第1969篇：工程师的第二曲线——在AI浪潮中找到自己的差异化价值

2023年初，我有一段时间陷入了一种挺奇怪的焦虑。

那时候GPT-4刚出来，大家都在讨论"AI会不会替代程序员"。我是做Java后端的，做了七八年，写了大量业务代码，但说实话，其中有相当一部分是重复性的CRUD、接口调用、数据转换——这些正好是AI最擅长的。

我当时问了自己一个问题：如果把我过去三年写的代码交给GPT-4来生成，它大概能生成多少？

我估计了一下，大约60%-70%是可以的。剩下的30%-40%涉及复杂业务逻辑的权衡、系统间的集成判断、历史包袱的处理——这些AI一个人做不了，需要背景知识和判断力。

60%-70%是个很高的比例，足以让我不舒服。但我后来换了一个角度想这件事，才真正想清楚了方向。

第一曲线和第二曲线

管理学家查尔斯·汉迪提出过"第二曲线"理论。一个人或一个组织，在第一曲线（当前的成功路径）还在上升期的时候，就要开始投资第二曲线——新的能力、新的方向。等到第一曲线开始下滑再去建立第二曲线，往往已经太晚了。

对工程师来说，第一曲线是"写代码"的能力。这个能力还有价值，但它正在快速商品化。AI能生成的代码越来越多，能做的越来越复杂，这个趋势不会逆转。

第二曲线是什么？不是简单地说"学会用AI工具"，而是找到AI无法轻易复制的能力，并且这个能力在AI时代的价值是上升而不是下降的。

我认为AI工程师的第二曲线，有三个方向值得认真投资。

方向一：系统判断力——在复杂约束下做正确的权衡

AI能生成代码，但它无法在以下情境下做出可靠判断：

• 这个技术选择六个月后会带来什么维护成本？
• 这个接口设计会不会限制未来的扩展性？
• 在这个团队的能力和时间约束下，什么是"最优解"而不是"理论最优解"？

这些判断需要的不只是技术知识，而是跨时间、跨维度的系统性权衡能力。

举一个具体的例子。假设你在做一个新的AI应用，需要选择向量数据库。AI工具可以快速告诉你Pinecone、Milvus、Weaviate、pgvector各自的特点和性能benchmark。

但AI无法替你回答：

• 你的团队有没有运维分布式向量数据库的能力？（如果没有，托管服务可能比性能更重要）
• 你的数据规模在未来两年会增长多少倍？（现在的性能benchmark到规模增大后还成立吗？）
• 如果向量数据库供应商明年涨价50%，你的系统能以多大成本迁移？
• 这个数据库的schema设计和你现有的PostgreSQL数据库耦合有多深？

这些问题组合在一起，才能做出真正适合你这个团队、这个业务、这个时间点的决策。

系统判断力的建立需要大量的真实决策积累——不是读书，不是做Demo，是在有真实约束和真实后果的场景里做决策，然后见到这些决策在时间里演化的结果。

这是AI无法快速复制的，因为它需要真实经历。

如何主动培养这种能力：

养成写"技术决策记录"（Architecture Decision Record, ADR）的习惯。每次做了一个重要的技术决策，写下来：

# ADR-047: 选择 pgvector 而非 Milvus 作为向量存储

## 决策日期
2024-09-15

## 背景
需要为知识库检索功能引入向量存储能力，数据规模预计初期<100万向量。

## 考虑的选项
1. Milvus（分布式向量数据库）
2. Weaviate（云托管方案）
3. pgvector（PostgreSQL扩展）

## 决策：pgvector

## 理由
1. 团队目前无向量数据库运维经验，Milvus的运维复杂度超出我们的能力匹配范围
2. 初期数据规模<100万，pgvector的性能完全够用（benchmark测试: 1M向量的P99 < 50ms）
3. 已有PostgreSQL运维体系，不引入新的技术栈
4. 当数据规模超过1000万向量时，可以迁移到Milvus，届期团队能力也会更成熟

## 潜在风险
数据规模增长超出预期时的迁移成本。设置监控，当向量数量超过500万时评估迁移计划。

## 六个月后回顾
[待填写]

六个月后回头看这些决策，有没有被证实，有没有被打脸，这个反馈循环是系统判断力建立的关键。

方向二：领域知识深度——AI无法轻易获取的行业理解

通用大模型的知识来自公开互联网，但很多最有价值的领域知识存在于：

• 行业的隐性惯例（没有文档，靠人传人）
• 特定公司或机构的历史积累（绝不会公开）
• 实际业务中的例外情况和边界处理（教科书不写，只有踩过坑才知道）

举例：一个做了五年银行核心系统的Java工程师，他对银行账务系统的"真实工作方式"的理解，是GPT-4怎么也给不出的。他知道：

• 对账差异出现时，哪些场景是系统正常的"时序问题"，哪些是真正的错误
• 什么时间点的批量操作会影响实时查询性能
• 监管合规对数据存储格式有哪些隐性要求（没有写在公开文档里，但审计时会被查）

这种知识的价值随着AI工具的普及而升高，不是降低——因为能使用AI工具的人越来越多，但能用AI工具解决真实行业问题的人需要这层领域知识。

如何主动培养：

选定一到两个行业，把它作为长期投资。不只是学技术，而是深入了解业务——读行业报告、和业务人员建立真实对话、在实际项目中积累跨越多个版本的经验。

广度是AI的优势，深度是人的优势。要建立的是AI配合不了的那种深度。

方向三：协作与影响力——推动技术在组织中真正落地

AI能写代码，但不能说服你的老板接受一个技术方案。

在大型组织里，技术工作的很大一部分不是"写代码"，而是：

• 推动不同团队就技术标准达成共识
• 说服业务团队投资一个技术基础设施
• 在多个利益相关方之间协调技术决策
• 带领工程师团队从旧技术迁移到新技术

这些工作需要技术理解+人际影响力+组织敏感性，三者缺一不可。AI工具在这个领域的帮助非常有限。

我见过很多技术能力强但影响力弱的工程师，他们的工作成果往往在组织里"不可见"——他们做了很好的系统设计，但没有办法让它被采纳；他们发现了架构问题，但改变不了决策。

如何主动培养：

找机会承担"跨团队协作"的工作。不是做的人最多的那类任务，而是需要协调多个团队的那类——引入新的AI工具全公司推广、牵头跨部门的系统集成项目、推动技术规范的制定。

这类工作很累，经常会遇到阻力，但它是培养组织影响力最快的方式。

怎么在实际工作中推进第二曲线投资

第二曲线的投资需要和第一曲线的工作并行，而不是等第一曲线稳定了再开始。

一个可行的节奏：

每周分配
├── 70% → 当前工作任务（第一曲线）
├── 20% → 刻意选择的能力投资（第二曲线）
└── 10% → 广度探索（不确定的方向）

20%的投资要是有方向的，不是"随便学学"。每个季度确定一个具体的能力目标，例如：

• "本季度结束时，我能独立完成一个完整的AI应用的架构设计和方案评审"
• "本季度结束时，我对金融风控领域的业务逻辑有足够的理解，能和业务人员独立讨论技术方案"

能力目标要具体到可以被验证，而不是模糊的"提高AI能力"。

一个关于焦虑的实话

我最后说一个很多人不愿意承认的事：第二曲线的建立，在早期几乎看不到回报。

你花了两个月深入学习一个行业，看起来没有任何产出；你写了十几份ADR，没有人注意到；你推动了一次跨团队的技术对齐，最后做了很多协调工作，代码还是别人写的。

这些投资在短期都是"不划算"的，但复利效应在一两年后会开始显现：你在技术决策上的判断力让人信服，你对某个领域的理解让你不可替代，你协调组织的能力让你的技术影响力超出了你的"本职工作"范围。

AI浪潮让"技术焦虑"成为一个集体话题，但焦虑本身解决不了问题。与其焦虑"AI会不会替代我"，不如认真思考"在AI能做的事情越来越多的世界里，我能提供什么是AI难以提供的"。

这个问题有答案，而且答案因人而异。找到你自己的答案，比追赶任何技术热点都更重要。

第二曲线投资的具体起点——从现在能做的事开始

很多人在想清楚了方向之后，反而陷入了另一种焦虑：从哪里开始？

我的建议是：从你当前工作里已经有的素材开始，不要为了建立第二曲线而专门开辟一块"额外时间"，而是在日常工作的每件事上多问一个问题。

日常代码评审时： 不只看代码本身写得好不好，多问"这个设计在业务量翻倍时会遇到什么瓶颈"。这个问题练的是系统判断力。

参加业务讨论时： 不只关注技术实现，主动问业务的背景和约束，了解"为什么这个业务规则是这样的"。这个积累练的是领域知识。

写技术方案时： 主动请不熟悉细节的同事来质疑你的方案，然后认真回应每一个质疑。这个过程练的是沟通能力，同时也在强化你的方案。

这些事情不需要额外的时间，只需要在做的时候换一个问问题的习惯。

还有一个具体的行动：找一个你尊重的人，让他给你的"第二曲线方向"做一次诚实的反馈。 不是让他夸你，是让他告诉你：这个方向是不是你真正的优势所在，还是你自我感觉良好？

别人的视角往往比自我评估准确，特别是在评估自己"真正的差异化价值"这件事上——我们太容易高估自己熟悉的东西的价值了。

第二曲线没有捷径，但也没有那么遥远。它始于你今天做的每件事背后多问的那一个问题。

关于"不可替代性"的一个务实认识

最后说一个容易被误解的地方：我说的"差异化价值"不是要你成为独一无二的天才，而是让你在你所处的那个职业层级和场景里，成为有明显优势的那20%。

很多人一听到"差异化"就觉得压力很大，觉得要做出什么前所未有的贡献。其实不是这样。

在一个中等规模的技术团队里，如果你：

• 在技术决策时能提出别人没有考虑到的长期风险视角
• 在某个行业领域比其他工程师的理解深一个层次
• 在推动跨团队技术对齐时比别人少踩很多坑

你就已经有了非常明显的差异化价值。这不需要你成为业界顶尖，只需要你在你的具体工作场景里，持续地做出比较好的判断。

这是可以做到的，只要你开始建立第二曲线，而不是把所有精力放在跑更快的第一曲线上。

AI浪潮带来的最好的机会，是它把那些机械性、重复性的工作自动化了，把时间还给了人。你把这些时间用来深化判断力和领域理解，还是用来焦虑和刷信息流，这个选择在很大程度上决定了三年后你在行业里的位置。