AI 对初级工程师的影响，很难用单方面的「赋能」或者「替代」来概括。

图｜近期微软给六万员工发的自愿离职方案

Anthropic 招聘经理 Felix Rieseberg 最近给初级工程师提了一个颇为乐观的判断：「饥饿感胜过资历」（Hunger beats tenure）。

他的理由是，过去工程师的影响力很大程度上受限于经验，即熟悉多少框架、写过多少系统、能否快速完成实现等等；但 AI 正在降低这些能力的稀缺性。

一个新人如果能找到重要问题，就可能借助 AI 迅速做出原型，而不必先用多年时间积累执行的资本。

他给出的建议是，上班不要只盯着分配给自己的任务，要理解公司的业务目标，提出一个足够重要的想法，然后尽快把它做出来。

在博客里，他还举例两位相对资浅的工程师用一个周末做出了 Claude Code 图形界面的原型，首个公开版本约八天后发布。

曾经有那么多人买下《算法与数据结构》，希望借此打开好工作和更好未来的大门，现在编程面试的消亡不过是软件工程迈向更高抽象层次的又一个里程碑。

AI 快速制作的原型不只是一个技术demo，更像是一种绕过组织资历的沟通方式。与其等待别人相信自己的判断，不如直接把判断变成可以被看见的东西。

个人更容易做出成果，不等于公司需要更多新人

但同样是在 Anthropic，10 月中旬的另一份内部研究报告提供了一组不那么轻松的数据。

自 2025 年初以来，其技术部门初级员工占比从 21% 降至 14%；初级技术招聘占比下降得更快，从 27% 降至 9%。

图｜Anthropic 入门级岗位减少，左边为技术部门，右边为非技术部门，蓝色是新招聘员工中初级员工的占比，粉色是现有员工中初级员工的占比，橙色是招聘岗位中初级岗位的占比。

这两条信息看起来矛盾，但它们回答的是两个不同的问题：一个已经获得机会的新人，能够创造多大的影响？一家高度使用 AI 的公司，又需要设置多少初级执行岗位？

而原因可能是同一个，那就是「执行」正在变得便宜。

因为执行不再昂贵，一个新人可以借助 AI 完成过去需要更多人、更长时间才能完成的工作；也因为执行不再昂贵，组织可能不再需要通过大量初级岗位来获得这些执行产能。

个人杠杆上升与入门机会收缩，是同一枚硬币的两面。

图｜「Anthropic 的就业情况正在发生怎样的变化」报告

当然，占比下降也不等于初级员工的绝对人数同比例减少，报告也明确指出，Anthropic 的技术招聘绝对人数仍在增长，只是销售、财务和招聘等职能扩张得更快。

这也只是一家高速增长、AI 使用程度极高的公司的内部样本，很难直接代表整个软件行业，更不能把所有变化都归因于 AI。

但它至少提示我们，「AI 能增强工程师」与「AI 会增加工程师岗位」，并不是同一个命题。

工程师的价值正在向两端移动

执行被重新定价，并不意味着工程能力不再重要，它更可能意味着，工程师的价值正在从标准化的实现环节，向工作的两端移动。

一端是上游的判断：什么问题值得解决？用户真正需要什么？一个原型应该验证什么？面对多个都能被 AI 快速实现的方案，究竟该选哪一个？

另一端是下游的控制：系统是否可靠？权限是否恰当？结果能否被审查？出现偏差时，人能否及时介入？

Anthropic 平台工程负责人 Katelyn Lesse 最近也发布了一篇文章，《工程师要解决的一组新问题》，她也是从工程师的「身份危机」开始讲起，AI 接手越来越多编程工作，有人觉得自己的技能正在失去价值。

但真实的情况是 AI 越能自主干活，工程师就越需要解决「怎样让它可靠、安全、可控地干活」的问题。

她认为接下来一两年，多智能体系统会带来大量值得深入研究的工程问题；她把多智能体系统带来的工程挑战归纳为基础设施、身份与权限、安全与隔离，以及监控与紧急停止。

这些问题并不因为模型更擅长写代码而自动消失，反而会随着智能体数量、权限和运行时间的增加而变得更加重要。

一个被攻破的智能体，可能把注入指令传递给其他智能体；一个长期代表用户工作的智能体，需要清晰而持续的授权；成千上万个智能体同时运行时，还需要不可被其自身篡改的监控，以及能够真正切断整个系统的停止机制。

图｜Netflix 纪录片「失控的人工智能」

这些仍然是非常「硬」的工程问题。

因此，AI 压缩的是中间那段边界清晰、答案相对确定的执行过程。越靠近「决定做什么」和「确保系统可控」的两端，人的责任反而越难被取消。

这对「资深」提出了更实际的要求，熟悉框架、库和实现技巧仍然有用，但积累最终要体现在人的决策上，像是能不能少走弯路，能不能识别原型掩盖的问题，能不能在系统扩大之前发现风险。

对新人来说，机会增加的地方，是提出想法后更容易动手验证。新的压力则是，交付一段能运行的代码，越来越难单独证明自己的贡献。

Anthropic 的招聘变化也在印证了这一点，招聘经理越来越强调候选人的自主性和判断力，相对而言，不再那么强调狭窄的领域专长和具体实现能力。

真正的难题，是职业阶梯的第一级

然而，对初级工程师说「你需要展示判断力」，也带来一个新的问题：判断力从哪里来？

Anthropic 招聘经理 Felix 在自己的博客里说，他也还没有完整答案，他正在简历和作品集中寻找能体现产品品味、用户同理心，以及有原则思考的小原型。

很显然，判断力通常不会凭空出现，而是在真实问题、失败反馈、协作冲突和责任承担中逐渐形成的。过去的初级岗位虽然包含大量重复执行，却也提供了观察复杂系统、参与真实决策和积累组织信任的入口。

如果这些岗位被压缩，企业就可能同时提高两件事：对新人判断力的要求，以及新人获得判断经验的难度。

「周末做出一个原型」可以帮助个体证明潜力，却无法独自解决这个结构性问题。原型能够展示品味和主动性，但维护真实系统、理解长期后果、协调不同团队、对错误负责，仍然需要持续的学习环境。

所以，企业需要重新设计的，不只是面试题，而是初级岗位本身。

如果初级岗位不再主要提供廉价执行，它是否可以更明确地成为一种判断力的学徒制。让新人负责边界清晰但真实的问题，审查 AI 的输出，参与方案取舍，解释自己的错误，并逐渐拥有对结果的责任？

同样，招聘也不能只寻找那些已经有条件做出漂亮个人项目的人，否则「看原型、不看资历」也可能形成新的筛选偏差。毕竟，并非每个人都拥有充足的时间、设备和试错空间。

AI 可能让一个有想法的新人更快被看见，也可能让尚未获得平台的新人更难被看见。

过去，「会写代码」本身就是一张重要的入场券；未来，它可能越来越像一种基础能力。

新的差异在于，我们能否找到值得解决的问题，能否指挥 AI 完成它，又能否判断结果是否值得信任。

但对企业而言，问题不能止步于寻找已经具备这些能力的人。「饥饿感胜过资历」或许正在部分场景中成立，但饥饿感不会自动成长为判断力。它依然需要真实问题、持续反馈和承担责任的机会。

图｜Claude 的使用情况与不同岗位初级员工就业变化之间的关系，横轴是 Claude 处理任务的复杂程度，纵轴是初级员工人数增长（对数点），每个圆圈代表一个职业类别，圆圈越大，说明该职业在 2026 年 1 月的初级员工人数越多。虚线从左上往右下倾斜，说明

当旧的第一级职业阶梯开始松动，下一代资深工程师又应该从哪里成长起来？