73%很刺眼，但先把口径说清楚。什么值得买站内文章《AI编程工具普及下的程序员职业重塑与未来发展方向》称，2026年初级CRUD开发岗位需求同比下降73%，中小公司普遍减少校招规模。这组数字指向初级CRUD岗位，不能外推成“所有程序员岗位都下降73%”。它提醒的是一个更具体的变化：靠重复编码换经验的入口正在变窄。
过去，很多新人从接口、表单和数据增删改查做起，在需求变更、线上故障和代码评审里慢慢建立系统感。AI编程工具接手更多重复实现后，岗位数量只是表面问题。新手赖以试错、理解业务上下文的任务也可能减少。岗位需求收缩与成长路径重构，落在了同一批人身上：公司减少对简单编码工作的投入，新人也更难靠堆代码量自然走到下一阶段。
2025年5月6日，智源社区转载的《25位IT大佬亲述：AI“吃掉”程序员》汇集了包括Anthropic CEO Dario Amodei在内的公开表态。标题很猛，里面更值得记住的是AI Impact Lab创始人Taren Stinebrickner-Kauffman的判断：AI会让高级工程师升值，让初级工程师贬值。
知乎文章《AI时代程序员不会失业？》把问题概括为“结构性错位”：初级程序员受到的冲击更大，中高级开发者和能适应AI协作方式的人更有竞争力。现有材料不足以推出“程序员整体失业”，能支持的判断更窄——重复性强的初级岗位正在承压，市场开始要求开发者承担更多判断和验收工作。
先练会定边界
AI可以生成函数、补测试、改接口，项目真正容易出问题的地方却常在边界：服务怎么拆，数据由谁负责，失败后如何回滚，延迟与一致性怎样取舍，权限在哪里收口。这些决定不会因为代码生成变快而消失，反而会更早暴露。
架构师能力首先体现在把模糊需求拆成可验证的系统，不必等到职级变化才开始练。可以从手头项目入手，画出调用链和状态流，列出异常分支，让AI承担一部分实现，自己负责评审和验收。评审时除了看代码能否运行，还要检查边界条件、依赖变化、数据安全与后续维护成本。
代码量不再是最有说服力的成长证明。能解释为什么这样拆服务、某个方案会在哪里失效，才说明开发者已经开始承担系统决策。
去具体行业里，把模型落下去
AtomGit开源社区的《2026版：35岁程序员转型大模型AI，完整路线与岗位拆解》列出的应用场景很宽，包括通用大模型交互、多模态生成、自动驾驶、工业质检、医疗AI、金融风控与投研分析。选择很多，真正可执行的办法是找准一个场景，把业务规则、数据和部署过程跑通。
金融风控涉及合规与权限，工业质检要处理设备联动、误报和现场流程，医疗AI离不开审核边界。模型调用只是工程链条中的一层。能把数据质量、业务规则、评测方法和上线后的责任链串起来，才算具备落地能力。
走AI Infra也是同样的道理。以CUDA迁移到昇腾910C为例，接口改通只是开头，复合算子、显存碎片和跨机通信都要实际排查。端侧部署同样受硬件约束。3B模型能承载多少个Agent，需要结合任务编排和运行环境判断，单看模型参数给不出答案。
Agent做得越多，流程越要可控
如果AI协作只剩让Cursor生成更多代码，或者把Prompt写得更长，进入真实业务后很快会碰到另一批问题：任务执行到了哪一步，模型有没有越权，错误由谁复核，执行失败能否恢复，结果怎样留痕。
售后退款Agent就是一个直观场景。订单核验、政策判断和退款执行需要清晰的先后关系，也要设置人工审核与失败出口。用状态机或LangGraph拆成节点和条件边，可以让每一步都有明确输入、输出和权限。顺畅回复只解决了交互问题，可靠性要靠流程设计来保证。
这类工作考验的是工程治理：给Agent划定工具权限，记录状态，设置人工接管条件，并为结果准备验收标准。开发者仍然要对最终输出负责，不能把模型生成内容直接当成交付物。
把AI素养变成可检查的作品
AI素养听起来很抽象，落到项目里其实很具体：知道模型容易遗漏哪些约束，能为输出设计测试和评测，清楚何时需要人工复核，也会考虑成本、延迟与数据边界。
简历上的作品也该换一种呈现方式。除了代码仓库，可以保留需求说明、架构图、评测记录和故障复盘；把AI生成的代码与自己的修改放在一起，解释哪些内容被接受，哪些被拒绝或重写。转向垂直应用，就写清业务规则和部署限制；转向Agent开发，就展示状态流、权限设计与异常恢复。
对初级程序员来说，继续把代码量当作成长本身，风险正在增加。73%能否代表更广泛的就业市场，仍需要更完整的数据；现有材料已经足以说明，初级CRUD岗位和传统练级路径正在承压。接下来更值得补的，是系统边界、业务判断、评测与兜底能力。AI把实现速度抬高后，这些能力才决定代码能不能进入生产环境。
