最近越来越不敢笃定地谈未来。
以前谈职业规划，我至少还能给自己画一条大致的路线：把基础打牢，做几个有代表性的项目，逐渐从业务实现走向模型设计，再从模型设计走向系统架构。努力也许不会立刻兑现，但大方向似乎是清楚的。
现在这条路线开始变得模糊。
AI coding agent 正在越来越熟练地写代码、改代码、查资料、跑测试、定位 bug、读仓库，甚至能够自己拆任务、自己调用工具、自己评估结果。所谓 RSI，也就是 recursive self-improvement，已经不再只是科幻小说里的概念。我们正在亲眼看着一套由人类创造的系统，开始参与改进自己的工具、流程和能力。
而身处这个时代，没有办法假装这些变化与我无关。
我们亲手造出了会替代自己的工具
我们训练模型，设计数据管道，写推理服务，搭评测体系，优化 GPU 利用率，研究 agent 的工具调用和记忆机制。我们把自己的经验拆成代码、文档、流程和规则，再把这些东西交给模型学习。我们希望它更聪明、更便宜、更稳定、更自动化。
然后有一天，我们突然发现：模型正在学习的，正是我们过去赖以谋生的那部分能力。
它会写一个函数，于是初级开发工作减少了；它会完成一个模块，于是一些执行型岗位开始减少了；它能端到端地跑完一个实验，于是过去需要几个人协作的工作变成了一个人加几个 agent。公司看见的不是“技术进步”四个字，而是交付周期缩短、人员数量下降和成本表上的数字变小。
人类创造了 AI，却首先用它来压缩自己的劳动价值。这听起来像背刺，但如果站在企业的财务表上，它又可能被包装成效率提升、组织升级和结构优化。
真正残酷的是，背刺并不来自某个恶意的 AI。它来自我们共同参与建立的激励机制：谁能用更少的人做出更多的事，谁就更有竞争力；谁拒绝使用自动化，谁就可能先被淘汰。
所以我无法背道而驰。
不能因为害怕被替代，就拒绝使用 AI coding agent；不能因为担心岗位消失，就拒绝学习新的模型和工具；不能因为不喜欢这场变化，就假装它不会发生。
只能裹挟着前进。
当下应该如何面对
面对 AI，最容易掉进两个极端：要么把它当成救世主，觉得只要学会几个工具就能解决一切；要么把它当成敌人，拒绝使用，试图用过去的工作方式守住自己的位置。
更愿意把它看成一种新的工作环境。环境已经变了，首先要做的不是表态，而是建立自己的工作方法。
让我在变化发生时更清醒、更有行动能力，而不是完全依赖某个工具或某个岗位定义自己。
“算法工程师”这个身份正在被重新拆解
我以前把算法工程师理解成一个相对完整的角色：理解问题，设计模型，处理数据，训练和调参，部署服务，跟踪指标，最后把效果交付给业务。
但 AI 正在把这个角色拆开。
数据清洗可以被自动化，baseline 可以被快速生成，训练脚本可以由 agent 编写，实验配置可以自动搜索，部署流程可以被模板化，线上日志可以交给模型分析。过去需要工程师亲自完成的许多步骤，正在变成“提出目标—监督执行—验证结果”。
这会让很多人感到失落，因为我们曾经用大量时间换来的熟练度，正在变成工具的一次调用。
但这也逼着我们重新回答一个问题：如果写代码、调参数和跑实验不再构成全部价值，那么算法工程师究竟还剩下什么？
我现在越来越相信，真正难以被替代的，不是某个具体 API，也不是某种模型结构，而是以下几种能力的组合：
第一，定义问题的能力。知道什么值得做，什么指标只是幻觉，什么需求本质上是数据问题、产品问题或组织问题。
第二，判断结果的能力。模型可以生成十个方案，但它不会自动承担错误决策的后果。知道什么时候相信结果，什么时候怀疑结果，什么时候回到原始数据和业务现场，这仍然需要人。
第三，把不确定性变成系统的能力。真正的工程不是让 demo 跑起来，而是让它在脏数据、异常输入、成本约束、延迟要求和业务变化下仍然可控。
第四，理解现实世界的能力。医疗、金融、制造、教育、能源、内容安全，每个领域都有自己的规则和代价。模型知识可以迁移，责任不能凭空迁移。
第五，和人一起做事的能力。算法最终要进入组织、产品和客户的工作流。能不能把复杂问题讲清楚，能不能推动不同角色达成共识，能不能在失败之后继续合作，决定了技术是否真的产生价值。
这些能力听起来不像过去那种容易写进简历的“硬技能”，但它们可能会成为 AI 普及后最重要的部分。
问题在于，环境不会因为这些能力重要，就自动给我们足够时间去培养。我们必须一边完成当下的工作，一边学习新工具，一边重新理解自己的专业价值。
真正身处的困境：未来需要更高阶的能力，但变化本身已经在今天发生。
我不想把“拥抱 AI”说成一句轻松的话
我不太喜欢“拥抱变化”这类过于顺滑的表达。变化不是发布会上的新功能，而是每天都会进入工作流程的新工具、新标准和新期待。说“你要积极拥抱 AI”，有时只是把系统性的压力重新交给个人，让个人为一场并非由自己决定的技术竞赛负责。
使用 AI，是因为我必须参与这场变化；但保持警惕，是因为参与不等于认同所有结果。
我希望把什么留在自己手里
想留下的不是某个项目的名字，而是对问题的理解方式；不是一次性的结果，而是如何做数据分析、如何设计实验、如何评估模型；不是某个框架的熟练度，而是能否快速进入一个陌生系统并找到关键路径。
希望把几个东西握在自己手里：对技术边界的理解，对问题价值的判断，对结果负责的习惯，以及持续学习和独立思考的能力。
这不是为了获得一种永远稳定的状态，而是为了在环境变化时，不至于完全失去方向。
我们可能需要重新定义“前进”
过去的前进，常常意味着更高的职级、更大的团队、更复杂的项目和更高的薪资。
这些当然仍然重要，但在 AI 时代，我希望“前进”还包括另一层含义：让自己的判断、作品、关系和生活，不再全部依附于一个组织的评价。
也许未来一个算法工程师不再需要亲自写完所有代码，但必须比以前更懂系统；不再需要独自完成全部实验，但必须更会设计实验；不再只是训练模型，而要决定模型应该被用来解决什么问题，以及什么时候不应该使用它。
也许我们无法阻止企业用 AI 降低人员需求，但可以尽量避免让自己只剩下可被单价比较的执行能力。
这并不意味着每个人都能轻松转型。现实没有这么公平。有人会因为家庭、年龄、地域、健康或经济压力，无法无缝进入下一个阶段。把一切归因于“学习不够努力”，只是对具体处境的忽视。
我们能做的，是尽量让自己的价值不只存在于某个岗位描述里，让自己的能力可以迁移，让自己的判断不被单一工具代替，让自己的生活仍然保留一点主动性。
我没有答案，但我不想把自己交给答案
我不知道 AI coding agent 最终会改变多少算法工作，也不知道 RSI 会把软件生产推到什么程度。我不知道“算法工程师”这个称呼会不会变成一个过渡性的历史名词。
但我不想用过度乐观来掩盖恐惧，也不想用彻底悲观来提前放弃。
我会继续学习 AI，因为我没有办法背道而驰；我会继续使用 agent，因为停在原地不会让世界停下来；我会继续怀疑这条路，因为技术进步不等于每个人都会因此获益。
人类创造了能够放大生产力的工具，但没有同时解决收益、权力和安全感如何分配的问题。
所以我们面对的，不只是“AI 会不会替代我”这个问题，还包括：当我的工作被重新定义，我希望自己成为什么样的人？当效率不再稀缺，我还能不能保留判断、责任、创造和同理心？当未来越来越不确定，我能不能为自己建立一点不依赖承诺的退路？
我暂时没有答案。
我只是决定，一边害怕，一边继续走；一边使用工具，一边观察工具正在改变什么；一边为最坏的结果做准备，一边不把最坏的结果当成唯一的结局。
这可能不是勇敢。
但至少，这是我在被裹挟着前进时，仍然能够保留的一点主动权。
