AI浪潮下，“老码农”为何再度吃香？

在“拥抱AI”的洪流中，这个题目有点像在开历史的“倒车” 一家之言，讲的不对还请原谅

其实，我想说的是，大模型本身就是知识库，里面蕴含了你所需要的信息，但是你得知道怎么才能把它里面的只是“调”出来。这就需要开阔的技术视野。技术没有偏见，但它会毫不留情地放大已经存在的优势。对于那些已经在梯子上的人来说，AI 是鼓风机，把他们吹得更高。 生成式 AI ，正在成为一种偏爱老人的技术变革。它只是在重塑用人结构。用过AI写过代码的程序员都知道，AICoder是遇强则强。如果你总是使用“外行”的Prompt，AI写的代码也就那样，譬如在不远的上周五，800美元Meta智能眼镜首秀发布会就“翻车”了，小扎尬笑救场甩锅“网太差”。

1. 时代的焦虑：AI洪流与“老”程序员的处境

随着ChatGPT的横空出世，整个技术圈被注入了一剂强心针，也带来了一片焦虑。一种普遍的观点弥漫开来：传统的程序员，尤其是那些专注于业务逻辑、增删改查的“老”程序员，即将被AI所取代。未来的编程世界，将属于那些能够熟练运用提示词（Prompt Engineering）、微调大模型的AI原生开发者。江湖上流传这样的传说：似乎只需要一个想法，AI就能自动生成完整、稳定、可扩展的系统。

这种担忧不无道理。AI正在自动化大量的写代码任务，但这背后隐藏着一个危险的错觉：我们是否过于关注AI的“智能”，而忽略了支撑这份智能“躯体”的健壮性？

2. 现实的警钟：发布会翻车与工程能力的缺失

然而，Meta和小米在万众瞩目的发布会上接连“翻车”，给这种“狂热”浇下一盆冷水。

扎克伯格的Wi-Fi借口和CTO坦承的“自我DDoS与Race Condition”，小米服务器因一声“小爱同学”而崩溃，这些问题的根源并非AI模型本身不够智能，而是经典的、甚至有些“老套”的系统工程问题：

• 熔断机制缺失：系统未能识别异常流量并果断切断非核心服务，导致雪崩效应。
• 限流策略失效：缺乏全局或基于上下文（如识别直播集中请求）的智能限流，让海量请求直接压垮后端。
• 弹性伸缩不足：基础设施无法在短时间内快速扩容以应对突如其来的流量洪峰。
• 竞态条件（Race Condition）：正如Meta CTO所言，这在并发系统中是一个古老而棘手的问题。在AI时代，多个请求处理共享资源（如模型参数、上下文状态）时，这个问题会以新的、更复杂的形式出现，而传统的解决方案未必能直接套用。

这些问题清晰地表明，再聪明的“大脑”（AI模型），也需要一个强健的“身体”（系统架构）来承载。而构建这个“身体”的知识——分布式系统、高并发设计、容错降级——正是那些久经沙场的“老”程序员们所积累的核心财富。AI并没有让这些知识过时，反而让它们变得前所未有的重要。

3. 思维的转变：从“功能实现”到“系统生存”

AI时代对程序员的技术思维提出了新的、更高的要求。它不再是简单的“调用一个API”，而是需要一种全局的、系统的思维方式。

• 从“确定性”到“概率性”：传统软件的输出是确定的（输入A必然得到B）。AI模型的输出是概率性的（输入A，更可能得到B，但也可能得到C）。程序员必须设计系统来处理这种不确定性，比如通过多次采样、后处理或备选方案来保证最终体验的可靠性。
• 从“逻辑核心”到“数据与计算核心”：系统的瓶颈从业务逻辑和数据库，转移到了计算资源（GPU推理）、数据传输（网络带宽）和向量数据库。架构设计必须围绕这些新的核心展开。
• 从“用户思维”到“对抗思维”：必须时刻思考系统会如何被“错用”甚至“滥用”。一次直播、一个病毒式传播的提示词，都可能成为一次意外的DDOS攻击。设计时必须考虑这些极端场景，而非仅理想路径。

这种系统性、生存性的思维模式，正是经验丰富的老码农与新手之间最大的差距。

4. 破局之道：研发与稳定性的新范式

那么，在AI时代，我们应当如何行动，才能打造出既智能又稳定的系统？

对研发流程的建议：

• 左移（Shift-Left）：在设计阶段就纳入稳定性考量。在进行AI功能设计时，架构师必须同步提问：它的流量模式是什么？失败时如何降级？如何限流？
• AI赋能研发自身：利用AI辅助进行代码审查（发现并发问题）、生成测试用例、甚至进行设计评审，提前发现潜在的系统性风险。
• “AI应用架构师”：培养和涌现新一代架构师，他们必须横跨两个领域：既深刻理解AI模型的工作机制和资源需求，又精通传统的分布式系统架构知识。

对稳定性建设的必须投入：

1. 混沌工程（Chaos Engineering）常态化：主动在预发甚至生产环境模拟故障（如切断AI模型服务、注入高延迟、模拟流量激增），持续验证系统的韧性，而不是等待发布会来当“压力测试”。
2. 建设智能化的可观测性（Observability）：监控不能仅限于CPU、内存。必须能清晰追踪一个AI请求的完整生命周期：从入口网关，到模型推理服务，再到向量数据库，每一个环节的耗时、成功率、负载都必须一目了然。这是快速定位问题的眼睛。
3. 设计面向AI的弹性架构：
   • 智能降级：明确核心链路。当模型服务响应慢或不可用时，系统应能自动降级到基于规则的关键词回复，或直接提示“服务繁忙”，而非彻底卡死。
   • 上下文感知限流：像小米的场景，系统应能基于声音指纹、请求来源、时间集中度等特征，识别出是直播引发的异常流量，从而触发特殊的限流策略，保护核心服务。
   • 缓存与预热：对常见或关键的模型请求结果进行缓存，能极大减轻后端压力。

结论

AI并没有让“老程序员”过时，它只是重新定义了“老”的价值——那不是年龄，而是经过复杂系统洗礼后所沉淀下的工程智慧、对失败的敬畏以及对“稳定”二字的偏执。

未来的胜利者，不会是只懂调参的算法专家，也不会是只懂CRUD的业务码农，而是那些能够将前沿的AI智能与坚如磐石的系统架构完美融合的团队与个人。AI是新时代的“电力”，而“老程序员”们，正是为其建造稳定电网的最佳工程师。找到AI的能力边界，让AI做它最擅长的事，才是用好AI。