TL;DR
· 一位 AI 创业者称，智能体写代码正在改变早期职业能力排序。
· 可评分任务更适合模型，人类要学会判断问题、分配时间和工具。
· 现金回报不是唯一目标，关系、声誉和交付质量会拉开差距。

一位据其自述曾在 Scale AI、DeepMind、OpenAI、Google 等公司工作、如今参与智能体原生公司的创业者，在一篇英文长文中重新给年轻人写了一份职业建议。背景是，AI 编码工具已经从补全代码走向更完整的软件工程智能体。OpenAI 2025 年发布 Codex 时称，它可以在云端并行处理写功能、修 bug、提出 PR 等任务，但仍需要人工审查和验证代码。问题随之变成：当标准答案、普通代码和可评分任务越来越便宜，年轻人还应该把时间花在哪里？

这篇文章的核心不是「程序员会被取代」，而是早期职业筛选标准正在变化。学校和传统面试大量训练的是定义清楚、答案明确、可以被批改的题目，而这正是模型进步最快的地方。未来更能区分人的，可能是发现重要问题、选择高价值环境、建立可信声誉，以及把智能体生成的中等结果继续打磨到可交付。

现金报价不再是唯一答案，时间和声誉更稀缺

在作者的判断里，AI 创业环境下，资本和工具比过去更容易获得，但高质量时间、强关系和可信声誉仍然稀缺。

他用个人经历解释这一点。加入 Scale AI 之前，他称自己曾拿到现金保障更高的量化岗位 offer，但最终选择 Scale，是因为那里有更强的社区、更广的产品场景和更多接触前沿问题的机会。按他的回忆，后来正是通过 Scale，他接触到大模型推理供应商，获得 DeepMind 和 OpenAI 的机会，也结识了后来创业的一批同事。

这些经历不能简单外推成所有人的职业公式，但给出的提醒很直接：早期职业选择不应只看眼前现金。尤其在 AI 降低软件构建门槛后，快速做出一个能赚钱的小工具不再罕见，长期回报往往来自更难的问题、更强的人群和更可信的履历信号。

年轻人需要问的不是「哪个机会立刻多给钱」，而是这件事是否值得投入时间，是否能和优秀的人一起做，自己的好工作能否被可靠的人看见，以及它会不会成为下一次机会的信用基础。

工程师价值从「解题」转向「找题」

当智能体能处理越来越多边界清晰的问题，工程师的价值不再只是「能不能解出来」，而是「能不能选对题」。

作者提到，他们所在团队重新设计了面试方式。原因是，如果真实工作里不再需要人手写每一行代码，那么单纯考算法题和传统系统设计，与工作表现的相关性会下降。更有意义的测试，是看候选人能否快速理解环境，发现值得解决的问题，再调动 AI 工具和外部资源推进结果。

这也是智能体写代码之后的新分工。模型擅长处理目标明确、反馈清楚的任务，人需要判断什么问题重要，什么路径值得试，多少时间和模型调用成本应该投进去。

对学生来说，AI 能做作业可能会带来挫败感。但从招聘角度看，不同候选人的差异并没有消失。即使都能用 AI 得到答案，有的人需要大量试错和提示词，有的人能带着业务直觉、技术背景和上下文与智能体协作，更快找到方向。

所谓「会用 AI」，也不只是把问题丢给模型。更强的能力包括拆分问题、识别缺失信息、判断何时继续迭代、何时换路线，以及检验结果是否真的解决了业务或技术上的关键矛盾。

越容易做软件，越要靠近更难的问题

AI 降低了软件构建门槛，也让简单系统更容易复制。作者借用机器学习研究中的「苦涩教训」来解释职业选择：长期看，扩展通用方法往往胜过为单一任务做精细优化。

放到公司和个人职业上，这意味着简单产出的护城河会变薄。任何人都更容易做出一个看起来可用的系统，真正耐久的价值反而集中在足够困难、足够有野心的问题上。

选择公司时，作者给出的标准是：这家公司是否在解决该问题最有野心的版本，它是否真的有机会解决。选择岗位时，则要看这个角色能不能让自己直接接触到公司正在解决的前沿问题。

他还提到，不能只盯着早期产品是否漂亮，或 demo 是否惊艳。按他的主观评价，Anthropic 早期 demo 在当时看起来只是一个不如 ChatGPT 的 Slackbot，但这并没有阻止公司后来走向完全不同的轨道。早期公司会变，产品会变，团队质量、市场空间和问题难度更能影响长期结果。

职业机会也是类似逻辑。高质量机会不一定每次都转化成结果，但一个人要先站到能看见机会的位置上。能否站到那里，仍然依赖长期积累的能力、声誉，以及别人是否愿意把机会告诉你。

普通结果更便宜，最后 10% 更值钱

当一个简单提示词就能让智能体生成中等质量结果，普通产出的价值会下降，最后一段打磨的价值会上升。

原文援引红杉资本 Alfred Lin 的说法称，最后 10% 往往是 90% 的工作，也是 90% 的回报。放到 AI 时代，这句话的现实感更强。因为 70 分结果越来越容易获得，真正能区分人的，是独特视角、细节关注、迭代能力、架构质量、可扩展性和创造力。

第一版 AI 输出很少直接完美。真正的工作常常发生在后续迭代里：发现哪里不对，哪些地方需要重构，什么体验还不顺，哪些边界情况没有覆盖，什么时候应该利用下一代模型从头再做一遍。

这些能力可以通过项目、实习和真实工作练出来。多花一点时间打磨，把架构做干净，把扩展性想清楚，把细节做到用户真的愿意用，都会在作品和面试中留下痕迹。

传统工程能力并没有失效。变化在于，写代码本身的稀缺性下降了，判断、审美、系统理解和交付质量变得更贵。AI 能让更多人到达中等水平，剩下那部分差距反而更难补。

研究门槛降低了，但研究不是一个头衔

文章最后把讨论延伸到「如何进入研究」。作者认为，AI 没有让研究只属于顶级实验室，反而降低了早期入门门槛。

现代研究当然更依赖算力，但起点可以很朴素：使用现有模型，把自己的直觉转化成评测，参与公开优化榜单，利用云算力平台给学生和研究者提供的额度，尽早测试想法。大多数想法最终会在放大规模时失败，但理解失败，是建立研究判断的一部分。

研究者首先是一种工作方式，而不只是一个职位。前沿实验室里的研究，常常混合了好奇心、试新想法、和基础设施磨合、理解系统细节、快速调试，以及把结果价值讲清楚以争取更多资源。很多训练不必等到拿到「研究员」头衔之后才开始。

这篇文章留下的职业建议并不悲观。AI 让标准答案、普通代码和可评分任务更便宜，也让年轻人更早接触真实问题。机会仍然存在，只是分配方式变了：谁能找到重要问题，进入高质量环境，积累可信声誉，并把结果推进到最后一公里，谁就更容易拿到下一轮机会。