Claude Code之父发声：AI时代工程师正分裂成五种新物种

同一天，两个人在讲同一件事。

普林斯顿大学计算机科学教授Arvind Narayanan发表了一篇长文，核心观点只有一句话：写代码从来都不是软件工程的瓶颈，AI越会写，程序员越需要会判断。否则AI把代码写完了，程序员还在加班。

Claude Code负责人Boris Cherny在同一天的另一场分享里，把未来的产品团队拆成了五种人：Prototyper（原型师）、Builder（建造师）、Sweeper（清扫师）、Grower（增长师）和Maintainer（维护师）。

两篇文章没有互相引用，但放在一起看，它们指向了同一个正在发生的剧变：AI编程不是在消灭工程师这个职业，它是在把这个职业拆成好几种完全不同的人。而你属于哪一种，决定了你的未来十年。

"写代码"被拉平之后，"判断力"成了唯一的梯子

Narayanan的理论框架很简单。他把软件工程分成三层：构思、执行、交付。

AI在中间一层——执行——已经做到了极致。GPT-5.6可以在几秒钟内生成几百行功能完备的代码，Claude Fable 5可以在几分钟内修完一个Bug并跑通全部测试。写代码这件事本身，正在从"工程师最核心的能力"变成"工程师最不稀缺的能力"。

但最上层和最下层，AI几乎完全碰不到。

最上层是"构思"——这个产品到底要解决什么问题？用户真正需要的是什么？技术方案选A还是选B，五年后回头看哪个是对的？这些问题没有标准答案，没有训练数据，没有Benchmark可以刷分。它们需要的是判断力、经验、和对业务和用户的深刻理解。

最下层是"交付"——代码写完了，怎么让它稳定地在生产环境里跑？凌晨三点数据库连接池满了怎么办？突然涌入的十万并发用户会不会把服务器打穿？这些问题的答案也不在模型的训练数据里。它们藏在每一次线上事故的复盘里，藏在每一个半夜爬起来查日志的夜晚里。

这就是为什么Narayanan说"AI越会写，程序员越需要会判断"。因为AI把中间层拉平了。以前你能靠"会写代码"和同事拉开差距，现在这个差距消失了。你和同事写出来的代码质量趋同，因为都是AI写的。

那靠什么拉开差距？只能靠AI碰不到的东西。判断力。

Boris Cherny的五种人：最安全的那个人，叫"收尾的"

Boris Cherny的五种人模型，给Narayanan的理论提供了一个更具体的注脚。

Prototyper（原型师）最容易被AI加速。他们要做的是快速验证想法，从零到一搭建MVP。AI在这个环节的效率提升是数量级的——以前需要一周的原型，现在可能一个下午就做完了。

Builder（建造师）负责把原型变成可用的产品。AI在这一层也很强，能快速生成大量功能代码，搭建完整的前后端架构。

但从第三个人开始，AI的能力出现断崖式下跌。

Sweeper（清扫师）——Cherny认为这是最难被替代的角色。他们做的是"收尾"工作：删掉AI生成的冗余逻辑，拔掉AI埋下的潜在Bug，让整个代码库在快速迭代后仍然保持可维护的状态。这不是写代码，这是对代码的判断。AI可以写出一万行代码，但它不知道哪些代码是债务、哪些是资产，哪些该留着、哪些必须删掉。

Grower（增长师）负责产品的持续优化。他们需要理解用户行为数据，判断功能优先级，在有限资源内做出最大ROI的取舍。这些决策依赖的是商业直觉和用户理解，不是代码能力。

Maintainer（维护师）守护的是系统的长期稳定性。他们需要在技术债不断累积的情况下保持系统不崩，在旧代码和新需求之间找到平衡。这不是在写新代码，这是在管理一座不断增高的积木塔——你知道每一块积木会怎么倒，而你必须在它倒之前扶住它。

Cherny把Sweeper放在"最难替代"的位置上，这本身就是一个巨大的反转。过去两年，行业里默认最容易被AI替代的是初级程序员，因为他们做的最多的是"写代码"。但恰恰相反——初级程序员做的最多的不是"写代码"，是"理解需求、调试Bug、读别人的代码"。这些恰好是AI最不擅长的。

真正容易被替代的，是那些只会"把需求翻译成代码"的中间层。因为这件事AI做得比人好、比人快、比人便宜。

你的安全感从哪里来？

把Narayanan和Cherny的框架叠在一起，AI编程时代的工程师群体正在裂变成三类人。

第一类是"AI的加速对象"——Prototyper和Builder。他们的产出被AI大幅提升，但他们的不可替代性取决于一件事：他们能在多短的时间内从"写代码的人"升级为"判断代码的人"。升级成功的人会变得更值钱，因为AI让他们如虎添翼。升级失败的人会发现自己越来越像AI的"人形接口"——AI写代码、你点批准、老板有一天发现你点的批准和AI自己点没有区别。

第二类是"AI碰不到的人"——Sweeper、Grower和Maintainer。他们做的不是写代码，是做代码之上的判断。他们的安全感不来自"我写代码比AI快"，而来自"AI不知道什么代码该删、什么功能该做、什么风险该避"。这些能力没有训练数据，没有标准答案，只有一个又一个真实项目的血泪教训积累出来的直觉。

第三类是"被AI绕过的人"——那些只做需求翻译的中间层。他们的技能树和AI的能力圈高度重合，重合到老板开始认真思考：一份AI订阅和一份工资，哪个更划算。

这不是危言耸听。这已经在发生了。字节取消了前后端岗位区分，所有人招进来都是全栈。蚂蚁推动测试岗整体转型研发。美团合并了前后端组织架构。这些动作的背后，不是"降本增效"四个字能概括的。是岗位定义本身正在被AI编程重新熔铸。当AI能写前端也能写后端，为什么还要分两个岗位？当AI能自动跑测试，为什么还要专门的测试工程师？

不是这些岗位没用了，是这些岗位上的"只会做执行"的人没用了。如果你是一个测试工程师，但你的价值不只是"跑测试用例"而是"设计测试策略"，那你永远安全。如果你是一个前端工程师，但你的价值不只是"写组件"而是"判断交互体验"，那你也永远安全。

安全感和你会不会写代码无关。和你除了写代码之外还会什么有关。

而那个"之外"的东西，AI碰不到。

Narayanan在文章的结尾写了一句很轻、但分量极重的话："当技术消除了旧的不平等，它总是会创造出新的不平等。"写代码曾经是不平等的来源——会写的人和不会写的人之间的工资差距可以到十倍。AI编程抹平了这个不平等。但它同时创造了一个新的、更尖锐的不平等：你的判断力正在决定你的未来十年。而判断力这种东西，从来都不是任何工具能替你长出来的。