9 篇博文 含有标签「career」

你的下一次定级会（calibration meeting）存在一个没人愿意点破的衡量问题。委员会面前的材料显示，一名工程师在这半年提交了 340 个 PR，而另一名只提交了 90 个。五年前，这种差距意味着某些实质性的东西。而今天，它主要告诉你的是谁拥有更好的 Agent 工具链，谁的团队拥有更宽松的审查文化，以及谁对合并生成代码的容忍度更高。幻灯片上的数字衡量的是机群（fleet）。而委员会本应评估的是人。

这并非某种未来才会发生的虚构趋势。行业分析估计，在认真采用 Agent 的公司中，AI 编写的代码已占提交代码的 30% 左右；一项针对 300 名工程师的纵向研究发现，在采用 Agent 后，团队生成的 Pull Request 数量增加了 98%。你的评审流程从“前 Agent 时代”继承下来的每一项产出指标——代码行数变化、合并的 PR 数量、Story points、速率（velocity）——现在都是人类判断力和机器吞吐量的混合衡量，两者之间没有明确的归因界限。定级委员会正在比较这些混合数字，就好像他们仍在衡量人一样。

几十年来，从初级工程师到高级工程师的晋升之路都要经过一堆枯燥乏味的工作。你修正了错误信息中的拼写错误。你为别人编写的函数编写了单元测试。你在凌晨 2 点追踪一个贯穿四层调用栈的空指针，并从切肤之痛中学会了防御性检查存在的意义。没有人专门设计这种课程。它的出现是因为廉价、低风险的任务恰好是培养判断力所必需的任务。

这套课程正在被删除。过去用来培训初级工程师的工作——样板代码、初稿、琐碎的 Bug 修复、测试脚手架——现在成了我们交给智能体（Agent）的工作，因为它们廉价且高效。我们在优化掉繁杂工作的同时，却没有意识到它也是课堂。结果是技能阶梯缺失了底部的横木：我们顶部依然有高级工程师，底部有 AI，而中间原本形成中级判断力的鸿沟却在不断扩大。

这不是一个通过发布更多入门级职位需求就能解决的招聘问题。这是一个学习问题。那些曾经起到教学作用的任务消失了，而剩下的任务——审查智能体的输出、分解模棱两可的问题、决定 不 构建什么——都是我们过去认为人们必须赢得资格才能去做的难题。如果你想在 2032 年拥有高级工程师，你就必须刻意去制造那些过去纯属偶然产生的经验。

一位资深工程师走进晋升评定会议。他们上线了一个经过微调的重排序器（reranker），将检索质量提升了 8 个点。他们构建了评估框架（eval harness），将原本两周的 QA 周期缩短为一小时的 CI 门禁。他们编写了提示词（prompt）改动，带来了 2 个百分点的转化率提升。无论以何种合理标准衡量，他们都度过了决定性的一年。

他们没有获得晋升。这份绩效申请（packet）写出来读着就像是“我调了一些数字”。坐在旁边的同事上线了一个带有发布横幅、具备 QPS 和延迟指标以及周五演示的 CRUD 功能，结果反而获得了认可。委员会并非心怀恶意。它只是在用它所掌握的语汇，去评价一份没有将工作转化为该语汇的申请材料。

这种失败模式现在已经普遍到成为一种范式。AI 工程工作无法清晰地分解为评审委员会习惯评估的那些产出物。绩效模板是为以确定性方式交付的确定性系统编写的，而在 AI 技术栈中承担最具杠杆作用工作的工程师们正在为此付出代价。

2023 年初，大量企业 AI 培训项目带着同一个卖点涌现：我们将教你的工程师提示工程。然而大多数项目完成第一批学员培训时，所教的具体技术已被模型自身自动化淘汰。到 2025 年，曾短暂标价 20 万美元年薪的"提示工程师"职位实际上已走向消亡。而那些培训项目依然在运转。

这就是 AI 课程陷阱。它不是努力或预算的问题。各组织在结构化 AI 培训、认证项目和以工具熟练度为核心的招聘标准上投入了大量资源。但工具的迭代速度快于任何课程所能追赶的速度，结果是一种永久性的结构性滞后：培训项目始终在教 18 个月前的 AI 工程。

在 2023 年，“提示词工程师”（prompt engineer）是科技领域搜索频率最高的职位名称之一。LinkedIn 上到处都是重新包装个人简介的工程师。招聘信息许诺给那些懂得如何诱导 GPT-4 表现的人六位数的薪水。但职位描述中没有提到的是，其中列出的许多技能已经处于“借来的时间”中——到 2026 年，那些能够分辨出持久技能与衰减技能区别的工程师，最终的境遇将大不相同。

提示词工程的职业陷阱并不在于这个领域消失了，而在于它变化太快，以至于在 12 个月内建立的技能到第 18 个月就变成了负资产。那些在错误的层面过度投入而忽视了正确层面的工程师发现，随着下一个模型版本的发布，他们所掌握的专业知识变得毫无意义。

你团队中晋升理由最充分的 AI 工程师，其晋升材料（Promotion Packet）看起来却可能是空洞的。两个季度的努力，影响力图表却是一条平线。曾经在每次模型切换时都会飙升至 12% 的评估回退率（Eval-regression rate），现在稳定在 4%。财务部门差点就要介入调查的每月 4 万美元成本飙升从未发生，因为有人在网关中加入了预算守卫（Budget Guard）。本会导致公司状态页（Status Page）挂彩的 P0 级事故从未发生，因为紧急开关（Kill-switch）被触发，将流量导向了之前的 Prompt 版本。

这种材料在“已发布功能 X”一栏无话可说。定级委员会面对两个并排坐着的工程师：一个是这半年发布了两个显性功能的工程师，另一个是默默承担了让这些功能成为可能的负载的工程师。委员会一如既往地给发布功能的工程师打了高分。那位基建型（Infra-shaped）工程师要么拿了一个不应得的“符合预期”评分并在一个季度内辞职，要么学会用委员会真正能听懂的语言来撰写材料。

一家中型创业公司的高级工程师最近得到了一份平庸的绩效评估。他们的效率不稳定——有些周发了大量代码，其他几周几乎什么都没有。他们的经理受过传统 SWE 框架培训，因产出波动给他们打了低分。六周后，那位工程师跳槽去了竞争团队。经理没有理解的是：工程师"缓慢"的几周是在构建评估基础设施，防止三类无声故障的发生。没有这些基础设施，产品本会以没人能在数月内察觉的方式悄然出问题。

这种情况正在各个工程团队中上演。那些为确定性软件系统设计职级体系的团队，正将同样的框架套用于 AI 工程师——并系统性地误判了他们最优秀的人才。

每个工程组织都有这样的人。他们不拥有产品，不交付用户可见的功能。但没有他们，一切都无法运转。他们是编写 ETL 管道、将数据从计费系统搬到分析仓库的工程师；是构建 Webhook 处理器、让 Salesforce 与内部 CRM 保持同步的人；是维护 API 适配层、让移动端应用能与三个从未被设计为相互通信的后端服务对话的人。

他们就是胶水工程师，而他们的工作是第一批被 AI 代理完全吞噬的软件工程类别。

高原是一个职业状态，维持现状消耗了你所有的时间和精力，以至于你无法突破，达到生活的下一个阶段。

这里有一些建议可以帮助你前进。

1. 根据他人的经验进行自我分析。设定明确且长期的目标。​

是什么因素在影响你？这些因素是否在服务于你的目标，而不是与之相悖？这些目标是否彼此一致，而不是相互冲突？

在分析和设定目标时，要现实并参考基准比率。例如，杰夫·贝索斯讲述了一个关于倒立教练的故事——大多数人认为他们可以在两周内学会倒立；然而，通常需要六个月。当你遇到瓶颈时，答案更可能来自他人，来自现实，而不是来自你自己。

不要再瞄准一个移动的目标。你目前的状况可能是你四五年前所渴望的。不要太贪心 :)

2. 释放负担，优化流程。​

更具体地说，对于那些在拖累你、浪费你时间和精力的事情，我们能否去除这些成本？也许这会暂时影响收益；然而，这之后会不会迎来曲棍球棒式的增长？

列一张表，列出你的日常操作，并标记它们是否是负担。如果是，如何去除它们？

3. 为深思熟虑的好奇心留出时间。​

为了让自己摆脱局部最优，你需要专门留出一些时间去尝试新事物。这个过程在开始时似乎毫无意义，可能需要很长时间。

你必须耐心。就像史蒂夫·乔布斯在被流放后重返苹果时所做的那样，他削减了利润较低的产品线，等待下一个大浪潮。

4. 投资基础设施。​

商业是一场无尽的游戏，你总是可以随着时间的推移积累比较优势。如果你有一些额外的时间而目前不确定明确的目标，你可以随时投资于自己——改善心理和身体健康，以帮助你在未来的战斗中坚持下去。不断学习和了解更多，以增加成功的概率。优化业务以提高效率，使其在市场上生存更久。

最后，不要低估你的成长。即使是像人工智能或3D打印这样的显著技术，也会经历一个欺骗阶段；它们似乎在很长一段时间内没有进展，然后突然以指数级的速度改善。