上周六下午，我在 GitHub 上刷到一个 5k star 的开源 CLI 工具——一个看起来挺漂亮的本地日志聚合器。我心血来潮：能不能用 Claude Code 复刻一个？
三个小时后，核心功能跑起来了。彩色输出、文件 watch、正则过滤、多源合并，一应俱全。我兴奋了大概五分钟，然后意识到一件让我心里一沉的事：
我根本不需要这个工具。
那为什么三个小时前我会觉得"做出一个这样的东西"是有价值的？
因为在我过去十几年的职业训练里，“能做出来"本身就是稀缺的。一个能从零搭出完整工具的工程师，值钱。但今天下午，这个稀缺性在我自己的笔记本上被亲手碾碎了。
软件开发的成本结构正在崩塌。几年前一个工具的人力成本占 90%，今天复制成本趋近于零。但奇怪的是，软件本身并没有因此变得更值钱——价值跑去了别处。
跑去了判断层：决定做什么、不做什么、什么是好的、用户真正需要的是什么。
这篇文章想讲清楚一件事：当 AI 把"写代码"这件事的成本干到零之后，工程师的价值不是消失，而是向上漂移。理解这个漂移方向，决定了你接下来三年是焦虑还是兴奋。
一、问题定义：为什么"能写代码"突然不值钱了
写代码的本质，是把已知的解决方案翻译成符号。
这个翻译过程在过去之所以值钱，是因为它有三个稀缺性：
- 知识稀缺：你得知道某个 API、某个模式、某个最佳实践
- 技能稀缺：你得熟练到不犯低级错误
- 时间稀缺：你得愿意花几个小时把它一行行敲出来
AI 同时把这三个稀缺性干没了。它读过几乎所有公开代码，错误率比中级工程师还低，速度快两个数量级。
举个直观的对比，看一个常见任务：搭建一个带认证、数据库、REST API 的 SaaS 后端。
| 时代 | 工具 | 时间 | 主要成本 |
|---|---|---|---|
| 2015 | Express + Postgres + Passport 手写 | 一周 | 人力（90%） |
| 2020 | Supabase / Firebase | 一天 | 人力（60%）+ 学习成本 |
| 2025 | Claude Code 一句话生成 | 5 分钟 | 几乎归零 |
| 2026 | 同上，但带完整测试和部署 | 5 分钟 | 真·归零 |
注意成本曲线不是线性下降，是阶梯式断崖。每一次跳跃后，前一代的"专业能力"就贬值一个数量级。
这意味着：你过去为了"会写"投入的训练，正在以肉眼可见的速度变成沉没成本。
二、传统认知里的三个误区
面对这个变化，工程师圈子里流传着几种安抚自己的话术。我把它们一一拆开。
误区 1：AI 写不了复杂代码
“复杂"这个词在被滥用。
大多数所谓的"复杂代码”，其实是长代码——它的复杂度来自规模而非新颖性。状态机、缓存层、消息队列、分布式锁、ORM 映射……这些东西看起来复杂，但模式都在 AI 的训练集里。
真正复杂的是什么？是需求的复杂。是你要不要做这个功能、要做到什么程度、放在哪一层、如何与现有系统协调。这些不在代码里，在你脑子里。
AI 把代码这一侧的复杂性消化了。剩下的复杂性，全部压在了"你能不能描述清楚要什么"上。
误区 2：我学得快就能保住价值
学什么？
如果你学的是"如何用某框架”——React 18、Next.js App Router、LangChain 0.3……这些东西的半衰期已经短到 6 个月。AI 学这些比你快得多，因为它每天都在被新数据训练。
学习速度本身已经不是护城河了。学习方向才是。
学"框架的使用"是死路。学"框架背后解决的问题"和"为什么这个解法优于另一个"才有累积效应。
误区 3：高级工程师肯定不受影响
冲击的程度，不按 title 算，按"输出物的可复制性"算。
一个挂着 Senior 头衔但每天在写 CRUD 和适配业务逻辑的工程师，和一个 Junior 但能在产品方向上做出关键判断的人——前者比后者更危险。
我见过 15 年经验的"老炮"在 Claude Code 面前手足无措，也见过 2 年经验的年轻人用 AI 一周做出一个完整产品 MVP。差别不在工龄，在他们关注的层次。
三、新框架：软件价值漂移三层模型
为了把这个漂移方向讲清楚，我提出一个简单的模型。
┌──────────────────────────────────────────────────┐
│ │
│ L3 判断层 (Judgment / Taste) │ ← 价值飙升
│ 做什么、不做什么、什么是好 │
│ 为谁做、什么时候做、做到什么程度 │
│ │
├──────────────────────────────────────────────────┤
│ │
│ L2 设计层 (Design) │ ← 人机协作
│ 架构权衡、接口契约、性能边界 │
│ 安全模型、数据流、失败模式 │
│ │
├──────────────────────────────────────────────────┤
│ │
│ L1 实现层 (Implementation) │ ← 复制成本归零
│ 写代码、调 API、CRUD、模板 │
│ 配置、调试、部署脚本 │
│ │
└──────────────────────────────────────────────────┘
↑ ↑
AI 替代率 人类价值密度
L1: 95% L1: 低
L2: 40% L2: 中
L3: 5% L3: 极高
三层的特性完全不同。
L1 实现层 是过去 90% 工程师工作的所在。写一个 endpoint、加一个字段、改一个 bug、配一个 nginx。这一层的特点是：模式已知，规则明确，结果可验证。所以它最容易被 AI 接管，且接管速度最快。
L2 设计层 是关于"怎么搭"的决策。要不要拆微服务？这个表用什么主键？缓存放 Redis 还是 in-memory？API 是 REST 还是 RPC？这一层的特点是：有多个合理解，需要权衡。AI 能给出选项，但拍板的人还得是你——因为权衡需要上下文，而上下文 AI 不一定有。
L3 判断层 是关于"做不做"和"做什么"的决策。这个功能要不要上？用户真正的痛点在哪？什么时候停掉这个产品线？这一层的特点是：没有标准答案，需要 taste。AI 在这一层基本帮不上忙，因为 taste 来自经验、品味和对世界的真实接触。
这三层之间还有一个关键的非对称性：价值密度恰好和 AI 替代率成反比。
L1 的 95% 工作可被 AI 替代，意味着如果你的产出 90% 在 L1，那你的市场价值正在以每年 30%-50% 的速度蒸发。 L3 的 5% 可被替代，意味着一个能在 L3 持续做出好判断的人，市场价值会在未来三年翻倍。
四、应用方式：个人、团队、公司
这个模型的价值不在于描述现状，在于指导你重新分配注意力。
4.1 个人：把时间从 L1 抢回来
我自己的做法是每周复盘一次时间分配，按 L1/L2/L3 打标签。
from dataclasses import dataclass
from typing import Literal
Layer = Literal["L1_implementation", "L2_design", "L3_judgment"]
@dataclass
class WorkBlock:
"""A unit of work, classified by which value layer it lives in."""
description: str
hours: float
layer: Layer
@property
def ai_replaceable_ratio(self) -> float:
"""How much of this block AI could fully take over today."""
return {
"L1_implementation": 0.95,
"L2_design": 0.40,
"L3_judgment": 0.05,
}[self.layer]
@property
def human_value_density(self) -> float:
"""Inverse of replaceability — where your time actually compounds."""
return 1.0 - self.ai_replaceable_ratio
def weekly_review(blocks: list[WorkBlock]) -> dict[str, float]:
"""Show how this week's hours splits across the three layers."""
total = sum(b.hours for b in blocks)
by_layer: dict[str, float] = {}
for b in blocks:
by_layer[b.layer] = by_layer.get(b.layer, 0.0) + b.hours
return {layer: round(h / total, 2) for layer, h in by_layer.items()}
if __name__ == "__main__":
week = [
WorkBlock("写一个新的 settings 页面", 6.0, "L1_implementation"),
WorkBlock("调试 OAuth callback 的边界情况", 3.0, "L1_implementation"),
WorkBlock("决定是否拆出独立的 billing 服务", 2.0, "L2_design"),
WorkBlock("和用户聊为什么留存掉了", 1.5, "L3_judgment"),
WorkBlock("决定砍掉 v2 的两个 feature", 0.5, "L3_judgment"),
]
print(weekly_review(week))
# → {'L1_implementation': 0.69, 'L2_design': 0.15, 'L3_judgment': 0.16}
# 警示：69% 的时间花在最容易被替代的层
# generated by hugo AI
跑完一次你会很难受。我第一次做这个统计时，L1 占了 75%。
把它降下来的方法不是"少干活"，而是把 L1 的工作主动交给 AI，把腾出来的时间投入 L2 和 L3。具体说：
- L1 工作的姿势：从"我来写"变成"我来描述、AI 来写、我来 review"。Review 的时候只看 L2/L3 的问题：架构有没有歪、需求理解对不对，不去抠语法
- L2 工作的姿势：把 AI 当成"穷举选项的初级架构师"。让它列出 3-5 个方案及取舍，你来拍板。这个对话本身就是 L2 训练
- L3 工作的姿势：AI 在这里基本帮不上忙。你需要的是和真实用户聊、看真实数据、做真实决策。不要试图把 L3 也外包给 AI——那是在掏空自己
4.2 团队：重构招聘和评估
如果你管理团队，这个模型会改变你做几件事的方式。
招聘：减少"按代码量算产出"的角色。一个能稳定输出"该做什么"判断的人，比五个 L1 卷王更值钱。简历筛选时多看决策，少看技术栈列表。
评估：用"决策质量"替代"代码行数"。问一个工程师：你这个季度做的最重要的判断是什么？为什么是它？后来证明对不对？这一组问题比看 PR 数量信息量大十倍。
配比：每个团队需要更高比例的"L3 人才"——不一定是 PM，也可能是高级工程师中的 sense maker。一个 10 人团队，L3 浓度从 1 个变成 3 个，输出质量会有质的变化。
4.3 公司：商业模式被迫迁移
工具类 SaaS 的护城河正在系统性地消失。
如果你的产品是"用户花 5 分钟就能用 Claude Code 自建出 80% 功能"的那种——比如轻量协作工具、简单 CRM、内部 dashboard——那你的定价权和留存都会被快速侵蚀。这不是危言耸听，是已经在发生的事。
新的护城河是这些不能被复制的东西：
- 数据：用户在你这里产生的、且无法迁出的历史数据
- 网络效应：用户因为别的用户也在而留下
- 品牌信任：用户愿意把关键流程托付给你而不是一个临时复刻品
- 对客户的深度理解：你知道某个特定行业的 100 个细节，AI 不知道
“做 AI 就能做"的产品，不再值得 VC 投资。值得投资的是"AI 让做这个产品变成可能，但你之外的人做不到一样好”——壁垒在 L3，不在 L1。
五、一段代码佐证：复刻 vs 创造
回到开头那个周六的实验。我后来又做了第二个对比实验。
任务 A：复刻那个开源日志工具。耗时 3 小时。最终价值：0（我不用它）。 任务 B：解决我自己工作流里的一个真实痛点——把每天散落在 5 个地方的工作记录自动归档到一个 markdown 文件里。耗时 30 分钟。最终价值：每天节省 10 分钟，且持续受益。
代码量：A 远大于 B（A 大概 1500 行，B 不到 300 行）。 价值差：B / A ≈ 100 倍。
差别就在 L3——任务 B 包含了一个判断：“我今天真正缺的是什么？"。任务 A 没有这个判断，只是在重复"做"这个动作本身。
更扎心的版本：任务 A 的 1500 行代码，AI 一年内会被替代到任何一个普通用户都能复刻。任务 B 的 300 行代码，AI 一年内也能写——但你不会知道要写它，除非你像我一样花了三个月观察自己的工作流。
写代码的能力会贬值，知道写什么的能力不会。
六、判断 vs 复刻：一个具体的决策清单
每次你坐到电脑前准备开始一段开发工作，可以先问自己这五个问题：
┌─────────────────────────────────────────────────────────┐
│ L3 Pre-flight Checklist │
├─────────────────────────────────────────────────────────┤
│ │
│ 1. 这个东西做出来后，谁会真的用？包括我自己。 │
│ │
│ 2. 如果不做，会失去什么？是真损失还是机会成本错觉？ │
│ │
│ 3. 做出来的"好"和"足够好"差多少？我需要哪一档？ │
│ │
│ 4. 这是在解决问题，还是在享受"做出东西"的成就感？ │
│ │
│ 5. 一年后回看，这段时间用在这上面值得吗？ │
│ │
└─────────────────────────────────────────────────────────┘
这五个问题没有一个能让 AI 帮你回答。
但每问一次，你就离 L3 近一步，离被 AI 替代的命运远一步。
我现在每次想"用 Claude Code 做点什么"之前，都会先过一遍这个清单。被它毙掉的项目，比通过的多得多。
七、升维总结：从"做出来"到"知道做什么”
回到那个周六下午。我用 Claude Code 复刻了一个工具，“做"得很完美。但"做"本身没意义。
软件开发的价值，正在从"做出来"漂移到"知道做什么”。
这不是工程师的危机，是工程师角色的重新定价。
那些焦虑的工程师，是因为还在 L1 层卷——他们的训练全部投入到一个正在迅速贬值的层。 那些兴奋的工程师，是因为终于可以摆脱 L1 的繁琐——他们花了十年训练却没机会展示的 L3 判断力，第一次成为主战场。
你今天写下的代码，AI 一年内就能复制。 但你今天做出的判断——为什么写、为什么不写、为谁写、停在哪——那是别人复制不了的东西。
护城河没有消失，它只是从你的指尖，搬到了你的脑子里。
你在工作里有没有发现自己花在"写代码"之外的时间越来越多？哪些 L3 的判断让你印象最深？欢迎留言聊聊。