想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
🏷️ AI编程 · 软件开发范式 · 去技能化
⚡ 快手短视频脚本 | 时长：30-40秒
【封面字幕】（大号字体，居中）
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命
【口播文案】（接地气风格，口语化）
老铁们，今天聊个硬核的——想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
核心就三点：
① （从正文提取第一个关键信息）
② （从正文提取第二个关键信息）
③ （从正文提取第三个关键信息）
懂的点个赞，不懂的评论区问我，下条见！💪
🏷️ 推荐标签：AI编程, 软件开发范式, 去技能化
【微博短帖 | 140字以内核心版】
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命：想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
#AI编程 #软件开发范式 #去技能化
【微博长帖 | 可配图 9 宫格版】
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
#AI编程 #软件开发范式 #去技能化 🔗 https://blog.sydorets.com/en/posts/almost-no-skill-required-to-cook-a-steak/
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
本文梳理了相关技术/事件的核心脉络。如有错误欢迎在评论区指正。
📂 分类：AI编程 · 软件开发范式 · 去技能化
© 本文由彩虹洋葱 AI 自动聚合，转载请注明出处。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
以上为当前进展的梳理。欢迎在评论区交流技术细节和不同观点。
🏷️ 标签：AI编程 · 软件开发范式 · 去技能化
👍 如果对你有帮助，请点赞收藏支持
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模……
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
📌 来源：Hacker News | 标签：AI编程 · 软件开发范式 · 去技能化
本文由彩虹洋葱 AI 自动聚合生成，仅供参考，不构成任何投资或决策建议。想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
📎 参考来源：Hacker News - Software development with AI is starting to feel like cooking steak
🔗 原文链接：https://blog.sydorets.com/en/posts/almost-no-skill-required-to-cook-a-steak/
📺 B站视频脚本 | 时长：3-5分钟
【片头 0:00-0:15】BGM起 → 标题字幕弹出
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命
【引子 0:15-0:45】制造悬念
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
【时间轴分镜】
├ [00:02] 想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成……
├ [02:04] 如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、……
├ [04:06] 最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like coo……
├ [06:08] 传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨……
├ [08:10] 但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。……
├ [结尾] 总结 + 求三连关注
【弹幕互动引导】
🏷️ 标签：AI编程, 软件开发范式, 去技能化
🎬 抖音口播脚本 | 时长：45-60秒
【0-5秒 黄金Hook】
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
【5-35秒 核心信息（口语化表达，每句一行）】
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。 如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模
【35-50秒 深度扩展】
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命
【50-60秒 强CTO结尾】
觉得有用的话，双击点赞 + 关注，下期继续带你读懂 AI！🔥
📐 拍摄建议：竖屏 9:16 · 科技感电子背景乐 · 关键数据配文字弹幕 · 表情自然语速适中
（正文见下）
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
传统软件开发的技能树是金字塔形的。底层是语法、算法、数据结构，中层是设计模式、架构思想，顶层是业务逻辑和用户体验。这个金字塔的建立，通常需要数年时间，就像一名厨师需要从切菜、颠勺开始，逐步掌握火候和调味。
但AI正在把这个金字塔推平。以我最近的亲身体验为例，使用Claude Code或Cursor的Composer模式，我可以在几分钟内搭建一个完整的CRUD应用。我需要做的，仅仅是描述“我想要一个用户管理系统，支持登录、注册、数据列表和导出功能”。AI会生成数据库schema、后端接口、前端页面，甚至帮我写好单元测试。
这就像你对着智能烤箱说“我要一份五分熟的肋眼牛排”，它会自动调节温度曲线、翻面时机和静置时间。你不需要知道什么是美拉德反应，不需要掌握翻锅技巧，你只需要在牛排出锅后，用叉子戳一下，判断熟度是否合适。
代码审查正在取代代码编写，成为核心技能。 这意味着，未来的开发者不再需要记住tensorflow的API细节，但需要能判断AI生成的模型训练代码是否会导致梯度爆炸。不再需要手写复杂的SQL查询，但需要能识别AI生成的查询是否会导致全表扫描。
但“煎牛排”类比有一个致命的缺陷：牛排的评判标准是相对统一的——熟度、口感、风味。而代码的评判标准是高度语境化的——性能、可维护性、安全性、扩展性，这些指标往往互相冲突。
AI在代码生成上的表现，更像是一个“高平均分但低上限”的厨师。它能稳定输出70分的代码——结构清晰、风格统一、无明显bug。但当你需要90分的代码时——比如一个在高并发场景下保持毫秒级响应的系统，或者一个需要巧妙利用缓存机制和异步非阻塞I/O的架构——AI就开始露馅了。
我让Claude Code优化一个Python数据处理脚本，它给出的建议是“使用多线程”。对于一个I/O密集型任务，这确实有效。但当我追问“如果瓶颈在CPU计算而非I/O呢？”它沉默了，然后给出一个笨拙的numpy.vectorize方案，全然不顾Python GIL的限制。
这种转变带来的最显著变化，是开发团队结构的扁平化。过去，一个产品需要前端、后端、数据库工程师、测试、运维五类角色，现在，一个“产品工程师”用AI工具就能覆盖60%的工作量。但这个“产品工程师”的角色不再像传统开发者那样专注于实现，而是专注于定义、评审和集成。
这就像现代厨房里的“家庭厨师”：你不再需要会揉面，但需要会判断什么样的披萨底是好吃的；不再需要会熏烤，但要能识别烟熏味和焦糊味的区别。“能做”变成“能品”，技能从“生产”转向“消费”。
然而，这种“品尝能力”的培养并不比“烹饪能力”简单。它需要更广的知识面——你不需要知道怎么写一个Redis分布式锁，但需要知道什么情况下该用Redis而非数据库锁。你不需要知道怎么配置Kubernetes集群，但需要判断AI生成的YAML文件是否会导致节点资源不足。
“去技能化”的另一个错觉是“门槛降低意味着价值降低”。恰恰相反，当实现层面的门槛降低，评估和决策层面的价值会指数级上升。
我让AI生成一个图像分类模型，它给了我一个标准的ResNet。这在Kaggle竞赛中能拿个及格分，但在生产环境中，面对千万级的用户请求和毫秒级的响应要求，这个方案就是灾难。一个优秀的“牛排品尝师”会意识到：需要蒸馏模型、量化参数、部署到边缘设备，甚至考虑用MobileNet替换ResNet。
这些决策，是AI无法替代的。AI可以帮你写ResNet的代码，但无法判断“在移动端用ResNet是不是一个愚蠢的选择”。这种判断力，来自于对业务的理解、对技术演进的前瞻、对系统瓶颈的直觉——而这些，恰恰是“技能”中最难被自动化的部分。
回到“牛排”的类比，我想到一个更精确的表述：AI是智能烤箱，而人类是味觉校准器。 烤箱能控制温度、时间，但它不知道“今天食客心情不好，想要更嫩的口感”。人类的需求是模糊的、动态的、充满隐式约束的——AI需要人类不断地反馈“这个不对，我要的不是这种感觉”。
这种反馈过程，本身就是一种新的编程范式。你不再用代码语言告诉机器“如何做”，而是用自然语言、示例和批评告诉机器“做什么”和“什么不对”。这就像训练一只聪明的狗——它学会了捡球，但需要你通过奖励和惩罚来校准“捡回来之后是递到你手里还是放在地上”。
我在项目中使用AI的经验是：它的“理解力”提升速度远超我的预期，但它的“判断力”仍然停留在“感觉对”的层面。 我会让它生成代码，然后问它“这段代码在极端情况下会怎样？”它往往会给出一个“理论正确”但“实践危险”的答案——就像一位从未在暴雨天开过车的司机，能流畅背诵交规，但不知道积水路段应该减速慢行。
“软件开发越来越像煎牛排”这个类比，精辟之处在于它捕捉到了“去技能化”的精髓：复杂流程被封装，显性知识被自动化，但隐性知识——判断力、品味、直觉——变得更加稀缺。
未来的开发者，不再以“代码行数”论英雄，而以“决策质量”分高下。你不需要知道如何用C语言写一个内存管理器，但需要知道什么时候该用Rust，什么时候该用Go。你不需要会写汇编，但需要理解为什么AI生成的Python代码在性能上无法替代C。
这并不意味着程序员会失业，而是意味着“程序员”这个职业会像“打字员”一样消失，但“软件工程师”这个角色会像“编辑”一样重生。 我们不写代码，我们写“品味”和“标准”。我们不生产牛排，我们定义“什么是好牛排”。
而这场革命最讽刺的地方在于：AI越强大，人类对“判断力”的需求就越高。 当机器能搞定一切“如何做”，剩下的“做什么”和“为什么”就变得空前重要。这或许是人类在智能时代的终极分工——我们负责“品味”，机器负责“烹饪”。
当AI写代码变成煎牛排：我们正在见证一场“去技能化”的静默革命 🔥
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
想象一下，一个从未进过厨房的人，靠着一台智能烤箱和一份精确到克的菜谱，煎出了米其林级别的牛排。这不是科幻电影，而是正在发生的现实——只不过，这次的主角从牛排变成了代码。
如果你在2023年之前告诉一个资深程序员，未来写代码的门槛会低到“会说话就行”，他大概率会嗤之以鼻。但今天，当你看着GitHub Copilot、Cursor、Claude Code这些工具像流水线上的机械臂一样吐出函数、重构模块、甚至自动修复bug时，一个令人不安又兴奋的事实逐渐清晰：软件开发正在经历一场“去技能化”的范式转移，其过程酷似烹饪界从“厨艺大师”到“智能烤箱”的演进。
最近，Hacker News上的一篇博客文章《Software development with AI is starting to feel like cooking steak》引发热议。作者Sydorets用了一个极其精妙的类比：当AI介入代码编写，开发者的角色正在从“大厨”变成“牛排品尝师”。你不再需要掌握刀工、火候和调味，你只需要学会“品尝”——判断这块AI煎出来的牛排，是不是你想要的熟度。
📌 来源：Hacker News
#AI编程 #软件开发范式 #去技能化
#科技资讯 #彩虹洋葱AI
点击「复制」获取平台专属文案，到各平台编辑器（App/网页）粘贴即可发布。
有密钥的 4 个平台（微信服务号 / 头条 / 百家号 / 微博）可自动发布，密钥填好后自动点亮。
| 平台 | 状态 | 操作 |
|---|---|---|
| 简书 | 📋 手动复制 | |
| 快手 | 📋 手动复制 | |
| 微博 | 🔑 待配置密钥 | |
| CSDN | 📋 手动复制 | |
| 掘金 | 📋 手动复制 | |
| 公众号 | 🔑 待配置密钥 | |
| 今日头条 | 🔑 待配置密钥 | |
| 知乎 | 📋 手动复制 | |
| B站 | 📋 手动复制 | |
| 抖音 | 📋 手动复制 | |
| 百家号 | 🔑 待配置密钥 | |
| 小红书 | 📋 手动复制 |