最近，很多技术团队正在经历一种非常矛盾的变化。
一边是AI编程工具快速普及，代码补全、单元测试、Bug修复、文档生成，甚至跨文件修改，都可以交给AI Agent完成。
另一边是越来越多年轻人发现，软件行业的大门正在变窄。
过去企业愿意招聘一批应届生和初级工程师，让他们从简单需求、小型Bug和基础测试做起。现在，管理者看着Agent几分钟完成新人半天的工作，很容易得出一个结论：
既然AI能做，为什么还要招聘那么多初级工程师？
这个逻辑在短期内似乎完全成立。
但它忽略了一个更严重的问题：
如果今天不再培养初级工程师，三到五年以后，高级工程师从哪里来？
AI影响的可能不只是当下的招聘数量。
它正在改变整个软件行业的人才成长链条。
目录
初级岗位正在成为AI冲击的第一站
被AI拿走的，不只是一份工作
简单任务为什么是工程师的“练级场”
团队从金字塔变成钻石，会发生什么
Agent时代，开发者的工作正在重新分配
初级工程师应该怎样建立新竞争力
企业不能一边要高级人才，一边拒绝培养新人
一、初级岗位正在成为AI冲击的第一站
斯坦福数字经济实验室主任Erik Brynjolfsson及其研究团队，长期关注人工智能、生产力和就业市场之间的关系。
他们在《Canaries in the Coal Mine》研究中发现，在AI暴露程度较高的职业里，22岁至25岁的早期职业人群，就业人数出现了约16%的相对下降。
受到明显影响的职业，包括呼叫中心客服和软件开发。
这里需要特别说明：
16%并不代表所有25岁以下年轻人的就业人数都下降了16%，也不能简单理解为AI已经消灭了16%的年轻人岗位。
这个数据主要针对AI暴露程度较高的特定职业，并且是在控制企业层面变化之后得到的相对结果。
但它依然释放出一个值得重视的信号：
AI对就业的影响，并不是平均落在所有人身上的。
相比经验丰富的从业者，刚刚进入职场的年轻人更容易受到冲击。
原因并不复杂。
AI目前最容易替代的，恰好是大量结构清楚、规则明确、结果容易验证的基础任务，而这些任务过去通常由新人承担。
在软件开发领域，这类工作包括：
编写重复性较高的业务代码；
补充单元测试和接口测试；
查询框架、SDK和接口文档；
修复边界明确的小型Bug；
完成简单的页面调整；
进行代码格式整理和基础重构；
编写技术说明和提交记录；
执行小规模的数据迁移。
这些工作看起来技术含量不高，也很容易被AI接管。
但问题是，初级工程师的价值，从来不只是完成这些简单任务。
二、被AI拿走的，不只是一份工作
很多企业把软件开发任务理解成一个个可以拆分、分配和验收的工作单元。
一个需求需要两天完成，AI只需要两个小时。
一个Bug需要新人排查半天，Agent几分钟就能分析代码、搜索调用链并给出修改建议。
站在效率角度，企业当然会优先使用AI。
但人才成长不能只看任务交付速度。
新人第一次修改真实业务代码时，可能只是调整了一个字段。
在这个过程中，他却可能逐渐理解：
这个字段为什么存在；
它会被哪些服务使用；
数据变更是否兼容历史版本；
修改后需要补充哪些测试；
线上数据异常时如何回滚；
为什么看似合理的方案不能直接上线。
表面上，新人完成的是一个简单任务。
实际上，他正在学习一套复杂系统如何运行。
同样，一个初级测试工程师执行的可能只是一轮普通回归测试，但在反复分析需求、设计测试场景和定位缺陷的过程中，他会逐渐理解：
哪些业务链路最容易出问题；
哪些需求描述存在歧义；
哪些异常无法通过正常流程触发；
哪些数据变化可能产生连锁反应；
为什么测试通过不代表系统没有风险。
这些能力不会因为读了一本书、上了一门课或者调用了几次大模型，就自动出现。
它们来自真实项目中的反复判断、失败、反馈和复盘。
如果企业只是用AI减少重复劳动，问题并不大。
真正危险的是，企业在减少基础任务的同时，也取消了新人进入真实项目的机会。
任务被AI接走了，成长机会也一起消失了。
三、简单任务为什么是工程师的“练级场”
很多资深工程师回头看自己的职业经历，会觉得刚入行时做的事情非常简单。
改一个页面。
补一个接口。
查一个线上问题。
执行一次版本回归。
整理一份发布文档。
但高级工程师并不是跳过这些阶段，直接成长为高级工程师的。
他们是在大量看起来并不复杂的工作中，逐渐形成了工程判断。
一个新人可能会认为：
代码能运行，测试能通过，任务就算完成了。
有经验的工程师则会继续追问：
是否影响原有用户；
异常数据怎样处理；
并发场景是否安全；
是否存在权限绕过；
日志能不能支持后续排查；
发布失败以后如何回滚；
三个月后其他人是否还能维护。
这种差距，不只是代码能力的差距。
它是经验、责任和系统认知的差距。
AI可以帮助新人快速生成一段看起来像高级工程师写出的代码，却不能直接赋予新人高级工程师的判断力。
因为判断力往往来自一次次真实后果。
经历过线上故障，才会真正理解监控的重要性。
处理过数据污染，才会重视兼容和回滚。
遇到过需求反复，才会主动澄清边界。
参与过跨团队协作，才会知道技术方案不能只考虑代码是否优雅。
所以，初级任务的意义并不在于它有多难，而在于它为新人提供了进入复杂系统的入口。
AI拿走了“搬砖”，企业就必须主动设计新的练级场。
否则，新人可能会使用越来越先进的工具，却始终没有机会建立真正的工程经验。
四、团队从金字塔变成钻石，会发生什么
传统软件团队的人才结构，通常接近一座金字塔。
技术负责人 / 架构师
高级工程师
中级工程师
大量初级工程师
大量新人进入团队，在项目中成长。
一部分初级工程师成为中级工程师，一部分中级工程师继续成长为高级工程师、技术负责人和架构师。
并不是所有人都会走到顶层，但底层持续有人进入，整个行业的人才供给才不会中断。
AI普及以后，企业可能开始缩小底层。
少量技术负责人
大量中级、高级工程师
少量新人
组织逐渐从金字塔变成一颗钻石。
短期来看，这种结构非常有吸引力：
团队规模更小；
人均产出更高；
沟通成本更低；
基础任务交给AI；
核心工作交给资深人员。
但人才不是可以即时扩容的云服务器。
当企业连续几年减少新人招聘以后，中级工程师的供给也会随之减少。
再过几年，高级工程师和技术负责人的来源同样会受到影响。
那时，企业可能面临新的问题：
高级工程师越来越贵；
核心岗位长期招不到人；
团队过度依赖少数资深员工；
系统经验集中在少数人手里；
人员离职后出现知识断层；
企业只能互相争抢已经成熟的人才。
每家公司都希望招聘“有三到五年经验”的工程师。
但三到五年的经验必须从某家公司开始积累。
如果所有公司都只想使用成熟人才，却不愿意培养新人，最终市场上就不会有足够的成熟人才。
这不是某一家企业能够单独解决的问题，而是整个行业的人才培养协调问题。
企业今天省下的招聘和培养成本，可能会变成未来更高的人才成本。
五、Agent时代，开发者的工作正在重新分配
AI并不会让软件工程师彻底消失。
它更可能重新分配软件工程师的工作。
一项完整的软件任务，大致可以分为三个阶段：
定义问题 → 执行任务 → 评估结果
过去，这三个阶段通常都由人完成。
工程师理解需求、设计方案、编写代码、执行测试，再判断结果是否满足要求。
现在，Agent越来越擅长中间的执行环节。
人定义目标和边界
↓
Agent生成代码、修改文件、运行测试
↓
人审查结果、判断风险、决定是否上线
因此，未来工程师的价值会越来越集中在两端。
第一端：把问题定义清楚
让Agent“开发一个登录功能”，只能得到一个大致可运行的结果。
真正进入生产环境之前，还需要明确：
使用密码、短信还是第三方认证；
登录状态如何管理；
哪些接口需要鉴权；
连续失败是否需要限制；
是否支持多设备登录；
敏感信息如何保存；
异常情况下如何降级；
测试和验收标准是什么。
问题定义越模糊，Agent生成的内容越容易偏离真实需求。
第二端：证明结果是可靠的
Agent生成代码以后，工程师不能只看功能是否能够运行。
还要检查：
是否符合架构约束；
是否存在安全风险；
是否覆盖异常场景；
是否影响其他模块；
测试结果是否可信；
日志是否足够完整；
上线以后如何监控；
出现问题是否能够回滚。
执行能力正在被AI快速压缩。
定义问题、评估结果和承担责任，则会变得更加重要。
未来优秀的工程师，不一定是亲手编写代码最多的人，而可能是最能把复杂问题拆解清楚、最能识别AI错误、最能对最终结果负责的人。
六、初级工程师应该怎样建立新竞争力
对于正在进入软件行业的年轻人来说，最危险的做法，是继续按照过去的标准训练自己。
只会背语法、刷题、调用框架，或者跟着教程做几个演示项目，已经很难建立明显竞争力。
AI时代，初级工程师需要尽快跨过“只负责执行”的阶段。
- 学会定义问题，而不只是接收任务
拿到需求后，不要立刻让AI生成代码。
先问清楚：
用户真正想解决什么问题；
输入和输出分别是什么；
哪些场景属于正常流程；
哪些情况属于异常；
哪些边界不能突破；
最终如何判断任务完成。
能够发现需求中的漏洞，本身就是一种工程能力。
- 学会审查AI，而不是盲目信任AI
AI写出的代码看起来越专业，越容易让新人放松警惕。
但可以运行，不代表可以上线。
测试通过，也不代表没有风险。
初级工程师需要主动检查：
是否存在硬编码；
是否遗漏异常处理；
是否破坏原有逻辑；
是否引入不必要依赖；
是否存在安全问题；
是否真正满足业务目标。
未来企业需要的不是会复制AI答案的人，而是能够发现AI答案有问题的人。
- 把测试能力变成基础能力
当代码生成成本不断下降，验证的重要性会持续上升。
开发者需要掌握更多测试思维，测试工程师也需要提高代码、架构和AI应用能力。
至少应该理解：
单元测试；
接口测试；
端到端测试；
异常场景设计；
日志与监控；
性能和稳定性；
权限与数据安全；
AI输出结果评估。
Agent可以快速生成大量内容，而工程师必须建立一套判断这些内容是否可靠的方法。
- 深入理解一个真实业务领域
只懂技术，不理解业务，可能只是更快地完成一个错误任务。
当代码实现越来越容易以后，业务理解会成为新的壁垒。
你可以选择一个领域深入积累，例如：
电商；
支付；
金融风控；
广告；
搜索推荐；
企业服务；
医疗；
教育；
AI应用与智能体。
要理解的不只是业务名词，而是业务规则、用户行为、数据来源、风险边界和异常后果。
技术能力让你看懂Agent生成的方案。
领域知识让你判断这个方案究竟对不对。
- 不要只展示一个能运行的Demo
很多人的AI项目作品集，看起来非常热闹：
有聊天机器人，有RAG知识库，有自动生成代码的Agent。
但招聘者真正关心的并不是界面能否运行，而是你是否经历了完整的工程过程。
一个更有价值的项目应该包括：
需求分析
↓
方案选择
↓
数据与权限设计
↓
Agent辅助实现
↓
测试与评估
↓
上线监控
↓
问题复盘
你需要让招聘者看到：
为什么选择这个方案；
Agent在哪些地方出现过错误；
你是如何发现问题的；
如何设计测试和验收标准；
最终结果如何证明；
上线以后怎样持续观察。
AI写完代码以后，剩下的事情你能否接住，才是真正的分水岭。
七、企业不能一边要高级人才，一边拒绝培养新人
企业保留初级岗位，并不意味着还要让新人重复过去的机械劳动。
既然AI已经能够完成大量基础任务，企业更应该重新设计人才培养方式。
可以让新人更早参与：
需求评审；
测试设计；
Code Review；
Agent输出审查；
日志分析；
故障排查；
事故复盘；
系统设计讨论；
跨团队沟通。
过去，新人可能需要半年时间熟悉代码库。
现在可以利用AI解释代码、梳理调用链和生成辅助材料，把更多时间用于理解系统，而不是单纯完成重复操作。
更合理的人才培养模式应该是：
真实项目
+
AI辅助执行
+
资深工程师审查
+
持续测试与复盘
新人仍然需要承担真实责任。
只是衡量新人的标准，不应该再是写了多少行代码、关闭了多少任务，而应该看：
能否解释方案为什么可行；
能否发现AI生成结果中的问题；
能否设计有效的测试方案；
能否判断一次改动的影响范围；
能否根据日志完成问题定位；
能否把一次失败沉淀为团队经验。
AI不应该成为取消新人岗位的理由。
它应该成为缩短新人成长周期的工具。
写在最后
AI确实会替代一部分工作，初级软件工程师也确实站在最容易受到冲击的位置。
但比岗位减少更值得警惕的，是整个软件行业的人才培养链条正在被打断。
企业可以不再让新人花几天时间编写重复代码，却不能因此取消新人接触真实项目的机会。
因为高级工程师不会从招聘网站里自动出现。
技术负责人也不是使用几年AI工具以后自然生成的。
他们仍然需要经历真实需求、复杂系统、线上故障、团队协作和一次次失败后的复盘。
对于正在入行的人来说，未来不能只证明自己会写代码。
你需要证明自己能够理解问题、使用AI、审查结果、设计测试并承担责任。
对于资深工程师来说，也不能继续用过去的方式培养新人。
不要让新人长期停留在AI已经能够稳定完成的机械任务里，而应该让他们更早进入评审、排障、验证和系统思考。
对于企业来说，AI节省下来的成本，不能全部变成短期利润。
其中一部分应该重新投入人才培养、知识传承和组织设计。
否则，今天减少的只是几个初级岗位。
几年以后失去的，可能是一整代高级工程师。
代码正在变得越来越便宜。
但判断力、责任感和真实项目经验，并没有。
AI可以改变工程师成长的第一层台阶。
但行业不能直接把这层台阶拆掉。
本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。
