一次性劳动。能力长在自己身上的，才是走到哪带到哪的权重。</p> <h2 id="收尾">收尾</h2> <p>机器学习有条没有免费午餐定理：不存在对所有任务都最优的模型。职场也一样，不存在对所有人都最好的行业。</p> <p>行业没有神话。选对任务，攒好数据，慢慢训。业无定味，适己者珍。</p>