软件工程师转型指南：从写代码转向做 AI 帮不上忙的事

他的核心判断是：开发 SaaS 应用曾因高门槛而稀缺，但现在开发一套复杂的企业级软件甚至比五年前搭一个简单网站还容易，所以工程师应转向依然存在真问题的领域，用一支百人、千人团队的生产力标准去思考国家级、全球级的项目。

他的应对策略是学习产品定位、创造力、心理学和市场营销这类没有标准答案、也没有现成测试集的“人的问题”，并建议工程师跳出技术圈去理解产品、营销和销售的完整商业闭环。他引用戴维·多伊奇《无穷的开始》的观点：计算机淘汰了旧工作，但最终创造出的新岗位多得多。

好文章👍 转译：《软件工程师现在该怎么办》 我听过有人说，软件工程师（SWE）要想保持竞争力，就得不断学习写代码和各种技术栈。我并不认同。 每发布一个新模型，这些纯技术技能的价值就会缩水一分。每天我都觉得自己越来越像个管理 AI 的产品经理，对深厚技术知识的需求则在不断减少。我原以为牢固的“技术护城河”早已干涸，现在给模型写一段用户故事作为提示词，效果甚至比一份严谨的技术方案还要好。工作所需的技能正在变得越来越不“技术”，而是越来越“人性化”。 有时候，看到 AI 正在解决我过去常做的那些难题，比如开发 SaaS 软件，我心里也挺失落的。过去，我非常享受埋头打磨一款应用、看着它一步步变成现实的成就感。眼睁睁看着自己辛苦学来的技能变得几乎一文不值，确实很打击人。开发 SaaS 应用曾经是个高门槛的难题，这也是我热爱它的原因。但现在它不再是难题了，所以我必须转向那些依然存在真正难题的领域。我需要把格局放得更大。 我最喜欢的书之一是《无穷的开始》（The Beginning of Infinity，注：知名物理学家戴维·多伊奇的科普哲学名著，探讨人类知识与进步的无限潜力），书中有个观点让我印象深刻：人类的创新没有尽头——“只要不违背自然规律，只要掌握了正确的知识，一切皆有可能。”每当我们创造出一项新事物，就会有成千上万种新的可能性随之诞生。计算机的发明淘汰了许多旧工作，但它最终创造出的新岗位要多得多。 AI 是一项了不起的创新，它赋予了我们做更多事情的能力，而这也要求我们换一种新思维。用我的旧思维来看，做一个 SaaS 应用就已经算大事了，但现在完全不是这样。如今开发一套复杂的企业级软件，甚至比五年前搭建一个简单的网站还要容易。所谓的“干大事”，意味着要在更宏大的尺度上去思考——国家级的、全球级的，甚至是宇宙级的。试想一下，如果你手下有一支 100 人的软件工程师团队，你能做出什么？如果是 1000 人呢？现在，我们只需花极低的成本就能拥有这样的生产力，所以我们绝不能再把目光局限于做几个 App 了。 作为工程师，我们还需要拓宽自己的能力边界。我们不能只盯着技术能力，而要跳出技术圈，去理解整个商业闭环：包括产品、市场营销和销售。 为了在当下保持不可替代性，我的做法是去学习那些 AI 帮不上忙的东西：产品定位、创造力、如何打动人心（delighting humans）、心理学、市场营销等等。这些属于“人的问题”，AI 永远无法独立解决，因为它们没有标准答案，也没有现成的测试集可供训练。AI 极擅长模式匹配（pattern matching），但它永远无法真正理解“身而为人”究竟是一种怎样的体验。而这，正是我们人类不可替代的价值所在，也是我正在加倍投入的方向。 Scott Bolinger @scottbolinger What a software engineer should do now 🔗 View Quoted Tweet📊 7 ⚡

本条情报归属 AITOP「技巧」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：软件工程师、AI编程、职业转型、SaaS，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明：本文原始线索采编自「宝玉」（@dotey），经 AITOP 多维评分管线结构化提炼。