35 岁之后的 AI 工程师——焦虑和出路的真实判断
35 岁之后的 AI 工程师——焦虑和出路的真实判断
前几天，一个朋友发给我一篇文章，标题是"35 岁程序员的出路在哪里"，然后附了一句话："你怎么看？"
我知道他为什么发这个。他今年 36 岁，Java 工程师，在一家传统行业公司做了 6 年，最近公司开始搞降本增效，已经裁了两轮，他感觉下一轮可能到自己。
我没有直接回答他那篇文章，而是问他：你现在最担心的具体是什么？
他说：担心找不到工作，担心技术跟不上，担心大厂不要 35 岁以上的工程师。
这三个担心，每一个都值得认真分析。不是安慰，是有判断的分析。
先说一个真实的判断：35 岁焦虑被严重放大了
"35 岁程序员危机"是一个真实存在的现象，但它被互联网讨论放大到了不成比例的程度。
真实的情况是这样的：
互联网大厂确实偏好年轻工程师，原因很现实——年轻工程师薪资低、精力足、愿意加班、对高强度工作环境有更高的忍受度。这是大厂的商业逻辑，和技术能力没有关系。
但大厂只是就业市场的一部分，而且不是最大的那部分。
在大量中小型公司、传统行业的 IT 部门、AI 创业公司、外资企业里，35 岁以上的工程师不只不是劣势，很多时候是优势——因为这些场景需要的是稳定、有判断力、能独立解决复杂问题的人，而不是能熬夜、能内卷的人。
我认识一个 42 岁的 Java 架构师，三年前转型做 AI 工程师，现在是一家 500 人规模制造业的首席 AI 架构师，薪资比他 35 岁时高了将近 50%。他跟我说，他去这家公司面试的时候，对方看重的恰恰是他的"年纪大"——有经验、靠谱、不会因为一个更好的机会就跑路。
35 岁的焦虑，很大程度上是把大厂的偏好，当成了整个市场的偏好。
35 岁之后工程师在 AI 时代真正的优势
我不是要说"年纪大有年纪大的好"这种安慰话。我要说的是，有几种具体的优势，是 35 岁以上的工程师实际拥有的，而这些优势在 AI 时代特别值钱。
优势一：系统性的工程判断力
一个做了 10 年以上软件开发的工程师，见过系统崩溃，见过数据丢失，见过"看起来很美好"的方案最终变成维护噩梦。这种经验，让他们在面对 AI 项目的技术选型时，有更扎实的判断基础。
举个具体例子：当一个年轻工程师看到 LangChain 的各种 Chain 和 Agent 能快速搭出 demo，会倾向于直接采用；一个有 10 年经验的工程师，会先想：这个 demo 在生产环境下如何处理异常？如何监控？如何在 LangChain 版本升级时不被迁移成本拖死？
这种工程判断力，在把 AI 能力从 demo 推向生产系统的过程中，价值极其大。而这恰恰是 AI 行业现在最缺乏的能力。
优势二：业务场景的深度理解
AI 的本质是工具，工具的价值取决于它解决了什么业务问题。
一个在某个垂直行业待了 5-10 年的工程师，对这个行业的业务流程、数据特点、痛点分布，有新人根本无法快速获得的理解。
比如，一个在保险公司做了 8 年系统开发的工程师，他知道：理赔流程的哪个环节最耗时，核保员在做判断时依赖哪些信息，哪些业务场景需要强合规性而无法完全自动化。这种知识，让他在做 AI 应用时，比一个纯 AI 技术背景的人，更容易找到真正值钱的切入点。
垂直行业的业务知识 + AI 技术能力 = 高价值的组合。 这个组合，35 岁以上的工程师比年轻工程师更容易实现。
优势三：沟通和推动的能力
AI 落地不只是写代码。和业务方的需求对齐、向管理层汇报方案价值、在项目遇到阻力时找到突破口——这些能力，需要时间积累，不是靠技术可以替代的。
我见过很多 25 岁的工程师，技术能力很强，但在推动一个跨部门 AI 项目时束手无策，不知道怎么和业务方沟通，不知道怎么在会议里让管理层理解技术价值。这种沟通能力，通常需要 3-5 年的磨练。
35 岁以上的工程师，通常在这方面有明显优势。
优势四：对技术趋势的判断不被噪音淹没
AI 行业每个月都有新的框架、新的模型、新的"革命性"技术出现。一个年轻工程师，很容易被这些噪音带着跑——今天学 AutoGPT，明天看 CrewAI，后天又去研究 LlamaIndex 的最新特性。
有经验的工程师，见过太多"革命性技术"最后成了过眼云烟，所以对新事物的判断会更冷静：这是真正的技术进步，还是炒作？这个工具在生产场景里真的稳定吗？
这种冷静，在选择学习投入方向时极其有价值，可以避免把时间浪费在不成熟的技术上。
需要主动做的调整
说完优势，也得说需要调整的地方。这部分不能逃避。
调整一：接受持续学习的代价
AI 技术的迭代速度，确实比以前的 Java 技术栈快很多。如果你在 AI 方向不持续投入学习，优势会快速流失。
这不是让你焦虑，而是告诉你：学习不是你考完试就可以停止的事，而是你职业生涯的底层基础设施。
具体来说，每周投入 5-8 小时在新技术的学习和实践上，是维持竞争力的基本门槛。这个投入量，只要你不是完全没有自主时间的处境，都是可以做到的。
调整二：从技术执行层转向技术决策层
如果你在 35 岁还是以"写代码"为核心工作内容，那确实会面临和更年轻工程师的竞争压力。
真正有竞争力的路径，是把自己从"代码执行者"转变为"技术决策者"——能做架构选型、能做技术方向判断、能主导复杂系统的落地。
这个转变，不是要你不写代码，而是你的价值不仅仅在代码上。
AI 时代，这个转变甚至变得更容易——因为 AI 辅助编码工具（GitHub Copilot 等）让代码编写的效率大幅提升，工程师的价值更多转向判断"做什么"和"怎么做"，而不是"写出来"。
调整三：建立自己的垂直定位
泛化的"Java 工程师"或者"AI 工程师"在 35 岁之后竞争力会下降，但"有 X 年金融行业经验的 AI 应用工程师"、"有 Y 年制造业 IT 背景的 AI 转型顾问"——这种组合型定位，是很难被简单替代的。
你的垂直定位，应该来自你过去积累的行业经验，而不是凭空创造。
什么样的 35 岁工程师会被替代，什么样的不会
这个问题我想直接给出判断，不绕弯子。
会被替代的特征：
技术只会一个领域，而且这个领域正在被 AI 工具自动化（比如只会写简单 CRUD、只会维护旧系统）
没有业务理解，只会被动接需求、写代码、交付，对业务问题没有主动判断
不愿意学习新东西，认为自己过去的技术积累足够维持到退休
只有执行能力，没有方向判断和沟通推动的能力
薪资已经到了一个高位，但产出和这个薪资不匹配——这在降本增效时最危险
不会被替代的特征：
有特定行业的深度积累，能把 AI 能力和行业场景结合起来
能主导复杂项目的落地，而不只是做其中一个环节
在团队里有技术传帮带的作用，能让年轻工程师成长更快
有外部可见性（技术文章、开源贡献、行业影响力），公司离不开
持续学习，对 AI 技术保持真实的兴趣和投入
这不是一个"年龄"的问题，而是"价值密度"的问题。35 岁以上的工程师，如果价值密度高，在 AI 时代会非常有竞争力；如果价值密度低，即便是 28 岁，也同样面临被替代的风险。
一个真实的 35+ 工程师转型路径
我认识的一个朋友，老王，39 岁，在一家 ERP 软件公司做了 12 年，主要做 Java 后端和系统集成。
2023 年中，公司开始裁员，他感到危机。他没有慌，而是用了三个月，系统性地做了以下几件事：
第一步：梳理自己的行业积累
他把自己 12 年做过的项目整理了一遍，发现自己对制造业和零售业的 ERP 业务流程有非常深的理解——库存管理、供应链协调、财务对账，这些他闭着眼睛都能讲清楚。
第二步：找 AI 能力和行业积累的结合点
他研究了半年市场上关于制造业 AI 转型的讨论，发现一个明显的空白：大量制造业公司想做 AI 转型，但苦于没有懂业务又懂 AI 技术的人。纯技术的 AI 工程师不懂制造业，纯业务的人不懂技术落地。
他在这个中间位置，有天然的优势。
第三步：补充 AI 技术能力
他系统学习了 LangChain、RAG、向量数据库，并且在自己的老本行场景里做了几个实验项目——比如用 RAG 系统实现 ERP 操作手册的智能问答（这是 ERP 实施中的真实痛点，新用户经常不知道怎么操作）。
第四步：用内容建立可见性
他在掘金和公众号上发了几篇文章，专门讲制造业 ERP + AI 的场景，阅读量不算高，但精准地吸引了一批从事类似工作的读者，其中有几个是招聘方。
三个月后，他不只保住了饭碗，还因为在原公司主导了一个 AI 改造项目，内部晋升，薪资增加了 15%。两年后，他跳槽到了一家专门做制造业数字化转型的公司，担任 AI 解决方案架构师，薪资比原来高了 40%。
关键是：他在整个过程中，没有试图变成一个新人，而是把自己的老积累和新能力结合，找到了别人无法简单复制的位置。
给准备换工作的 35+ 工程师的几句真心话
不是鸡汤，是我觉得真正有用的建议。
第一：不要在焦虑驱动下匆忙决策。
焦虑会让你做出错误的判断——比如为了"安全感"而降薪跳槽到一个技术含量低的岗位，或者为了"跟上 AI 浪潮"而放弃已有积累、从零开始。这两种决策，通常都是错的。
先冷静下来，梳理自己真正的价值在哪里，然后再做方向判断。
第二：把简历从"技术列表"变成"问题解决记录"。
"熟练掌握 Spring Boot、MySQL、Redis、Docker"——这是技术列表，35 岁的工程师和 25 岁的工程师都可以写这个，没有区分度。
"在 X 项目中，通过引入 AI 辅助审核，将核保时间从 4 小时压缩到 30 分钟，每年节省人力成本 150 万，项目作为公司 AI 转型标杆案例被集团推广"——这是问题解决记录，是你独有的。
第三：利用好人脉。
35 岁以上的工程师，通常有 10 年以上积累的职业人脉。这些人脉，在找工作时的价值往往超过简历投递——通过内推进入面试的成功率，比盲投简历高 3-5 倍。
不要不好意思麻烦旧同事和朋友，在你帮得上他们的时候也会帮。这是职场的正常互动，不是走后门。
第四：35 岁不是终点，是新的起点——但前提是你主动做了选择。
我不相信躺平。35 岁之后，如果你选择主动学习、主动积累行业深度、主动建立可见性，你会发现后面 20 年的职业路径，比前 10 年更开阔，而不是更窄。
但这个选择，得你自己去做。
AI 时代对 35+ 工程师的特殊机遇
最后我想说一个经常被忽略的角度：AI 工具本身，正在改变年龄对生产效率的影响曲线。
以前，写代码的速度在某种程度上是影响工程效率的因素之一，年轻工程师反应快、打字快，有一定优势。
现在，GitHub Copilot、Cursor 这类 AI 编码工具的普及，让"写代码的速度"这个变量的权重大幅下降。更重要的是判断什么代码应该写，而不是把代码敲出来的速度。
一个有 10 年经验的工程师，借助 AI 编码工具，可以在代码层的生产效率上和年轻工程师持平，甚至超过——因为他的架构判断和需求理解，会让每一次 AI 生成的代码都更准确、更少需要修改。
这是一个真实的趋势：AI 工具在缩小年龄带来的代码生产速度差距，同时放大了经验和判断力的价值。
对 35+ 工程师来说，这是 AI 时代里一个很具体的机遇。
当然，这一切的前提是：你自己也在使用这些工具，而不是因为抵触新技术而错过。
所以如果你还没有认真用过 AI 编码助手，这是我给 35+ 工程师最具体的一条建议：今天就去试 Cursor 或者 GitHub Copilot，花一周认真用，然后再回来评估它对你的工作方式的影响。
不是因为"AI 要来了要赶快学"，而是因为这个工具真的会让你的工作更有效率，让你有更多时间去做那些只有你才能做的判断层面的事。