一个不太舒服的类比
有个观察让我困扰了挺久：医生越老越值钱，程序员越老越尴尬。
医生看了一万个病例，临床直觉会长出来。那个直觉不可替代，也不可压缩——你没法把它写成文档让新手直接用。程序员呢？你写了十年 Java，Spring 那套东西确实熟了，但 AI 现在写得比你快。你花三年搞明白的分布式系统调优，Claude Code 五分钟给你一个比你好一点的方案。
不是夸张。我自己用 Claude Code 和 Hermes Agent 做开发，一个下午干完以前两三天的活。如果”写代码”是我的核心价值，那我确实在被替代的路上。
但这个类比本身就有问题。
医生的护城河不是你想的那样
医生真正不可替代的不是诊断能力——这块 AI 已经在碾压了。影像识别的准确率，AI 超过大部分放射科医生。IBM Watson 几年前就能根据症状列表给出比主治医师更全的鉴别诊断。
医生真正值钱的是三样东西：执照（制度性壁垒）、患者信任（关系壁垒）、出了事找他（责任壁垒）。前两个跟技能无关，是制度和社会契约在保护。程序员没有这些保护，所以焦虑来得更早更直接。
但反过来说，你也不需要这些保护。因为程序员的价值锚点本来就不在”写代码”上。只是大部分人——包括之前的我——把它搞混了。
代码成本坍塌之后，什么在涨价
我写过一篇长文聊”当人类智力不再稀缺”，从宏观角度拆了这个问题。这次换个角度，从个人出发。
一句话：执行层价值归零，判断层价值放大。 每次技术革命都是这个规律。计算器干掉了算术能力，会计师没消失，但他们的活从”算对”变成了”知道该算什么”。摄影干掉了写实绘画，画家没消失，但价值从”画得像”变成了”画什么”。
AI 干掉的是代码执行。那程序员应该积累什么？
品味
品味听着玄，拆开看就是：你见过足够多好的和差的，形成了”这个方向对了/错了”的直觉，并且能把直觉说出来。
我有一个买房评分体系，13 个维度，每个维度有权重。AI 可以帮我搜任何一个维度的数据，但”这 13 个维度各占多少分”是我定的。别人拿到同样的数据，可能觉得学校比交通重要，或者噪音根本不算事儿。没有标准答案，但做判断的是人。
还有一个”去 AI 味五条”写作规范，是我改了几十篇文章之后提炼出来的。每一条都是踩过坑才知道的——“动词 unnatural”这条，是我发现自己写完的东西读出来像翻译腔，才意识到问题在哪。
品味的本质是压缩了无数次试错的结果。你可以把最终结论告诉别人，但他没法从结论反推出压缩过程。这就是不可替代的部分。
问题定义
最近半年我一直在用 AI 做开发，发现一件事：花时间最多的不是”让 AI 写代码”，是”写清楚验收标准”。
举个例子，让 AI 做一个翻译功能。如果你只说”翻译这段文字”，你会得到一堆中英混杂、术语不一致的东西。但如果你写清楚：翻译后不能有中文字符、术语表必须前后一致、每个技术术语第一次出现要标注英文原文——那 AI 一次就能过。
这个过程让我意识到，“定义什么是对的”比”做出对的东西”难得多。前者需要你理解领域、理解约束、理解边界情况。AI 可以帮你执行任何标准，但标准本身得有人定。
上下文积累
我有一个 Obsidian wiki 系统，里面 20 多个页面，记录了技术判断、投资分析、思维公理。这些东西的价值不只是”存了资料”，而在于形成了只有我拥有的语义网络。每个页面之间的链接——比如公理 A03（IC→Manager）连到 T05（认知是资产）再连到具体的代码案例——这是我的思维路径。别人拿到同样的原始材料，建不出同样的结构。
Hermes Agent 的记忆系统也是这个思路。四层记忆分离，从即时上下文到长期知识库，每次交互都被蒸馏成可复用的认知。这个东西越用越值钱，因为上下文在叠加。
跨域连接
在程序员里我懂投资，在投资者里我懂技术，在技术人里我关心哲学——佛学无常、认知科学、决策框架。这种跨域视角是自然长出来的，不是刻意学的。
AI 能在每个领域给我信息，但它不会主动把”佛学的无常""投资的周期""技术的范式转移”连在一起讲。而这三件事其实是同一个模式：旧的稳态在崩塌，新的还没建立，过渡期最危险也最有机会。这种连接是人的活儿。
我在怎么做
不是理论，是过去半年实际在做的事。
把判断力外化。 每次做一个重要决策——技术选型、投资判断、产品方向——我把思路写成结构化文档。不是记录结论，是记录”我当时的判断依据是什么”。过一阵回头看，有些对了，有些错了。对了的沉淀成公理，错了的变成教训。这个过程本身就在练品味。
练习写验收标准。 每次用 AI 完成一个任务，先写验收标准再动手。一周之后回头看：哪些标准写得好（AI 一次过），哪些写得差（反复修改）。好和差之间的差距，就是品味在生长的地方。
建了一个 wiki 系统当第二大脑。 前面说的那个。三层信息流：收集层（原文不动）、结构层（消化后的笔记）、稳定层（从实践中提炼的核心认知，我管它叫”公理”，改动的频率是季度级的）。这个系统越用越顺，因为认知在叠加而不是每次从零开始。
继续跑步和力量训练。 跟 AI 没直接关系，但身体技能是不可自动化的。42 公里只能用自己的腿跑。说极端一点，能跑半马、能爬山的人，在未来可能比能写代码的人更稀缺。不是比喻，是字面意思——物理共在的服务在涨价。
身份这件事
说到底，焦虑的根源不是”程序员会不会失业”，是把”自我”绑在了”程序员”这个身份上。
我之前有一篇自我评估，结论是”觉醒的工程师”。工程师不是”写代码的人”，是”解决问题的人”。代码是当前时代的工具，就像铁锤是铁匠时代的工具。下一个时代的工具会变，但”定义问题、分解任务、验收结果、承担责任”这些能力不变。
佛学讲无常，不是说”一切都会变所以躺平”，是说”一切都会变所以别把锚钉在会变的东西上”。代码会变，框架会变，语言会变。判断力、品味、跨域理解——这些沉淀得慢，但不会过期。
我不确定的地方
品味能不能被 AI 学习？现在看起来不能——它需要真实的体验和反馈闭环。但如果 AI 开始模拟反馈闭环呢？
“AI 编排者”这个角色会不会也被 AI 化？如果”定义验收标准”可以自动化，那人的价值又在哪？也许在于定义”验收标准的标准”——但这听着像无限递归。
物理世界的不可替代性能维持多久？具身智能的进展速度比我预期的快。
这些问题没有答案。但把不确定说出来，比假装确定好。假装确定的人死得最快。
这篇是 compound-career-ai-era 的博客化版本，更完整的框架和学习方向见 wiki。