2026年6月6日，我是一名软件工程师，今年完成了10年的职业经历。我开始我的职业生涯时是一名网页前端工程师（当时调试前端代码对我来说更容易，所以我选择了这条路），但很快转向（网页）后端，再也没有回头。因为一系列的巧合，一旦我踏入后端开发，我最终在金融、记账和付款处理等领域的开发角色上工作，在这里我享有很大的自主权，并与产品经理和利益相关者保持密切而坦诚的关系。我学到了很多关于这个领域的知识，以及如何有效地为其编写程序：PCI合规性、复式记账、托管、对账、支付生命周期、银行转账幂等性等。那么，显而易见的是，我应该专注于成为该领域的专家，以在专业人士中脱颖而出，并在一个显示出对领域专家需求不断增加的领域中区别于自己。第一个被侵蚀的支柱：领域特定知识。去年，我被一家金融行业的公司雇佣。到目前为止，我在一些确实在其运营/产品中有强大支付和金融组件的公司工作，但这些公司并不是完全以金融为焦点的公司。那家公司也全心全意地拥抱AI，因此我从第一天起就获得了ChatGPT和Claude Enterprise的账户，并被鼓励在我的研究、探索甚至编码中使用它们，尽管有警告说我仍然应该审查并拥有每一行进入生产的代码。我第一次参与的项目是重新打造遗留在线支付系统，这个系统一团糟。他们雇佣我（除了其他事）就是因为我在构建该系统上的经验，并信任我来完成这个任务。与我到目前为止所工作的其他公司不同，他们希望我在编码前撰写的"设计文档"对工程师和产品经理都能读懂，因此它们不应该是技术深入挖掘，而是更架构性视图。我在最小的AI帮助下撰写了我的第一个文档——当时我甚至把大型语言模型称为"随机鹦鹉"，但我现在不再这样认为——并提交了。我珍视我的知识，认为没有大型语言模型能够取代它。然后我的经理联系我：尽管你的代码交付速度不错，但你交付设计文档的时间太长了。你在使用AI吗？你应该更多地使用AI。“这不可能行得通，”我心想，但回答说好。那个时候的模型不如现在的模型好，但确实加快了我的写作速度甚至决策。然后我开始意识到：我多年来积累的所有知识：实现之间的权衡、获取流程、如何构建幂等性以防止重复收费，所有这些，变得毫无用处。尽管这些模型仍然需要一些引导，但它们能够将点连接起来，了解如何构建这样的系统，而这一点是只有通过多年的实践经验才能在大脑中发展起来的。这是我的第一次震惊。但当然，我想，他们能够做到这一点，因为网上有很多关于这些东西如何运作的文章，以及所有的技术文档，我们还有博客文章解释如何将技术工具应用于该领域。对于人类来说，学习所有这一切可能需要很长时间，但这是训练数据，因此模型可以学习到这些。模型永远不会擅长的地方，而这就是人类会闪耀的地方，就是调试！我在生产中调试竞争条件和分布式系统积累了丰富的经验。这是我长期就业能力的凭证。第二个被侵蚀的支柱：调试和分布式系统。当大型语言模型开始在编写文档和帮助规划实际实现方面表现出色时，它们开始在编码方面也表现良好。这始于2025年下半年，伴随着Claude Code的热潮，然后是Codex等等。虽然在此之前我每天都在使用大型语言模型编写单元测试，但我仍不信任它们编写完整的实现。自然而然的下一步是将更多AI引入编码中。说真的，我喜欢这样。我喜欢将东西发布到生产中，并看到用户的幸福，就像我喜欢编码一样，所以我是在用我喜欢的一件事情换另一件我也喜欢的事情，这是公平的。大型语言模型在编码方面变得越来越好，但它们仍然无法调试留下的混乱（无论是人为造成的还是其他），因此我仍然扮演着一个比引导机器人更重要的角色——这仍然是我就业能力的通行证。一切似乎都很好。然后来了MCP，代理工作流程和Claude 4.5，天空开始崩塌。坦率地说，Claude 4.5并不是那么好。给定堆栈跟踪和一些上下文，它解决了大约60%的错误（大多数情况下只需一个启用了Sentry MCP的Sentry链接）。有时它提供的解决方案听起来合理，但完全错误。然而，这一次，我停止了对机器的怀疑。我看到的错误在过去很容易被发现，