最近在分享关于2026年软件工程师核心能力的话题后，后台收到不少私信。其中一个典型的问题是：“老齐，既然AI大势所趋，我现在转型做‘AI应用工程师’是不是一个好的选择？”

对于这个问题，我的观点非常鲜明：千万不要这么做。

这个建议需要分情况来看。如果你是一位在行业摸爬滚打多年、精通Java、架构设计以及各种软件开发技能的资深人士，比如已经过了35岁，想要寻找新的职业增长点，那么转型AI是一个不错的选择。但如果你是应届生，或者是工作经验只有三五年的新人，把全副身家性命押注在“AI应用开发”上，我认为风险极高，甚至是不理智的。

我们需要厘清“AI应用开发工程师”到底在做什么。这个岗位通常包含两层含义：一是利用IDE里的AI插件、Agent或各种工具来辅助生成代码，简化重复劳动；二是在现有的软件系统中集成AI能力，比如把传统的法务人工审核流程替换为AI处理，重新编排工作流。无论是哪一种，流程编排、上下文管理、提示词工程（Prompt Engineering）和效果调优似乎都成了核心技能。听起来很高大上，但实际上对于新人来说，这是一个巨大的坑。

核心竞争力的缺失是最大的问题。除非你能进入阿里、腾讯、字节这样的大厂去触碰底层模型，否则在大多数公司，你大概率只能做一个“API调用的搬运工”。你的经验会深度绑定特定的厂商和模型，今天你精通了某个模型的提示词技巧，明天模型从GPT-4迭代到GPT-5，或者公司换用了DeepSeek、Claude，你积累的所谓“经验”瞬间就会作废。因为技术在快速迭代，很多你现在引以为傲的“调优技巧”，很快就会被集成到新版模型的能力中，不再需要人工干预。

这引出了一个与传统软件工程截然不同的职业逻辑。软件工程的知识是“叠加态”的，你学了架构、学了设计模式，经验会随着时间不断向上积累。而AI应用领域的技能往往是“替代关系”。新模型出现，旧模型的知识不仅没用，甚至可能成为干扰。对于企业来说，与其花成本培养你去适应新模型，不如直接在市场上招一个已经熟悉新模型的人。这意味着你的技能保质期极短，职业护城河非常浅。

商业变现的困境也是悬在头顶的达摩克里斯之剑。虽然AI喊得震天响，但目前市面上除了智能客服、文本理解等少数场景，真正能跑通商业闭环、实现大规模盈利的项目少之又少。即便是OpenAI这样的巨头，营收虽然过百亿，但受限于高昂的算力成本，依然处于亏损状态。如果整个行业还在为商业化发愁，作为依附于这个行业的个体，职业发展的稳定性必然面临巨大风险。相比之下，传统的软件开发依然有着更广泛、更扎实的业务需求。

从技术落地的角度看，AI目前的“幻觉”问题依然严重。通用大模型训练自互联网公开数据，一旦涉及到行业内部的专业知识（比如财政支付、特定业务流程），它往往因为缺乏数据而变得“人工智障”。而且，随着代码库日益庞大，动辄百万行的代码量，受限于Token成本和上下文长度，让AI完全接管项目的阅读与维护，成本可能比雇佣一个真人程序员还要高。

还有一个无法回避的逻辑悖论：AI生成的代码如果出了问题，谁来修？当然还是得靠人。AI应用工程师如果不懂底层的软件逻辑，不懂代码架构，根本无法解决AI产生的Bug。这就又绕回了原点——你必须先是一个优秀的软件工程师，才有能力去驾驭AI。AI应用开发并不是独立于软件开发之外的新工种，它本质上还是要求你具备扎实的编程与架构能力。

对于新人来说，更稳妥的职业路径是“主次分明”。请继续把重心放在业务理解、架构设计和核心编码能力上，让人成为研发的主体。同时，把AI当作一个得力助手，用它来生成样板代码、排查简单错误，提高效率，而不是幻想让AI替你完成所有工作。不要被“All in AI”的口号带偏，在这个快速变化的时代，夯实基础往往比追逐泡沫走得更远。