AI 时代的思考：我们到底应该具备哪些能力
写下这篇文章的今天，我做了一件事：从零开始搭了一个个人博客——选型、写代码、复刻一套设计风格、写文章、安全审查、部署上线，整个过程几个小时。代码我没有逐行敲，设计稿不是我画的，连安全扫描都是工具链自动跑的。你现在正在阅读的这座网站，就是 AI 时代生产力的小小标本。
所以这篇文章不是我“关于 AI 的看法”，更像一份亲历者的观察报告：AI 正在消解什么、放大什么，以及站在这个时代，我们到底应该把宝押在哪些能力上。我有十几年网络工程背景，算不上 AI 从业者，但算是重度 AI 使用者——我的观察未必全面，但足够真实。
一、AI 到底改变了什么：稀缺性的转移
要讨论“应该具备什么能力”，先得想清楚“什么变得不值钱了”。
我的判断是一句话：AI 没有替代任何职业，它替代的是所有职业中“执行层”的那部分。写代码这个职业没有消失，但“把明确需求翻译成代码”这一层正在急剧贬值；设计这个职业没有消失，但“把明确风格落成像素”这一层正在贬值；运维没有消失，但“按 runbook 执行操作”这一层正在贬值。
这带来一个根本性的变化：稀缺性的转移。过去的价值公式是“价值 = 知识 × 执行力”——你知道怎么做，再把它做出来。现在执行力被 AI 大规模平价供应了，于是价值公式变成了“价值 = 问题定义 × 判断力 × 执行力”，而后两项的执行成本趋近于零，稀缺的是前两项。
用我自己的行业举例：十年前，一个能熟练配置 BGP 的网工是好网工。今天，任何一个大模型都能给你写出语法完美的 BGP 配置。那 BGP 知识贬值了吗？没有，贬值的只是“会敲”。知道“这条 peer 要不要加 route-policy、加了之后谁会受影响、出问题怎么回滚”的人反而更值钱了——因为 AI 可以给你一百版配置，但为哪一版签字画押、让它进生产，仍然需要一个能承担后果的判断者。
为什么这一次不一样
有人会说：历史上每次自动化浪潮都这么喊，最后都过去了——流水线、计算机、互联网，每次都有人失业有人转岗。这次有什么不同？我认为有三点质变。
一是通用性。以前的自动化替代的是“特定任务”（计算器替代心算、挖掘机替代铁锹），人总能退守到“机器不会的那件事”上。生成式 AI 替代的是“能力本身”——写作、 coding、分析、设计，这些横跨所有行业的通用能力第一次被机器触及，退守空间小了很多。二是对话界面。技术第一次不需要你学——不用写 SQL 才能用数据库，不用懂 PS 才能修图，会说话就能用。使用门槛的坍塌，让冲击速度比以往任何一次都快。三是自我加速。AI 正在被用于开发更好的 AI，这个反馈循环让“等它稳定了再学”的策略彻底失效——它不会稳定，它在飞。
但硬币的另一面也别忽视：历史上的每次浪潮，最终创造的新岗位都多于消灭的。这一次大概率例外不了——只是新旧岗位之间的转换窗口会比以往任何一次都短，短到“先观望两年”就可能变成永久掉队。这也是我写这篇文章的原因：把思考提前，把行动提前。
二、在贬值的东西：诚实清单
不用回避，先诚实地列一列正在贬值的能力：
信息搬运与复述。把公开资料整理成报告、把文档翻译成中文、把会议纪要提炼成要点——这类“信息的物理搬运”已经接近免费。你的核心竞争力不能建立在“我知道一个别人不知道的链接”上。
模板化产出。套模板的 PPT、八股化的周报、格式正确的公文——AI 生成这些东西的中位数水平，已经超过大多数人认真写半小时的水平。
单点技能的“熟练”。熟练使用某个软件、记住某套操作步骤——熟练度是 AI 最擅长复制的东西。Photoshop 熟练工、只背命令行的网管、只会套 CMS 的建站者，护城河在被快速填平。
初级的“完成”。能跑起来但没考虑边界条件的代码、能看但没有洞察的图表、能交但没有体现取舍的方案——“完成但不优秀”的产出，正在被 AI 的量产碾过。
注意一个细节：贬值的不是这些领域的全部，是其中的执行层和中间层。这和上一节说的“稀缺性转移”是一回事。
还要单独立一块警示牌，给一个特别容易中招的贬值项：“熟练使用某个工具”本身。很多人把职业安全感建立在“我软件用得最熟、系统摸得最透”上——抱歉，工具熟练度是 AI 最先吃掉的那层，因为“会用工具”恰恰是可以被完全语言化的技能。工具会越来越自然语言化，工具培训会越来越廉价。你的安全感应该建立在“工具背后的原理”和“工具解决不了的问题”上——前者让你换任何工具都不慌，后者让你永远有活干。
三、在升值的东西：另一份清单
与贬值对应，这些能力在快速升值：
把模糊变清晰的能力。AI 最怕的不是难题，是模糊题。“帮我做个网站”产出平庸，“复刻 MiMo 官网的纸面编辑风，暖白底、大字排版、悬停黑白反转”产出惊艳——差的不是 AI 的能力，是问题的清晰度。而把老板一句“弄个博客”翻译成清晰的规格，是人的活。
验证与证伪的能力。AI 会一本正经地胡说，而且语气比人类更自信。它能写出跑不通的代码并声称“已测试”、能编造不存在的 API、能给出看似合理的错误归因。越是依赖 AI，“验证”就越是硬通货——能快速判断“这个答案对不对、这个方案有什么隐患”的人，才能安全地把 AI 的产出转化成价值。
品味。当“做出来”变得廉价，“做得好”就变得昂贵。AI 能给你十个方案，但判断哪个更优雅、哪个更克制、哪个三年后不会让你脸红——这是品味。品味很难定义，但它的来源很清楚：见过足够多的好东西，并且认真想过它们为什么好。多看一流的作品、多复盘二流的作品，品味就是这么攒出来的。AI 时代，品味是普通人和大师之间最后一道可见的差距，也是最值得投资的一道。
人与人的信任网络。有些事永远只能在人与人之间发生：托付、背书、共担风险。“这个人靠谱”这句评价，AI 给不了你。技术越平权，信任越稀缺——在人人都能产出漂亮东西的时代，“被人放心”是终极竞争力。
领域纵深。这是最容易被误读的一条，展开讲。
四、核心观察：AI 放大专家，也放大错觉
我观察到的最重要规律：AI 是专家的杠杆，也是外行的迷幻药。
对专家：AI 把他们从执行中解放出来，让他们可以在同样的时间里做十倍的架构比较、跑十倍的方案推演——专家的判断力乘以 AI 的执行力，产出是乘法效应。我这次搭博客，之所以能一路快下去，是因为每一个 AI 给的方案我都能快速判断好坏：它提议用某个字体方案，我知道中文字体子集化的坑；它生成的 CSS 我扫一眼就知道会不会破坏响应式；它说“部署完成”，我知道要去验证哪些东西。AI 没有替代我的专业，它放大了我的专业。
对外行：AI 让他们第一次能“做出完整的东西”——外行现在也能让 AI 生成一个能跑的网站、一段看起来专业的分析。这当然是伟大的平权。但它同时制造了一种新形态的达克效应：产出看起来专业，掩盖了判断力的缺席。网站能打开，但不知道安全头缺不缺；代码能跑，但不知道性能地雷埋在哪；分析像模像样，但不知道数据源根本不可信。
区别在什么时候显现？在出事的时候。平时，专家和外行用 AI 做出的东西看起来一样好；流量上来、攻击来临、故障发生的那一刻，有没有判断力一目了然。所以我的结论是：AI 时代个人的第一策略，是把至少一个领域打穿到“能判断对错”的深度，然后用 AI 在这个领域疯狂变现你的判断力。广度可以靠 AI 补，纵深没法外包——因为纵深恰恰是你判断 AI 产出的那个坐标系。
职业选择矩阵：四个象限
把这个规律展开成一张职业风险地图。按“工作内容以执行为主还是判断为主”、“产出是数字形态还是物理形态”划四个象限：
- 数字执行（纯执行层的数字工作：基础编码、文案套写、数据搬运、美工套版）：冲击最大最直接，转型窗口期最短。身处此象限的紧迫任务是向“数字判断”象限迁移——从写代码转向审代码、定架构、做验证；
- 数字判断（架构师、技术专家、产品决策、安全审计、质量验证）：AI 时代的第一受益象限，杠杆最大。要警惕的是“判断力懈怠”——AI 越好用，越容易不知不觉把判断外包给 AI，最终自己沦为 AI 的橡皮图章；
- 物理执行（现场施工、设备操作、仓储物流）：短期受冲击相对小（机器人还贵），但长期趋势明确，且一旦被替代几乎没有回旋。应尽早叠加“数字判断”能力——从接线员变成懂自动化运维的现场工程师；
- 物理判断（复杂现场处置、紧急抢修、精密手术、高级技工）：最坚挺的象限，因为它的核心是“在不可完全信息化的现实中做即时决策”。可以主动拥抱 AI 做辅助——AR 眼镜看图纸、AI 辅助诊断——但主体地位难以撼动。
这张图不能精确预测个人命运，但提供了一个重要视角：你的转型方向，大概率是向右上方移动一格——执行者补判断力，数字人补现场感，物理人补数字化。一格，就够了。
五、能力清单之一：提出好问题的能力
把上面的观察落成具体能力清单，第一条是问题定义能力。
好问题的标准不是措辞华丽，而是约束完整：目标是什么、边界在哪、不要什么、成功的标准是什么、有什么限制条件。同样是“帮我优化这个网络”——平庸的提问得到平庸的泛泛建议；“这是拓扑和流量基线，核心到接入收敛比 4:1，ERP 高峰期卡顿，不想动核心设备，给出三个方案并排序”——得到的是可执行的方案。
练习方法也很朴素：每次向 AI 提问前，先强迫自己用三句话写下“目标、约束、验收标准”。这个习惯的价值超出与 AI 的对话本身——它训练的其实是工程沟通的元能力。你会发现能问出好问题的人，向人类同事求助时同样高效。
给一个网络行业的实例对比。平庸的提问：“BGP 网络经常抖，怎么办？”——你会得到一篇泛泛的 BGP 故障排查综述。好的提问：“两条运营商专线跑 eBGP，近一个月每天上午十点左右路由抖动、切换时段丢包，链路误码测试正常，BGP 日志显示 hold time 超时，怀疑与对端维护窗口或 QoS 策略相关，请给出排查路径和验证方法。”——你会得到一条精准的、可以直接执行的排障路径。两个提问之间的差距，就是问题定义能力的差距，也是市场愿意付溢价的部分。
六、能力清单之二：验证与证伪的能力
第二条：把“默认怀疑”内化成本能。
AI 的产出要过三道检验：对不对（事实与逻辑——它编造的 API 参数、虚构的论文、错误的因果，都披着专业的外衣）；适不适合（对的可能不适合你的场景——通用最优解未必是你的约束下最优）；有没有更深的坑（表面上解决问题的方式，会不会在别处埋雷——用不安全的方式实现功能是最常见的坑）。
具体到操作层面，我的习惯是：AI 给的代码必须跑过才算数；AI 给的结论要找一个独立信源交叉验证；AI 说的“已完成”要亲眼确认。这不是对 AI 的不信任，是工程上对一切“未经验证的断言”的标准态度——我们从来不会因为运维平台说“变更成功”就不做业务验证，对 AI 也应该一样。
这项能力的背后其实是一种更古老的东西：责任感。愿意为产出签字的人，才会真正去验证。
展开说一个正在形成的共识：Review 是新的阅读。过去工程师的核心输入是读文档、读代码；现在，AI 生成的代码量大到你不可能逐行精读，于是“高效审读”成了独立技能——快速识别这段代码的逻辑骨架、边界条件缺失、安全隐患，而不是逐字理解它。审读速度，正在成为衡量资深工程师的新标尺。这项技能没有捷径，它依然建立在“你亲手写过足够多烂代码”的基础上——又是一条例外：AI 加速一切，除了判断力的原始积累。
七、能力清单之三：领域纵深与系统思维
第三条和第四条放在一起说：纵深给你判断力，系统思维给你取舍能力。
纵深的价值前面已经论证了——它是你评估 AI 产出的坐标系。补充一个新变化：纵深的积累方式变了。过去积累纵深靠” years of scars”——一个个故障踩出来。现在 AI 可以加速这个过程：让它给你推演故障场景、生成实验环境、扮演面试官拷问你的知识盲区。伤疤还是别人的，但教训可以提前预演。我用 AI 学新协议的速度，比十年前快了一个数量级。
系统思维则是对抗 AI 的另一个天然盲区：AI 擅长局部最优，全局取舍是你的活。AI 会给你写出性能最好的排序、最优美的单个组件，但它不知道你的团队接不接得住、预算够不够、三年后这个选择会不会变成包袱。架构师的价值从来不是“会画图”，是在速度/成本/风险/可维护性之间做有担当的取舍——这件事 AI 只能提供素材，拍板的必须是人，因为拍板的本质是承担后果。
举一个我行业里的例子。AI 可以帮你把某个网段的 ACL 优化得非常精巧——条目更少、命中更快。但它不知道这套 ACL 牵着三个业务的变更冻结期，不知道上一任维护者在一行注释里留过“勿动”的教训，更不知道公司明年要把这个机房整体搬迁。系统思维就是那双看见“代码之外”的眼睛：时间维度（技术债与演进路径）、组织维度（团队认知与协作成本）、风险维度（爆炸半径与回滚代价）。这三个维度 AI 都能给你素材，唯独“权重怎么定”，永远是人签字。
八、能力清单之四：人机协作的“驾驶能力”
第五条：驾驭 AI 本身，也是一项需要刻意练习的能力。
同样是驾驶 AI，产出差距可以到十倍。差距来自几个具体的驾驶技术：任务拆解——把大目标切成 AI 能高质量完成的粒度，而不是一句“帮我做个系统”；上下文管理——知道该给 AI 看什么（相关代码、约束、先例），不让噪音稀释关键信息；过程介入——什么时候放手让它跑，什么时候叫停纠正；工具组合——不同模型各有所长，编排它们就像编排一个团队。
还有一个反直觉的心得：对 AI 要像对新来的聪明实习生。它的基础能力惊人，但它不了解你的业务上下文、不知道你团队的历史包袱、会自信地犯错。带实习生的所有经验——给背景、给范例、review 产出、逐步放权——全部适用。把 AI 当神器的人用不好它，把它当能干同事的人才能用好。
分享几个我自己磨合出来的驾驶习惯：先让 AI 复述任务——开工前让它用三句话复述目标和约束，偏差当场纠正，比做完再返工便宜十倍；给范例不给形容——“排版要好看”是无效指令，贴一段你认可的样式让它对齐才是有效指令；让它列计划再动手——复杂任务先要一份执行清单，确认顺序和边界后再放行；保留一条“人类慢车道”——关键路径上的产出（安全配置、生产变更、对外的文字）永远自己过一遍，哪怕 AI 说了一百次“已完成”。
九、能力清单之五：流程纪律与安全意识
第六条和第七条：工程纪律与安全责任，这两条在 AI 时代不是变轻了，是变重了。
AI 让产出的速度提升了十倍，但产出的速度不能超过验证的速度，否则你只是在加速生产事故。把 AI 生成的东西放进生产环境，需要的流程纪律一点没少：灰度、回滚、验证清单、变更窗口——我的老本行把这些叫变更管理，AI 时代它们一个字都没过时，反而更值钱了。我这次建博客，最后一道工序是对整站做对抗式审查：安全扫描、权限复核、误提交文件清理。AI 帮我写得飞快，但**“敢不敢上线”这个问题，AI 给不了答案**。
行业里类似的前车之鉴已经不少：有人把 AI 生成的数据库清理脚本没经审查直接执行，删错了表；有人把公司内部代码整段贴进公开的 AI 工具，造成了数据出域；有人把 AI 生成的依赖清单原样安装，引入了被投毒的包。这些事故的共同点不是 AI 多危险，而是人把“生成”当成了“完成”。流程纪律的存在，就是为了在这个新提速的时代里，替我们守住“完成”的定义。
安全意识同理。AI 时代每个人都是“带着一群 AI 干活的人”，你的数据会进上下文、密钥可能被写进代码、第三方依赖可能被投毒——责任不可委托这条铁律，在 AI 时代显得格外清晰：AI 犯的错，签字的是你。
十、给不同角色的行动清单
技术人的五条：把你的领域打穿到能“一眼判断对错”的深度；把重复劳动显式地交给 AI 并记录成工作流；每个 AI 产出一律过验证三关；每年学一个“AI 做不好”的东西（比如复杂系统的现场处置、跨团队推动）；开始积累你的 prompt 与工作流资产——它们是这个时代的工具箱。
非技术人的五条：AI 平权了工具，但没平权品味——培养审美和判断力；学会清晰表达（好问题的回报率前所未有地高）；把 AI 当学习加速器而不是搜索替代品，用它把一个领域从好奇学到能对话；警惕“看起来专业”的产出，关键决策保留人工确认；你的行业经验+AI，比纯 AI 值钱——别急着否定自己的 old money，它是你使用 AI 的杠杆。
管理者的三条：重新设计团队的工作流而不是简单“加个 AI 工具”；考核标准从“投入时间”加速转向“产出与判断质量”；为中间层的执行岗位设计转型路径，而不是等风险爆发。
如果你还是学生，三条格外送给你：第一，别因为“AI 都能写了”而放弃学基础——恰恰相反，基础原理是你未来判断 AI 产出的唯一本钱，学的时候多问“为什么这样设计”；第二，尽早建立自己的 AI 工作流，把它用在课程项目和实习里，毕业时“会驾驶 AI 的应届生”和“不会的”差距会非常刺眼；第三，选方向时参考前面的职业矩阵，优先往“判断密集、需要担责”的方向积累，而不是和 AI 比拼执行速度。
十一、两个值得记住的规律
清单之外，再沉淀两条我认为可以长期成立的规律。
规律一：AI 的产出质量 = 你的提问质量 × 你的验证深度。 这是一个乘法公式，任何一项趋近于零，结果就趋近于零。它解释了为什么同样的工具在不同人手里天差地别：有人把 AI 用成了答案机，拿到输出就直接用；有人把它用成了杠杆——输入端给足上下文和约束，输出端较真到每一个关键细节。落到日常就是八个字：输入认真，输出较真。这两个半边，恰好都是“人”的那一半。
规律二：工具越强大，基本功越值钱。 这条反直觉但反复被历史验证。计算器普及后，“对数量级和尾数的直觉”成了财务和工程师的稀缺素质；自动驾驶越普及，极端工况下的人类驾驶技术越珍贵。原理层的理解不会因为工具强大而贬值——恰恰相反，工具接管了常规情形之后，剩下的全是非常规情形，而非常规情形考验的全是基本功。对知识工作者，基本功就是原理层：懂网络原理的人用 AI 排障如虎添翼，不懂的人连 AI 给的排障步骤都看不懂。
再送一个推论：复利在人与 AI 的协作里同样成立。你今天整理的一段高质量提示词、沉淀的一个验证清单、打磨的一条自动化工作流，明天都在复用，日积月累就是你与 AI 协作的“私有基础设施”。从今天开始攒，一年后回头看，你会感谢现在动手的自己。
十二、我的一天：一个真实的标本
回到开头那个博客。复盘一下这一天里，上述能力是怎么协作的：
问题定义：从“想要个博客”到“Astro 静态站 + 复刻 MiMo 纸面编辑风 + Cloudflare Pages 部署”，是我在无数选项里做的收敛。纵深判断：AI 提议的每个技术方案，我用十几年的工程经验快速裁决——字体要子集化、部署要走灰度、安全头怎么配才不破坏功能。验证纪律：每一步都在浏览器里亲眼确认、终验用 curl 逐个打状态码。系统思维：把“博客”拆成内容、构建、部署、域名、安全五个子系统，各自推进。安全责任：上线前的对抗式审查揪出了误提交的文件，那个文件是 AI 的工具链自动生成的——AI 创造了它，责任在我。
一天下来，我的感受不是“AI 太强了”，而是：AI 把工程师从体力层解放出来之后，工程师这个角色第一次变得如此接近它的本质——判断、取舍、拍板、负责。
不过为了诚实，也记下这一天里 AI 帮倒忙的部分：它生成的代码里有过一个小 bug，表象正常但边界条件错误，我靠验证习惯抓出来的；它给某技术选型的理由引用了一个不存在的基准测试数据；它还一度把部署步骤复杂化，多绕了两道弯。这些都是小成本——因为验证到位——但如果验证缺位，任何一个都可能变成线上事故。**同一天、同一个 AI，既能把人送上快车道，也能把人引进沟里，分野只在于驾驭它的人。**这就是这篇文章想说的全部。
十三、关于焦虑：护城河的新定义
写到这里，不谈谈焦虑是不诚实的。AI 确实在消除大量岗位，说“一点也不慌”是骗人。
但我的结论是乐观的，逻辑有三层。第一，被消除的是“岗位”而不是“价值”：执行层被压缩的同时，新问题在爆发式产生——AI 的引入本身就创造了验证、治理、编排、安全的大量新需求。第二，人的护城河变了但没消失：责任（签字画押）、审美（判断好坏）、信任（人与人之间的协作关系），以及“持续解决新问题的组合能力”——这些是 AI 给不了的。第三，焦虑的解药是具体的：与其焦虑“AI 会不会替代我”，不如每周问自己“我这周做的哪件事，是 AI 替代不了的；哪些事我还在人肉做，但其实可以让 AI 干”——前者是你的护城河所在，后者是你的转型清单。
这个时代最大的风险不是 AI 太强，是你用旧地图走路。 十年前我判断“网工必须懂自动化”并全身心转向，回头看是对的选择；今天我用同样的方法判断“每个人都必须成为 AI 的好驾驶者”——这篇万字长文，就是我的判断依据和行动宣言。
焦虑之外，再列三个“不要”，作为这篇文章的行动收尾。一不要囤积焦虑：收藏一百篇“AI 将取代你的文章”不如认真跑通一个自己的工作流，焦虑不产生行动力，只产生内耗。二不要仓促 all in：看清方向不等于要押上全部——对多数人，正确姿势是“主业上渐进转型 + 用 AI 放大当前岗位的价值”，等新通路验证扎实了再加大筹码；那些劝你立刻裸辞投奔 AI 的声音，多半是想赚你焦虑的钱。三不要假装它不存在：我见过最危险的态度是“我行业特殊，AI 影响不到我”——请重新读一遍第一节的稀缺性转移，然后把这句话当作明天的行动清单，而不是别人的故事。
十四、写在最后
这篇文章写了上万字，如果压缩成三句话，是这三句：
纵深是你判断 AI 的坐标系，必须自己长出来；流程是你安全使用 AI 的护城河，一点不能省；责任是你与 AI 唯一的分工边界，永远无法外包。
AI 不会等人，但也不会辜负任何一个认真驾驶它的人。我自己的态度藏在今天上线的这座小站里——与其站在岸边讨论浪有多大，不如造好自己的船。
这座博客的地址在浏览器里，这篇文章就是船的首航日志。欢迎你也起航。
（完）