LLM 時代下軟體工程職涯的侵蝕

LLM 正在將領域知識與工程技能商品化

大型語言模型 (LLMs) 正在迅速侵蝕專業領域知識與軟體工程專業知識的價值，使該職業轉向商品化的狀態。雖然高度複雜的任務——例如處理當地的稅務法規——仍需要人類的監督，但先前能讓資深工程師脫穎而出的許多中階領域知識，現在透過提示詞 (prompting) 與 AI agents 即可輕鬆獲取。

「人類護城河」的衰退

資深工程師曾依賴深厚的制度與領域知識作為競爭優勢。然而，新模型的結合、對 agent 友善的文檔，以及 AGENT.md 檔案的使用（這些檔案指示 agents 優先處理文檔）已顯著減少了對人類干預的需求。

關鍵觀察包括：

• 減少對資深人員的依賴：工程師報告稱，在完成複雜任務時，對於長期合作同事的人力投入需求大幅減少。
• 可提示的專業知識：過去需要多年才能掌握的知識，現在透過 ChatGPT Pro 或 Extended Thinking 模型等工具即可實現「可提示化」。
• 工程原則：雖然有人認為「良好的工程原則」仍是人類的護城河，但有證據顯示，實驗室正積極聘僱工程師編寫高品質代碼，專門用於透過強化學習來訓練模型，這暗示著這道護城河是暫時性的。

專業商品化的風險

人們日益擔心軟體工程正遵循文案撰寫 (copywriting) 與 UX 撰寫的軌跡，即市場需求的大部分被 AI 吸收，僅留下極小部分的精英專業人士可以受僱。

軟體需求的上限

與 Jevons Paradox（傑文斯悖論）相反——該悖論認為效率提升會導致需求增加——有些人認為軟體的需求存在上限。在文案撰寫產業中，LLMs 滿足了先前由專業人士服務的小型企業需求，但文案的總需求並未因為 AI 生成文本的供應增加而增加十倍。這暗示了軟體工程師相似的命運：少數 AI agents 的「引導者」可能會留存，但由於供應充足且相對需求較低，他們將變得容易被取代且廉價。

超越軟體工程

軟體被視為 AI 實驗室的「低垂果實」。這種趨勢預計將擴展到其他知識工作領域，包括：

• 金融：開發專門的「Finance Analyst」agents。
• 法律與生物學：建立領域特定的框架 (harnesses) 以自動化複雜推理。
• 行銷：持續以通用型 LLMs 取代專業撰稿人。

導航「Vibecoding」時代

許多組織正在推動「vibecoding」——一種由 AI 加速、快速且較不嚴謹的開發方式。這在速度與穩定性之間造成了緊張關係，特別是在像 fintech 等高風險環境中。

維持品質的策略

為了應對 AI 驅動的速度壓力，一些工程師採用了戰術性的權宜措施來確保勤勉度：

• 通用型文檔：保持設計文檔的通用性，以便進行深思熟慮的實作，並避免被鎖定在 AI 生成的缺陷中。
• 策略性增加工單 (Ticket Padding)：為 E2E tests 增加工單，並將敏感的實作拆解成更小的卡片，以創造更多時間進行謹慎的審查與錯誤發現。

反對觀點與產業觀點

並非所有產業專業人士都同意對 AI 影響就業的悲觀展望。

支持持續人類價值的論點

• 複雜度上限：有些人認為軟體複雜度沒有上限，這意味著隨著新問題的出現，需求將會持續增長。
• 新穎性 vs. 標準化工作：在「標準化」工作（LLMs 可以處理）與「新穎」工作（針對複雜問題的創新策略）之間進行了區分。該領域的焦慮感可能源於意識到大多數軟體工程其實並非真正的新穎工作。
• 基礎設施限制：懷疑論者指出，AI 進步假設了無限的資本與基礎設施，以及一個能夠支持知識工作者被取代的世界中運作良好的經濟體。

「這次很不同」的辯論

批評者經常將目前的 AI 浪潮潮與之前的轉變，例如採用物件導向程式設計 (OOP) 的轉寫，進行比較。然而，AI 威脅論的支持者認為，OOP 並未讓知識變得「可提示化」，也沒有在多個不同領域展現出相同的複利式增長率。他們將對 AI 影響的的消極看待，比作早期對 COVID-19 疫情的的消極看待——未能識別出一個非凡的事件，因為它不符合以往較小規模的模式。