一个反常的现象
最近跟几个做技术管理的朋友聊招聘，听到一个共同的说法：面试里"手写算法""默写API"这类环节，权重在明显下降。
不是不考了，是考了也测不出太多东西——Vibe Coding 普及之后，一个初级工程师借助 AI，也能在半小时内写出过去需要三五年经验才能写顺手的代码。语法熟练度、样板代码的编写速度、对某个框架 API 的记忆量，这些曾经用来区分"生手"和"熟手"的硬指标，正在被 AI 大规模拉平。
于是一个问题浮出水面：如果"写代码"本身不再稀缺，那招聘和考核，到底在筛选什么？
变了的：那些可以被外化、被标准化的能力
先说清楚哪些东西真的贬值了。
变量怎么声明、某个方法参数顺序是什么，AI 张口就来，不需要人记。
一个 CRUD 模块、一个基础组件，AI 十分钟能出一版可用的初稿。
不需要啃一周文档才敢动手，边写边问 AI，上手成本被大幅压低。
这些能力有个共同点：它们是可以被清晰描述、可以被大量语料学习的显性知识。AI 的本质是对显性知识的压缩和复用，所以这部分能力最先被替代，也最先贬值，这符合预期，不意外。
没变的，甚至更值钱了的：软素质
真正有意思的是另一半——那些从来没写进"技能清单"，却决定一个工程师上限的东西，非但没贬值，反而因为门槛降低、人人都能写代码，变得更加稀缺、更容易被看见。
- 提问题的能力，比写代码的能力更重要
AI 能回答问题，但不会替你判断"这问题问得对不对"。业务方说"帮我做个审批流程"，这句话本身就是一个模糊的、需要拆解的问题：审批链路能不能加签？能不能撤回？超时怎么处理？这些边界条件不问清楚，AI 只会顺着你给的模糊描述，生成一个同样模糊、同样有漏洞的方案。会提问的人，才是真正在解决问题；不会提问的人，只是在把 AI 的产出物原样转发。
- 判断力：知道 AI 什么时候是对的，什么时候是错的
AI 生成的方案里，语法层面几乎不会出错，但架构层面的坑一个不少：并发场景下的竞态、分布式事务的一致性、边界情况的遗漏——这些恰恰是 AI 最容易"自信地说错"的地方。能不能一眼看出方案里藏着的风险，靠的是踩过坑积累下来的判断力，这东西没法从训练语料里长出来，只能从真实的失败里长出来。
- 系统思维：看得见代码之外的东西
一段代码写得对不对，AI 能判断；这段代码放进整个系统里，会不会成为半年后拖垮性能的那个瓶颈、会不会和另一个模块产生耦合、会不会在极端流量下崩掉——这是系统思维，是把局部正确性和全局健壮性联系起来看问题的能力。AI 目前只对着你给的那一小段上下文负责，系统级的责任始终落在人身上。
- 沟通表达：把复杂的东西讲清楚
不管是给 AI 下指令，还是给同事讲方案，本质都是同一种能力——能不能把一个复杂问题，拆解成对方（不管是人还是 AI）能听懂、能执行的清晰描述。表达含糊的人，得到的产出也会含糊，这个规律在 AI 面前依然成立，甚至因为反馈周期变短，被放大了。
- 责任心：愿不愿意为产出兜底
AI 生成代码很快，但代码上线出了问题，兜底的还是人。愿不愿意在提交前多看一眼、愿不愿意为一个看似能跑但经不起推敲的方案说"不"，这是态度问题，不是能力问题，也是招聘里最难考、却最决定长期上限的一项。
为什么会这样：一次技能的重新定价
这背后其实是一次朴素的重新定价：AI 把"可复制的能力"批量复制了，那么在总的价值分配里，"不可复制的能力"占比自然就上升了。
这不是说技术能力不重要了——恰恰相反，判断力、系统思维这些"软素质"，本质上仍然是建立在扎实技术功底之上的，只是它们从"隐性技能"变成了"显性稀缺项"，从加分项变成了硬通货。
给程序员的启示
如果你也在纠结要不要花时间"卷"框架、卷新工具，这里有个更值得投入的方向：
多花时间在复盘上，而不只是完成任务——踩过的坑、做错的判断，才是训练判断力的原材料，AI 替代不了这一步。
刻意练习把需求讲清楚，无论是写 prompt 还是写文档，这是同一种能力的两种表现形式。
主动承担系统级的责任，不只是把自己的模块写对，多问一句"这东西放到整个系统里会怎样"。
AI 拉平了写代码这件事的门槛，但恰恰是这种拉平，让那些一直没变的东西，第一次变得清晰可见。
