深度解读：当领域知识变得“可提示”——一位资深工程师对 LLM 侵蚀职业生涯的回应

背景

这篇内容源自 Hacker News 上的一篇热门讨论串，是对作者此前发布的引发病毒式传播的文章《LLMs are eroding my career》（大语言模型正在侵蚀我的职业生涯）中评论的集中回复。

作者作为一名在金融科技（Fintech）领域深耕多年的工程师，其前文观点引发了广泛争议。为了在 Hacker News 或 Reddit 等平台上避免陷入无休止的线程争论，作者选择在此处“精选”部分具有代表性的评论，并逐一进行详细回应。这些回复不仅揭示了当前 AI 技术在企业内部的真实落地情况，也反映了技术人员面对技术范式转移时的焦虑、妥协与深层担忧。

核心内容

作者通过回复不同视角的评论，从技术落地、职场策略、行业趋势及历史类比四个维度，完整阐述了其核心观点：

1. 领域知识的“可提示化”危机

针对评论者质疑“LLM 无法处理复杂的本地税务法规或会计细节”，作者承认 LLM 确实无法完全自动化处理极度细粒度的法律合规问题（这通常由法务团队处理）。然而，痛点在于：作者花费多年时间掌握的、介于普通程序员与法务专家之间的“领域知识”（Domain Knowledge），现在只需通过 ChatGPT Pro 或 Extended Thinking 模式进行简单的 Prompting（提示）即可获取。

这种变化让作者感到悲伤。过去，拥有特定领域的深厚知识是区分“只会写代码的程序员”与“资深专家”的关键壁垒。如今，这一壁垒正在消失，领域知识变得廉价且易于获取。此外，随着 Agent 技术的进步以及 AGENT.md 等规范文档的普及，Agent 读取内部文档并执行任务的能力大幅提升，导致工程师不再需要像过去那样频繁向资深同事请教细节，这种“去人工化”的趋势令人不寒而栗。

2. 在“Vibe Coding”浪潮中的生存策略

面对管理层推荐利用 AI 加速设计文档、以及随之而来的裁员压力，作者分享了自己在职场中的“ workaround ”（变通策略）：

• 文档模糊化：故意在设计文档中保留实施细节的模糊空间，以便在 AI 生成代码后，利用审查者因工作量大而变得“不挑剔”的机会，进行深思熟虑的手动修正。
• 流程博弈：通过增加端到端（E2E）测试工单、将敏感的实现模块拆分为更多小卡片等方式，为自己争取审查和实施的时间与空间，以谨慎应对 AI 可能引入的缺陷。
• 现状评估：作者坦言不喜欢这种状态，但考虑到公司并非处于“Vibe Coding”（凭感觉写代码）的最前沿，离开去一个可能更糟糕的环境并非明智之举。他庆幸自己凭借严谨的声誉，能够在利益相关者面前控制焦虑，避免被推向完全失控的全速 AI 编码模式。

3. 对“杰文斯悖论”的质疑与职业商品化担忧

对于“骑在浪潮上”的乐观观点，作者表示虽然自己正在努力成为所谓的“AI 原生工程师”（他厌恶这个术语），但他更担忧未来。

• 需求上限论：作者反对杰文斯悖论（即效率提高导致资源消耗增加）在软件行业的简单适用。他认为软件需求存在上限。
• 文案行业的先例：以文案写作为例，该职业曾需要多年磨练且高薪，但随着电商和广告技术带来的需求激增，LLM 的出现摧毁了大多数普通文案人的工作。需求并未因供给增加而十倍增长，导致一名 AI 辅助的文案人可替代十名传统文案人，而市场需求固定，导致大量从业者失业。
• UX Writer 的遭遇：连用户体验文案（UX Writer）这样看似有前景的职业也未能幸免，大型组织解雇了大部分此类员工，因为 AI 生成文本标签在 90% 的情况下已足够好。
• 知识工作的全面冲击：软件只是“低垂的果实”。随着模型在金融、生物、法律、营销等领域的应用（如“ChatGPT for Health”），所有知识工作者都将面临同样的命运。虽然会有少数人负责“驾驭”Agent，但他们也将因供需关系而变得廉价且可替代。

4. 驳斥“历史重复论”与 FUD 指控

针对评论者认为这只是像 90 年代面向对象编程（OOP）或元宇宙那样的短暂浪潮，以及指责作者是“AI 托儿（Shill）”或散布恐惧（FUD），作者进行了有力反驳：

• OOP 与 LLM 的本质区别：OOP 并没有让知识变得“可提示”，也没有显示出以指数级速度替代跨领域大量工人的迹象。
• 拒绝历史决定论：人们倾向于用过去（如 OOP、NFT）来预测未来，但这是一种谬误。正如新冠疫情初期被轻视一样，某些“非凡事物”发生时，旧有的经验主义会失效。
• 科幻般的现实：我们构建了一种能够连续数小时输出有用文本字符串的“矩阵乘法机器”。这不仅是工具的升级，而是本质的改变。作者呼吁人们停止用（糟糕的）过去例子来预测未来，承认我们正在面对一个比 OOP 更巨大的变革，并据此采取行动。

关键要点

• 领域知识壁垒崩塌：资深工程师的核心竞争力——特定领域的深层知识（如税务、会计逻辑），正通过 LLM 的 Prompting 能力变得廉价且易获取，导致“专家”与“普通程序员”之间的界限模糊。
• Agent 能力的跃升：结合 AGENT.md 等规范，Agent 已能高效读取内部文档并执行任务，减少了对人类专家隐性知识传递的依赖。
• 职场防御性策略：在 AI 加速开发的环境下，工程师被迫采取“文档模糊化”和“流程博弈”等策略，以保留人工审查和修正的空间，防止 AI 引入的缺陷造成生产事故。
• 需求刚性 vs 供给爆炸：作者质疑软件需求会随效率提升而无限增长的观点，引用文案行业案例指出，当 AI 使单人产出提升 10 倍而市场需求固定时，绝大多数从业者将被淘汰。
• 全面冲击知识工作：软件行业仅是起点，金融、法律、医疗等领域的“Harnesses”（应用框架）正在开发中，所有知识工作者都面临被商品化的风险。
• 范式转移的非线性：当前的 AI 变革不同于 OOP 或 Web 2.0，它是一种基于大规模矩阵乘法、能持续生成复杂文本的“科幻级”技术突破，不能简单套用历史周期律来低估其影响。

意义与影响

这篇回复不仅是个人的职业焦虑宣泄，更是对当前 AI 技术落地现状的深刻剖析，具有多重行业意义：

1. 重新定义工程师的价值：它警示行业，单纯依靠“领域知识”或“业务逻辑理解”已不足以构建职业护城河。未来的工程师可能需要转向更具创造性、架构性或难以被自动化验证的领域，或者成为真正能够驾驭复杂 AI 系统的“AI 原生工程师”（尽管作者对此术语持保留态度）。
2. 揭示企业内部的 AI 落地真相：与外界对 AI 无所不能的炒作不同，企业内部的实际操作充满了妥协、人工干预和流程博弈。管理层追求效率，但一线工程师必须承担质量风险，这种张力将持续存在。
3. 对知识经济结构的冲击预警：作者关于“需求上限”和“职业商品化”的观点，为理解 AI 对劳动力市场的长期影响提供了不同于主流乐观主义的视角。它预示着知识工作将从“稀缺资源”转向“大宗商品”，可能导致薪资结构的剧烈调整和社会阶层的重新分化。
4. 技术伦理与应对心态：文章呼吁停止用过去的技术浪潮（如 OOP）来麻痹对当前变革的警惕。它强调了一种“清醒的适应主义”：承认技术的颠覆性，不盲目乐观也不纯粹恐惧，而是通过提升自身技能（如 adversarial code reviews、工具链建设）来在变革中寻找立足点。

总之，这篇文章是理解当前 AI 时代技术人员心态、企业技术策略以及未来职业前景的重要参考文本。它提醒我们，技术进步的代价往往由基层执行