上周我去了一趟深圳出差，和我上一家公司的同事老白同学吃了一顿饭。
在这顿饭上呢，我们聊了一个非常火的话题：现在的各种 AI 工具，在写代码方面，已经超越 99% 的软件工程师了。
那么未来，像我们这样子的软件工程师的出路在哪里？
当时我们并没有探讨出来一个明确的结果。在坐飞机回北京的路上，我脑子里一直在想这个问题。我觉得在回答这个问题之前，是需要搞清楚这些 AI 工具还做不好什么样子的事情。
我从最开始用 Cursor，到 Claude Code，再到 Codex，已经有两三年了。所以我觉得我还是比较有发言权的。
这些 AI 工具做不好的事情，有这么几个点吧。
1. 独立判断哪道题值得解
这个需求值不值得做？
现在做是不是合适？
做到什么程度刚好？
哪些需求其实应该砍掉？
这背后需要业务理解、对组织有判断、具备优先级取舍。
2. 长期结果负责
AI 能写局部代码，但系统设计往往不是标准答案，而是取舍：
- 快一点上线，还是架构更干净？
- 用简单方案，还是提前抽象？
- 强一致，还是最终一致？
- 性能、成本、可维护性、安全性怎么平衡？
这些决策没有标准答案，只有“在当前上下文里最合适”。
3. 把一次任务升级成组织能力
AI 可以复用已有知识，但很难从真实的问题里，长期观察、试错、复盘，然后沉淀出新的知识和方法论。
比如：
- 为什么这类 bug 总是出现？
- 为什么这个模块总是难维护？
- 为什么团队协作总是卡在这里？
- 能不能抽象出一个组件、平台、规范、流程，把问题系统性解决？
总结一下啊
这三个核心能力是：
- 定义问题
- 系统取舍
- 沉淀方法论
所以这个事情给我的启发是：
像我们这样的软件工程师，未来要从“写代码的人”，转变成“知道什么值得做、怎么做最合适、如何让团队以后做得更好的人”。