AI 写代码越来越强，AI 工程师为什么反而最难被替代？
来源：Latent.Space AINews（2026-03-11）| 随机比特原创解读
Cursor 能帮你写代码。
Devin 能帮你 debug。
Claude Code 能帮你重构整个项目——连注释都写得比你好。
你还剩下什么？
多数人看到这里会开始焦虑。但我想给你一个违反直觉的答案：
你，可能是最后被替代的那个。
这不是安慰，不是鸡汤，不是"AI 其实没那么厉害"的老论调。这是一个可以拆开来看的结构性分析。
先搞清楚：被替代的到底是哪种工程师？
不是所有工程师都面临同样的风险。要搞清楚谁先走，得先搞清楚谁在做什么。
有一类工程师，工作内容基本可以这样描述：接到需求 → 查文档 → 写代码 → 提 PR → 等审批。这是"执行层"——把别人的想法翻译成机器能跑的代码。
这个链条，AI 已经可以大量覆盖了。
Karpathy 上周发布了 AgentHub，他给这个项目的定位只有一句话：“GitHub is for humans. AgentHub is for agents.”
这句话说得很直白：Agent 的世界已经在搭基础设施了。GitHub 解决的是人类协作写代码的问题；AgentHub 要解决的是 AI Agent 协作完成任务的问题。两个生态，并行存在，但后者正在加速。
Latent.Space 的 AINews 同期还提到，前 Google 研究员 Yi Tay 提出了一个叫"Vibe Training"的概念：不看报错信息，直接把 bug 贴给 AI，让 AI 自己搞清楚是什么问题、怎么修。这听起来像是懒人操作，但背后意味着 AI 已经开始具备"自己理解问题上下文"的能力，不再只是机械执行指令。
<!-- diagram:layers -->
方向很清晰：重复性的、文档化的、可以被自然语言描述清楚的编码任务，AI 干起来比人快，成本比人低，而且这条曲线只会往下走。
如果你的工作主要是把设计稿翻成代码、照着 API 文档拼接调用、在既有框架里写 CRUD——这不是悲观预测，是你现在就可以看到的现实。
那为什么 AI 工程师反而是最后消失的？
Latent.Space 这期 AINews 采访了几位在 AI 前沿工作的行业领袖，汇总下来有一个判断，我觉得特别准：
随着 Agent 自主编码能力提升，最后留下来的那类人，是"需要懂 AI 局限性、能判断 AI 输出质量、并为结果承担最终责任"的人。
这段话翻译成白话：AI 写的代码，你得知道它哪里可能出问题。
这个能力，不是普通程序员天然具备的，甚至很多工作多年的工程师也没有系统训练过这个方向。
为什么 AI 生成的代码需要人来审？有三个核心原因：
1. AI 不懂你的上下文
AI 看不到你的业务逻辑全貌，看不到三年前埋下的技术债，更不知道你的团队有个不成文的规定"这个字段永远不要直接读"。它能做的，是根据你给的信息生成代码；你给的信息有多完整，它的输出就有多可靠。但"把完整上下文整理清楚"本身就是一件高度依赖人的事。
2. AI 不承担后果
生产事故、数据丢失、安全漏洞——这些风险不会落在 AI 身上。负责任的那个人，还是你。这不只是法律问题，也是判断问题：什么样的风险可以接受，什么样的风险必须拦住，这个判断 AI 做不了。
3. AI 不会主动质疑需求
你让它干什么，它就干什么。“这个需求本身就是错的”“这个功能做出来用户不会用”“这个设计会在三个月后变成一个巨大的坑”——这种判断，AI 不会主动说出来。
<!-- diagram:timeline -->
OpenAI 的 Jakub Pachocki 对 AI 自主研究能力有一个预测（来源：Latent.Space AINews Autoresearch）：能真正加速人类研究者工作效率的 AI 系统，大约会在 2026 年 9 月出现。
注意他用的词是"加速"，不是"替代"。
NousResearch 发布的 hermes-agent-self-evolution 项目，已经在用 DSPy + Gemini 做 AI 自我优化——让 AI 自动改进自己的 Skills 和 Prompts。这是真实的技术进展，不是概念。但仔细看这个项目的架构，循环里依然有一个"人类决策节点"。
不是技术上做不到完全自主。是因为当决策风险足够高，你需要一个真实存在的、能为结果负责的实体在循环里。目前满足这个条件的，只有人。
这就是 AI 工程师这个角色的结构性价值：不是因为你"懂代码"，而是因为你懂边界、懂风险、懂什么时候说不。
那现在应该做什么？
焦虑没用，调整有用。
把时间从"写代码"转移出来，投向 AI 暂时做不了的三件事：
1. 系统设计决策
当 AI 可以生成代码，你的价值锚点从"写"转向"设计"——这个系统应该怎么拆？服务边界怎么划？数据模型怎么建？扩展路径怎么选？
这些问题没有文档可以查，没有标准答案可以照抄，需要结合业务背景、团队能力、未来变化做出判断。这正是 AI 最薄弱的地方。
2. 审计 AI 输出的能力
这是一个新技能，但可以练。不是看代码能不能跑——能跑不等于没问题。要看的是：
- 边界条件有没有被处理？（空值、超长输入、并发情况）
- 安全假设是否成立？（谁有权限调用这个接口？输入有没有做验证？）
- 这段逻辑在极端情况下会不会炸？
练习方法很具体：找一个真实项目，用 Claude Code 或 AgentHub 来做，你只提需求、问问题、做决策，不写一行代码。然后看自己能不能把关住最终质量。
3. 多 Agent 协调能力
未来的工程工作，越来越接近"管理一群 AI 实习生"：你把任务分解好，分配给不同的 Agent，检查每个 Agent 的输出，处理它们之间的冲突，最后整合成一个可以交付的结果。
这是人对人管理的变体。工具换了，但核心能力——清晰沟通、拆解目标、识别问题——还是人的事。
执行层消失，判断层留下
说清楚了。
被替代的是执行层——接需求、写代码、提 PR，这些 AI 正在接管。
留下来的是判断层——懂系统、懂风险、懂 AI 的边界，能对结果负责的人。
AI 工程师这个角色，本质上做的就是判断。判断这件事，目前 AI 还做不好。
所以"AI 工程师将是最后消失的工种"，不是为了让你好受说的，是逻辑推出来的。
你觉得再过两年，AI 工程师的日常工作会变成什么样？是更爽还是更难？欢迎留言说说你的判断——这是一个比较少有确定性的话题，听听不同的看法很有意思。
来源：