AI没有贬值初级工程师，反而提升了其价值

AI 没有吞噬初级工程师的价值，反而提升了它。

2026 年 8 月 18 日 · 4 分钟阅读

"AI 吞噬了初级工程师的边际价值。"这是上一篇文章关于这个话题收到的反馈。根据这个论点的描述，初级工程师的工作大致如下：

存在一个需求，需要一个解决方案。更资深的人（高级工程师）来规划它、设计它。

高级工程师将工作拆分成多个小任务，明确需要采取的步骤。每个任务分配给一名初级工程师。

初级工程师执行任务，这在当下意味着向 AI 工具提问，然后创建 Pull Request（PR）。

PR 收到来自更资深工程师的反馈。初级工程师拿到反馈，再次将其提交给 AI 工具，提出修改建议。

如果上述流程就是实际发生的情况，我们为什么还需要初级工程师？他们只是在传递请求（有时候还夹杂噪音），而且还要支付全职薪资。这说得通。

在我们下结论之前，让我们看一个不同的故事。或者说同一个故事，只是以不同的方式来呈现。

在我们的产品中，有一个功能被需求了很多年，但一直没有实现。它并不复杂，但也并非关键。或者说，对足够多的客户来说不够关键，以至于无法越过优先级门槛。这意味着年复一年，一些客户因为没有他们需要的功能而感到沮丧。

今年夏天，我们把这个问题交给了一名实习生（比初级工程师资历更浅）。这位实习生主导了这个功能的开发。他们与产品经理沟通，了解问题和需求。他们撰写了设计文档，说明如何实现，并与团队对齐，然后构建出来。当然，他们是在 AI 和所在团队的帮助下完成的。

但他们主导了整个过程。他们处理了不一致性，理解了技术领域和产品领域的权衡。他们在发现问题时调整了方案。最终交付了价值。AI 确实生成了大量代码，但决策是他们做的。一个本不会被解决的问题现在被解决了。由一名实习生完成，成本极低。

所有工程师都在管理复杂度。不同的是管理多少。

除了任何公司未来都需要高级工程师这一事实之外，初级工程师仍然有价值的原因非常务实。

初级工程师仍然为组织增加了产能。这是因为工程师的工作不是根据规格说明来写代码（或向 AI 工具提问），而是用软件解决客户问题，并在决定如何做的过程中管理技术复杂度。这适用于所有工程师。Staff 工程师管理大量复杂度。初级工程师管理少量复杂度。但角色是相同的。

这超越了编码。它需要理解问题，也需要理解客户视角。它需要理解，如果你以特定方式构建一个功能，它将导致特定的权衡。而这些权衡超出了 AI 能决定的范围，因为它们需要比代码库更广泛的上下文。技术决策仍然非常重要，初级工程师对此有所贡献，使组织能够做更多事情。

培训实际上变得便宜了很多。对于早期资历工程师来说，大部分培训成本是理解公司的技术上下文，即大型代码库和架构的细微差别，以及提供软件基础培训，如语言、工具、模式。

在过去，这要么需要初级工程师自身投入大量的主动性，去研究主题和学习，要么需要更资深的同事投入实际的人力成本，他们花时间解释基本概念。这种努力并没有被消除，因为来自人类的上下文对软件生产力仍然至关重要。但很多这类工作可以用 AI 来快速搞定。

原生 AI 能力很有价值。作为一个行业，我们不能在职位描述中说工程师需要具备原生 AI 能力，然后不雇用最符合这一描述的人。如果假设 AI 将从根本上简化角色的技术部分，那么那些在职业生涯初期就接触 AI 的人，一旦获得了经验，将处于最佳位置。

回到前面的例子，实习生交付的功能已经被需求了很长时间。它不够重要到被优先处理，但又需要太多判断力以至于不能交给 AI。这类任务存在于每个团队中，并且将继续存在。AI 扩展了每个层级能处理的事务，包括初级工程师。

比这更重要的是，工程组织将继续需要技术判断力。而你组织未来的判断力，应该现在就开始培养。