收到一位新手算法工程师的来信，咨询我： >“在 AI 时代，既然 AI 能生成高效的算法实现，那么新手该如何有效进行代码的设计和验证？” 这确实是当下新手工程师特别关心的问题。毕竟，AI 现在能轻松产出高质量的实现代码，可新人既缺乏“拆解需求”和“设计方案”的经验，又需要面对迅速变动的技术场景，难免会容易焦虑着急。 很多人会设想一种“理想状态”：我们先把需求细分成相对独立且定义明确的模块，然后

收到一位新手算法工程师的来信，咨询我： >“在 AI 时代，既然 AI 能生成高效的算法实现，那么新手该如何有效进行代码的设计和验证？” 这确实是当下新手工程师特别关心的问题。毕竟，AI 现在能轻松产出高质量的实现代码，可新人既缺乏“拆解需求”和“设计方案”的经验，又需要面对迅速变动的技术场景，难免会容易焦虑着急。 很多人会设想一种“理想状态”：我们先把需求细分成相对独立且定义明确的模块，然后把接口、数据结构、边界条件等都告诉 AI，AI 再自动完成这个模块的实现。最后，只要进行验证，就大功告成了。但现实中，别说新手，就算是已经有了几年开发经验的工程师而言，要掌握从需求到模块的拆分，再到最后测试和调优，这条链路很长，也很考验“工程能力”。 所以我对于 AI 时代的工程师的建议是：： > AI 时代，工程师仍需要掌握两大基础能力：编程技能和工程能力。 --- ** 编程技能：AI 时代仍需“做中学” 很多人会问：既然 AI 能写代码了，那我是不是就不用苦练“自己写”这件事？答案并不绝对。 - 编程是技能 就像学游泳或学骑车，如果你从头到尾都不下水，只是在岸上看视频或让别人代替你游，你自己很难真正学会。编程同理，需要动手才能真正理解和掌握。 - AI 帮你加速，但不能完全取代你的动手实践 比如，你遇到一个功能需求，不妨先自行思考一下可能的实现思路，然后让 AI 生成一个方案。接着，你可以亲手去改动、调试，甚至故意“手写一遍”看是否顺畅，或者是否能够理解 AI 生成的关键逻辑。只有这样，你才能更熟练地掌握编程能力，真正知道代码在做什么，而不只是“让 AI 代写”。 - 写得快已不再是全部目标 过去我们常常追求写代码又快又好，可是在 AI 的帮助下，“写得快”可以部分交给 AI，我们更多精力应投入到结构设计、逻辑思考、验证测试等更具价值的工作上。 --- ** 工程能力：从需求到可持续维护的系统 要想真正把需求落地成一套可运行、可维护、可演进的软件系统，工程能力就尤其关键了。它涉及到从需求分析、架构设计、实现编码、验证测试、运维部署到持续迭代的一整个流程，也可以理解为把需求变成可持续维护系统的综合能力。 试着想象一下，一个合格的（也可以说是“专业的”）工程师在日常开发中都要做些什么： 1. 需求和场景理解 - 与需求方沟通，确认数据规模、并发量、安全合规要求等，这能避免后续返工或踩坑。 2. 架构设计与技术选型 - 考虑技术栈、模块划分、API 设计等，并兼顾成本、性能、可扩展性，才能保证后面不会“撞墙”。 3. 测试与质量保证 - 包含单元测试、集成测试、端到端测试等，各类测试在不同层面保障质量。 - 通过持续集成（CI），快速发现改动对已有功能的影响。 - 新手尤其要培养“多写单元测试、用测试验证逻辑”的习惯，这对识别 AI 生成代码的缺陷非常有效。 4. 运维与监控 - 上线后如何发现错误、记录日志并快速定位问题，如何保障系统稳定运行，都需要事先规划。 5. 团队协作与项目管理 - 多人协作怎么做 Code Review？版本管理和需求排期如何安排？这些都属于工程能力的一部分，也是让团队高效协作的关键。 --- ** AI 时代下，工程能力的新挑战与机遇 虽然 AI 在编程层面突飞猛进，可以生成各种模块、自动化测试脚本，但在以下这些方面依旧需要人类发挥主导作用： 1. 掌控需求到实现的链路 - AI 只能依据你给的描述去生成实现。若需求描述和拆分不到位，AI 写出的代码很可能在后期难以集成或维护。 - 只有具备扎实的工程能力，才能确保需求、设计、实现三位一体。 2. 审阅与调试 AI 生成代码 - AI 写的实现并不总是完善，它可能忽略边界条件，也可能在性能或安全合规上欠考虑。 - 需要工程经验去审阅、调试，并结合单元测试、日志监控等手段，验证代码的正确性和鲁棒性。 3. 架构与模块拆分 - 哪些部分适合让 AI 来生成？哪些部分需资深工程师自己写？ - 整个系统的版本、模块管理如何协调？在这些领域里，工程师对系统全局的把控能力非常重要。 4. 数据与安全合规 - 特别是算法工程师，常常涉及数据管线、数据隐私与合规等复杂场景。 - AI 生成一段跑模型的代码很容易，但若要兼顾隐私合规、合理负载、监控报警，就离不开工程化的思维。 --- ** 如何提升工程能力：实战中历练，持续总结 既然工程能力如此重要，该如何让自己成长得更快？以下几点建议可能对你有所帮助： 1. 多动手维护实际项目 - 读书和看文档可以打基础，但实际开发的踩坑和复盘最能帮你快速建立认知。小到个人开源项目，大到公司内部复杂系统，都能让你看到“设计-实现-测试-部署”的全流程。 2. 吸收业界最佳实践 - 去读优秀开源项目的源码，仔细观察他们如何组织目录结构、如何写测试、如何做持续集成；或者在团队里多参与 Code Review，学习他人写码和思考的方式。 3. 熟悉工具链与自动化 - 尝试了解并实践 CI/CD 流程，掌握单元测试框架、配置管理、运维监控工具等。这些在实际工程中都是必不可少的一环。 4. 主动思考架构与性能 - 无论是后端服务的分布式架构，前端的工程化，还是机器学习训练管线等，都有相应的设计模式和性能优化思路。多思考如何在逻辑与工程层面做得更好，而不是单纯依赖 AI 给出的实现。 5. 培养文档与沟通习惯 - 工程并非个人英雄主义。“写在你脑海里”的想法也需要变成清晰的文档、需求说明、接口规范、部署指南，这样不仅帮助团队，也有利于自我总结。 --- 总结一下： - 在 AI 时代，能帮我们写代码的“工具”越来越多，但“如何保证写得对”“如何把需求从无到有构建成高可维护、高可靠的系统”才是人类工程师真正的价值所在。 - 编程技能仍需“做中学”：AI 辅助写代码并不能完全替代亲自动手，不然难以真正掌握技术本质。通过实际项目增强经验：多踩坑、多总结，是积累工程思维的关键。 - 对于新手工程师，首先要在实践中不断提升编程技能，要能理解代码、能手写关键逻辑，另一方面，更要把精力放在工程能力上：需求分析、架构设计、模块拆分、测试与持续集成等。 - AI 不能替你做“架构设计与技术选型”：它只能在给定的框架内去编程，如何拆分、怎么确保安全与性能，依旧仰赖工程师的决策。 希望以上这些思路对你有所启发，也祝你能在 AI 时代下，快速成长为一名具备强大工程能力的算法工程师。加油！