2025 可以说只要是开发者都绕不过 AI ，时至今日你说你不用 AI 写代码我是不信的，但是直到最近我才发现，我似乎已经把 AI 的能力当做自己的能力，这种错觉体现在，昨天我用 AI 五分钟做出这下方这个动画效果：
❝
不知道有没有人能看出这个动画里的梗。。。。
又或者说，用了 10分钟复刻了别人写的这个效果，代码连接在最后：
自从有了 AI 之后，有问题可以让 AI 解读，有需求可以让 AI 分解，比如我想做上面那个动画的时候，只需要让 AI 先根据我的表述给出数学公式，然后根据公式再让 AI 实现和组合代码，而这个过程我只需要点一点运行，预览下效果符不符合我的要求，然后我就觉得自己强的可怕。
这种错觉经常让我陷入以为自己“无所不能”，在提效的同时，心态似乎也在慢慢的走偏，比如这段时间以来，我通过 AI 复刻和尝试了许多特效，虽然偶尔需要我介入修改问题，但是大多数时候都是在 Vibe Coding ，而看着这些充满想象力的炫酷动画，那种自以为是的心理就会被 AI 无限放大。
但是现在想来，你真的理解过这些动画吗？真的有去了解他们的实现原理和实现逻辑吗？就算事后看过，不是你写的东西，过后还有印象吗？也让我想起了 Anthropic 在 《How AI Is Transforming Work at Anthropic》 文章里提到过的：
❝
“我以为我喜欢写代码，其实我只是喜欢代码跑通的结果”。
这也让我开始怀疑，我究竟是喜欢写代码，还是只是单纯喜欢跑通产品？在这个过程中，AI 带来的短期能力提升，很容易就让人对自己的定位产生误差，实际上这个过程有没有发现你的能力可能正在倒退？
这种职业认同的危机不只是外部开发者有， Claude 内部开发者也有这个焦虑，所以未来 AI 对于开发者的影响，还可能会带来新的职业价值观的重构，所以有人感到迷茫：如果写代码这个动作本身不再重要，那么以后作为软件工程师的身份认同建立在哪里？
❝
而在这个过程里，AI 能显著增加产量并扩展个人可承担任务的范围，但同时带来技能退化风险。
如今 AI 越来越强已经是时代必然的浪潮，而 AI 现在的缺陷也会很快被时代所修复，就像 Google 的 Nested Learning 论文介绍的，现在大模型的问题在于大模型无法在训练后继续学习，因为目前的大模型只有极快且短暂的记忆（In-Context Learning）和冻结的长期记忆（Pre-trained Weights），这个问题在于：
❝
当前模型缺乏将“即时对话”转化为“长期参数”的机制，也就是它们缺乏中间的频谱：那些应该从短期逐渐变为长期的记忆。
但是这个问题已经被他们通过全新的 HOPE 架构攻克，未来能“吃一堑长一智”的 AI 也许离我们就不远了，所以编程能力对于程序员来说，未来是一个什么地位？这个职业的核心竞争力又在哪里？
在开发实现过程中 AI 很强，但是我们需要清晰的知道，AI 的强大的编程能力并不是你的能力，而作为程序员，你竞争力也不再是：
- 熟练掌握某些框架和 API
- 精通某个语言和语法
在这些方面，人是跑不过机器的，就像 《 OpenAI 使用 Codex 在 28 天内构建 Android 版 Sora》 里介绍的：
❝
在使用 GPT-5.1-Codex 之后，在短短 28 天内，不仅完成了繁重的开发任务，还创造了上线 24 小时生成 100 万视频、99.9% 无崩溃率的应用，在这个过程里AI 可以 24 小时无间断编写代码和自我修复，28 天通过 50 亿 token 完成了正常需要几个月的产品上线。
所以从这里可以看到，你如果想和 AI 拼编码能力肯定是拼不过的，就像 OpenAI 最后总结的：未来的开发工程师的能力不再是打字速度或语法 API 记忆，而是对系统的深刻洞察力。
直到看到 OpenAI 和 Anthropic 等模型公司对于程序员未来的思考时，我才明白不能再沉迷于 AI 编程给自己带来的“成就感”，因为那是 AI 的能力而不是你的，你用 AI 可以做到，那别人用 AI 是不是也能做到，那你的职业竞争力在哪里？
❝
未来的开发者，强的可能不是代码能力，而是项目管理和 AI 驯服能力。
所以未来程序员的职业能力肯定会发现变化，比如 2026 对于开发者来说，短期的价值会体现在如何驯服 AI，因为现在的 AI 还是一批脱缰的野马，他的保证就像是“事前”的承诺，各种言之凿凿让你相信它：
而事后提起裤子，出问题了它可半点不认，所以如何驯服 AI ，同时如何管理和做好大模型善后工程师，这将是程序员短期内的职业变化。
而如何驯服 AI ，其实也很简单，那就是不要上来就让 AI 执行需求，而是给 AI 规划好需求和规则，把 AI 看作是一个“高能力但缺乏背景的资深新员工”，而你负责架构设计、用户体验和最终决策，而 AI 负责写代码、单元测试和需求落地。
因为 AI 的短板在于目前对于需求的理解还不够，也不擅长得深层的架构权衡（经常为了实现功能而把代码写乱），因为它的 Context 有限，所以经常都会比较片面去理解项目，所以作为程序员，你需要做的是：
- 先规划后代码：先让 AI 理解系统并编写“设计文档”，纠偏后再执行
- 背景信息驱动：通过各种文件文档为 AI 提供规范和上下文，比如各种 rule 和模块描述
- 增加技能支持: 通过各种技能描述让 AI 能力增加，比如 CC 可以通过 skills 加载各种插件来辅助能力提升
举个例子，比如你要用 Flutter 做一个 Wallet App ，而任务是开发一个TransactionDetail模块，需求是：
- 必须遵循 Clean Architecture (Domain -> Data -> Presentation)
- 数据敏感，金额精度（Decimal）、哈希脱敏显示有严格规范
- 状态管理，强制使用
riverpod_generator+freezed
那么在 Claude Code 场景，首先接下来你需要做的会是：
一、增加 Skill
这里的核心是教 AI“在这个团队里，如何标准化地生产一个 Feature”，例如创建一个skills/flutter-clean-feature/：
SKILL.md---name: flutter-clean-featuredescription: 能够按 Clean Architecture 标准生成全套 Flutter 功能模块usage: "当用户想开发新页面或功能模块时使用"---# 标准工作流 (SOP)AI 在执行此 Skill 时，必须严格遵守以下顺序：1. **Phase 1: 领域建模 (Domain First)** - 读取 `references/domain_rules.md`。 - 优先定义 Entity 和 Repository 接口。 - *Check*: 所有的金额字段必须使用 `Decimal` 类型，禁止使用 `double`。2. **Phase 2: 架构脚手架 (Scaffolding)** - 调用 `scripts/scaffold_module.py` 自动生成文件夹和空文件。 - 路径结构必须是 `lib/features/<name>/{data,domain,presentation}`。3. **Phase 3: 实现与绑定** - 实现 Repository 时，必须使用 `fpdart` 处理 `Either<Failure, T>`。 - UI 层必须使用 `AsyncValue` 处理加载状态。references/domain_rules.md(知识库)
- 包含团队约定的 Clean Architecture 分层图
- 包含 JSON 解析的通用错误处理模版
assets/repo_template.dart(模版)
- 预置了带有
Either返回值的 Repository 接口模版
scripts/scaffold_module.py(自动化工具)
- 一个 Python 脚本，接受模块名参数，自动在
lib/features/下创建标准的文件夹结构和基础文件（解决 AI 有时候懒得创建文件的毛病）
二、增加上下文信息
核心思想就是告诉 AI “这个项目现有的基础设施是什么” ，比如项目维护一个CLAUDE.md，提供项目级上下文：
# CryptoWallet Project Context## 技术栈- Flutter 3.24- Riverpod (Annotation mode only)- Dio (已封装在 `lib/core/network/dio_client.dart`)- UI Kit (所有按钮必须使用 `lib/core/widgets/app_button.dart`)## 现有能力- 格式化工具：`lib/core/utils/formatters.dart` (包含 hash 截断、货币格式化)- 路由：GoRouter，路由定义在 `lib/routes.dart`三、先规划后代码 (Plan)
可以利用 Claude Code 的交互能力，先加载 Skill 进行规划，审核无误后再由 Skill 中的 Script 自动执行，例如：
1. 启动与规划
❝
“使用 skill: flutter-clean-feature，我要开发一个 TransactionDetail 模块，输入是 txHash，需要展示交易金额、时间、发送方和接收方。”`
❝
Claude (加载 Skill): *读取 …/SKILL.md…*读取
CLAUDE.md..Claude (输出规划): 根据Clean Feature SOP，制定了以下计划：
- Domain: 定义
TransactionEntity…- Scaffold: 运行脚本创建
lib/features/transaction_detail/...目录。- Data: 实现 Repo，调用 Context 中提到的
DioClient。- Presentation: 使用
riverpod_generator创建 …。请确认：是否需要支持“交易状态（成功/失败）”的枚举？
2. Review 优化
❝
User: “需要。另外，UI 上金额显示需要调用
formatters.dart里的方法，不要自己写格式化逻辑。”
3. 执行
❝
Claude: 收到。开始执行。
(Claude 内部触发 Skill 中的 Script)Run script: python skills/flutter-clean-feature/scripts/scaffold_module.py transaction_detail：
❝
Terminal Output:
✅ Created lib/features/transaction_detail/domain
✅ Created lib/features/transaction_detail/data
✅ Created lib/features/transaction_detail/presentation
*(Claude 继续编写代码)*Claude 根据assets/repo_template.dart填充transaction_repository.dart，并根据CLAUDE.md里的规则，引入了dio_client.dart。
······
是不是觉得很繁琐？是不是觉得一轮整下来我需求都写完了？但是这就是使用 AI 的趋势，只有这样才能控制和管理好 AI 的代码，不至于让 AI 写出一坨屎山，而随着你对工程文档和技能补充的完善，你的开发速度就会越来越快，AI 也能像是你多年的老哥们一样懂你需求，比如 ：
❝
CLAUDE.md确保了 AI 不会引入http库（因为它知道有Dio），也不会手写丑陋的按钮（因为它知道有AppButton），它理解了项目的现状，知道有什么技能可用，然后通过规划很你完成确认，这些写出来的代码和项目才是可持续维护的。
最后，这一年里我出了用 AI 写代码之外，也开始尝试用 AI 去解决和尝试代码之外的事情，因为 AI 所以我敢于尝试一些以前不敢接触的领域，因为过程学习成本太高，而现在 AI 提供了另外一种思路：
❝
我不需要真的懂，我只需要让 AI 去做就好了，而我只需要提供想法和验证结果。
2025 即将结束，而 2026 也会如期而至，而 AI 的浪潮从未停歇，愿你我都能在新的浪潮下找到自己的位置~
代码
https://github.com/CarGuo/gsy_flutter_demo
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
