中文精炼导读
核心观点
- Addy Osmani 提出核心论点：品味（taste）与判断力（judgment）过去是"重复练习"（reps）的副产品，而 agent 拿走了这些重复练习——所以如果你是初级开发者，现在必须"刻意去获取"品味与判断力；"那些有已知答案的问题的解决能力会被自动化，真正持久、不可升级的不是它，而是选择构建什么、判断它好不好"。
- 入门层在萎缩，数据触目惊心：截至 2026 年 3 月，应届大学毕业生失业率达 5.6%、就业不足率 41.5%，且应届生失业率高于全体劳动力（历史反转）；Indeed Hiring Lab 发现初级与标准技术岗位自 2020 年初以来下降 34%（资深与管理岗只降 19%），要求 5 年以上经验的技术岗位占比从 37% 升到 42%；斯坦福数字经济实验室对最受 AI 影响的 22-25 岁早期职业者显示 13% 的相对就业下降（2026 年 2 月修正为 16%）。
- 但这不是单纯的 AI 故事：部分是对 2022-2025 招聘狂潮的修正，而且同一时期有乐观叙事——世界经济论坛《Future of Jobs 2025》预测到 2030 年新增约 1.7 亿岗位 vs 9300 万被取代（净增 7800 万）；阿波罗首席经济学家 Torsten Sløk 声称"零证据表明 AI 导致失业"。作者调和两者："总增长与消失的第一级台阶同时为真"——需要判断力与批判性思维的高级岗会大幅增长、初级岗可能萎缩（Goldman Sachs 估计 2026 年美国每月净失约 1.6 万个岗位、Gen Z 与入门级受创最重）。
- 关键概念：entry-level 软件岗位不只是就业、更是"培训系统"（Mark Russinovich 与 Scott Hanselman 警告 agent 帮助资深开发者却夺走初级者的面包、使金字塔收窄）；"监督悖论"（Anthropic 报告称他们只在已经知道答案时才用 AI，且监督 agent 恰好需要你在过度依赖时萎缩掉的技能）；以及认知投降与理解债务两笔"债"（Shaw & Nave 研究：约 1 万次试验中人们近 80% 的时间接受错误的 AI 输出、准确率比无 AI 基线低约 15 个百分点、置信度却升约 12%）。
- 七个培养品味与判断力的具体行动：读远多于你生成的代码并主动找逻辑错误/安全洞/边缘情况；维护"错误日志"（agent 的每个错误记一句话、三十天看出模式）；刻意用笨办法做几件事（手写解析器、从零建 CRM）；深入一个系统端到端、一直推到失败；把"写规格"与"验证"分开（规格质量是最大杠杆）；建一个围绕"正确性/可维护性/效率/安全/风格"rubric 的评估框架、在 50 个 AI 生成的真实 PR 上跑并校准内部质量函数；按任务校准自主度（便宜可逆的任务调到最大、昂贵失败调低）。
内容精讲
文章从"品味曾是重复练习的副产品，agent 拿走了重复练习"这一判断出发。作者回顾自己的成长：第一块学习来自数千次样板代码、bug 修复与解题的重复；几乎所有品味与判断都来自这些重复而非天赋；随着时间推移，他学会处理越来越复杂的抽象与权衡——这就是初级成长为资深的方式。但 agent 将自动化所有这些重复，从根本上改变"初级到资深"的路径。持久且不可升级的东西不是"解决已知答案的问题"，而是"选择构建什么、判断它好不好"。
入门层的萎缩有扎实数据支撑。美联储纽约分行的数据显示 2026 年 3 月应届生失业率 5.6%、就业不足率 41.5%，应届生比全体劳动力更可能失业（历史反转）；Forbes 引述圣路易斯联储数据：计算机工程应届生失业率 7.5%、计算机科学 6.1%，均高于许多非技术专业。需求侧被重塑：Indeed Hiring Lab 发现初级与标准技术职位较 2020 年初下降 34%，资深与管理岗仅降 19%；要求 5 年以上经验的技术职位占比从 37% 升至 42%——而计算机科学毕业生人数还在增长。最受 AI 暴露的早期职业者（22-25 岁）在斯坦福原始研究中相对就业下降 13%，2026 年 2 月的跟进修正为 16%（至 2025 年 10 月），且在许多这类职业里该年龄段曾占招聘的约一半。
作者随即给出三处谨慎。其一，这不纯粹是 AI 故事——部分是对始于 2022 年、延续到 2025 年的招聘狂潮的修正；斯坦福作者早期也谨慎——早期信号浑浊，只有 2024 年之后数据才干净到能分离出可归因于 AI 的下降。其二，太多厂商的"合成劳动力"公告是营销散文而非预言。其三，市场其余部分有真正的乐观叙事：世界经济论坛《Future of Jobs 2025》预测到 2030 年新增约 1.7 亿岗位、仅 9300 万被取代（净增 7800 万）；Torsten Sløk 声称"零证据"——但 Goldam Sachs 看 2026 年薪资单估计每月净损失约 1.6 万个美国岗位、Gen Z 与入门级受创最重。作者总结："总增长与消失的第一级台阶同时为真"——高级岗（判断与批判性思维）会增长、初级岗会萎缩；如果你是试图爬上第一级台阶的人，净数字只是冰冷的安慰。
接下来是"如何继续"与"为什么品味是答案"。如果 AI 层擅长任何事，那就是"有任何答案钥"的事——学校曾一路都是答案钥。所以与其盯着职位可得性，不如聚焦发展品味："以赚来的模式匹配形式存在的压缩经验"。Kent Beck 指出 AI agent 不太可能拥有品味（即判断），所以这些交汇处得靠人类供应。我们欠下两笔债：认知投降与理解（债务）。初学编程时老师告诫不要从 Stack Overflow 复制粘贴——尤其当把"复制粘贴"决策卸载给 AI agent 时问题更糟：Shaw 与 Nave 调查了 1372 名参与者、约 1 万次试验，发现人们近 80% 的时间接受错误的 AI 输出，准确率比无 AI 基线低约 15 个百分点、置信度却升约 12%。agent 运行活动循环（调查、实现、测试、报告），而人类拥有外层循环：决定结果是否值得你的注意、验证结果是否值得批准（diff、测试结果、日志与一个简短的为什么）、批准或阻止、承担后果——边界是证据；两个循环之间的差距正迅速扩大，你必须管理它。
随后是七件可做的具体事。读远多于你生成的代码，主动寻找逻辑错误、安全漏洞、简单或微妙的边缘情况，定期自问"我想对了该想的事吗"。维护"错误日志"——agent 的每个错误记一句话，三十天后你会看到模式。刻意用笨办法做几件事——手动构建解析器、CRM 或其他有意义的东西；Karpathy 强调记忆、视图与存储这类 agent 会搞错的基础。深入一个系统端到端、一直推到失败，然后才知道真正的"深度"是什么感觉。把"写规格"与"验证"分开——规格写作是清晰思考、验证是证据，规格质量是最大的杠杆。建一个评估框架：围绕正确性、可维护性、效率、安全、风格的 rubric，跑在 50 个由 AI agent 生成的真实 PR 上，注意意外的测试失败与修复，校准出你内在的质量函数。按任务校准自主度——便宜可逆的任务调高、昂贵失败调低，学会校准是资深开发者值得每天练习的本能。
关于"构建这些 agent 的人告诉初级者什么"：Claude Code 的 Boris Cherny 说"人们仍然需要知道软件工程底层的技艺，包括语言、编译器、运行时与系统设计"——他的"编码大体已解决"是就他个人觉得高效的工作流而言，不是让你放弃基础；作为工程师你真的需要知道引擎盖下发生了什么。警惕监督悖论：Anthropic 报告称他们只在已经知道答案时才用 AI 帮助，并警告监督 agent 恰好需要你在过度依赖时萎缩掉的技能；对初级者，刻意成长为那种心态（而非盲目接受答案）需要努力——谨慎使用工具、同时刻意加深对你所工作的系统的理解，想清楚你愿意让哪些肌肉萎缩（Gergely Orosz 用 AI 写码但零 AI 写作）。
"持久价值聚集在哪里"：从优化稀缺资源开始——资本充裕、时间充裕，而真正的关系、尤其"做好工作的记录"仍然稀缺（"我能两周内筹到钱，但不能筹到声誉"）。当 vibe-coding 让赚快钱变得琐碎，那快钱就没什么价值；稀缺的举动是选择值得发布的东西。据此四条原则：完成最后一公里（自动化覆盖容易的 80-90%，最后一公里——边缘情况、架构、品味——才是整个游戏；当草稿变免费，完成就是产品，是区分人的地方）；解决难版本（Richard Sutton 著名的苦涩教训不仅是职业建议：容易版本已解决，持久价值来自解决难的那个）；在硬问题附近公开建造（开源记录里的真正好作品是稀缺的——像足球的期望进球一样，声誉与公开工作决定你得到多少机会，判断力决定你是否把握；他几乎所有真正机会都来自公开工作而非应聘，所以"无论哪里有你想解决的硬问题，先进门"——在小公司实习、上软件工程轨道、或做带生产代码的副业项目）；做 T 型通才（在一两个领域拥有最深知识、同时保持广泛素养的开发者交付最好结果；AI 辅助意味着单点贡献者能在更少领域做得更多，拥抱小跨职能团队与端到端工程师的团队会兴旺）。结尾一句话点题："这个世界不缺机会，缺的是能找到正确问题、判断机器是否解决了它、并在机器停下之后继续完成的人。"我们谈"最后一公里"是最大的一块拼图，但在 agent 世界里最后几英尺实际上是无限的——agent 无限扩展产出、你却不能；你的注意力是最宝贵的资产、不会重新充满，保护它。任何能被别人打分的东西都在被自动化；职业是不可打分的部分：选择什么重要、诚实地判断你得到了什么、并为它负责。公开地、在硬问题附近去做，其余自然水到渠成。
阅读价值
适合初级/中级开发者、工程管理者以及任何在 AI 时代规划职业路径的人：这篇文章用扎实的数据（应届生失业率、岗位结构变化、AI 接受度研究）指出入门层的真实处境，同时给出了"刻意培养品味与判断力"的七条可操作建议与四条职业原则；对想理解"agent 时代什么是真正稀缺的技能、该如何成长"的人很有价值。
本文为中文精炼导读,由 AI 基于原文整理,内容与图片版权归原作者所有。原文: https://addyosmani.com/blog/earning-judgment/