又到毕业季，学生问得最多的一句话是："老师，软件工程还值不值得学？"
我不打算给标准答案。先把这一年我在课堂内外看到的东西摆出来，再说我的判断。
掌舵的人已经把话挑明了
去年一月，扎克伯格在 Joe Rogan 的播客里说：2025 年，AI 将能够胜任公司里中级工程师的工作。这不是 futurist 写科幻，是 Meta 的 CEO 在向投资人交代人力成本的走向。
差不多同期，Anthropic 的 CEO 达里奥·阿莫代在公开场合预测，AI 会消灭相当比例的初级白领岗位。Salesforce 的贝尼奥夫说得更直白：他们公司相当一部分工作量已经由 AI 承担。
信不信是另一回事，但写代码这件事的稀缺性定价在往下走，是所有数据源共同的指向。GitHub 的调查里，使用 AI 辅助工具的开发者比例早已过半；国内招聘平台上，纯"增删改查"岗位的供给连续收缩，而 AI 应用开发、大模型工程化方向的岗位在逆势增长。
一句话总结现在的行情：总量在缩，门槛在抬，但塔尖和特定方向的口子反而张大了。
一个就在眼前的真实样本
不举远处的大厂例子，说说我自己干的事。
这两年我自己搭了一套课堂在线测验系统。不是外包的，不是买的，从需求分析到数据库设计到前端页面，自己一行行磨出来的。为什么一个教书的人要干这个？因为我发现"随堂测验—自动批改—错题统计"这件事，市面上的工具要么贵、要么不合教学场景，这就是一个真实的麻烦。
磨这个系统的过程中，我踩的坑比写十门课的作业都多：高并发提交怎么扛、防作弊怎么做、试卷数据怎么设计才不至于每加一个题型就重构一次。这些坑，恰恰是教科书里没有、面试官最爱问的东西。
后来我把这套系统用到真实课堂，几百个学生真实地用过、骂过、也真香过。这个完整的过程——发现麻烦、定义需求、选型、踩坑、上线、迭代——就是我理解里"软件工程"四个字的全部含义。
而这件事本身也说明：AI 时代并没有取消"做东西"的机会，反而把做东西的门槛降低了。 现在有大模型帮你写样板代码、查文档、 debug，一个普通人做出一个能用的系统的成本，比五年前低了一个数量级。问题只剩一个：你有没有一个真实的麻烦想去解决。
所以，到底还值不值得学
我的答案是：值得，但值得的姿势变了。
第一，"会写代码"的溢价在归零，"会做东西"的溢价在涨。 课程设计和真实项目的差距，不在于代码量，在于有没有真实用户、真实反馈、真实故障。趁早找一个真实的麻烦去解决——社团的、家里的、小店的都行。别嫌问题小，小才有机会做完整个闭环。
第二，把 AI 当锤子，别当对手。 焦虑"AI 会不会取代我"没有意义，有意义的是"我的产出里有多少是 AI 放大的"。现在面试已经出现新题型：给一个需求，允许用任何 AI 工具，限时看结果。习惯一个人硬啃的学生，在这种场合反而吃亏。
第三，地基别偷工减料。 数据结构、操作系统、计算机网络、数据库，这老四样在 AI 时代更值钱了。AI 能替你写代码，替不了你判断代码对不对、错在哪、为什么慢。面试官筛人，筛的就是"代码能跑但讲不出为什么"的那种。
第四，第一份工作是进站台，不是终点站。 死守"非大厂不去"，把应届生身份耗在等待里，是我见过最亏的决策。先进场，在真实工程环境里泡两三年，那身本事是带得走的。行业有周期，人生是长跑。
第五，实习是硬通货。 秋招简历筛选的铁律没变过：一段对口实习，顶半页奖项。
结尾
技术永远在变，岗位永远在洗牌。但"发现一个真实的麻烦，然后把它漂亮地解决掉"这件事，从图灵的时代到现在，就没有贬值过。
工具越强大，会用工具解决真实问题的人就越值钱。
与学生共勉。
Views: 0