编程语言AI算法
大模型是否会取代程序员？探讨未来技术职场变化
本文探讨了大模型对程序员职业的影响。嘉宾指出当前大模型在基础代码生成上表现良好，但在复杂逻辑推理和长上下文处理上仍有局限。智能体（Agent）范式可能改变开发流程，但商业责任仍需人类承担。未来程序员需向架构设计、领域知识及智能体开发方向转型，而非单纯写代码。文章分析了 Transformer 模型的局限性、上下文窗口对准确率的影响以及人机协作中的责任归属问题，并提出了职业发展的新路径建议。
本文探讨了大模型对程序员职业的影响。嘉宾指出当前大模型在基础代码生成上表现良好，但在复杂逻辑推理和长上下文处理上仍有局限。智能体（Agent）范式可能改变开发流程，但商业责任仍需人类承担。未来程序员需向架构设计、领域知识及智能体开发方向转型，而非单纯写代码。文章分析了 Transformer 模型的局限性、上下文窗口对准确率的影响以及人机协作中的责任归属问题，并提出了职业发展的新路径建议。
如今，随着大模型在编程、代码生成、自动化测试等领域展现出越来越强大的能力，一个引人深思的问题浮现出来：大模型会不会最终取代程序员的工作？
有些人认为，世界上本就没有哪项工作是绝对安全的，机器取代人工本就是迟早的事。从 GitHub Copilot、ChatGPT 到国产的通义灵码，各类替代工具纷纷涌现。AI 会做得越来越多，人类做得越来越少。百度 CEO 李彦宏就曾说过，基本上以后不会存在'程序员'这种职业了，因为只要会说话，人人都会具备程序员的能力。
但另一些人，则持不同的观点。他们认为：'低端程序员会消失，有创造力的程序员会做大'，'编程仍是基础，是必须要学的，程序都看不懂，再有创造力也没用'。360 CEO 周鸿祎就觉得，程序员热十年内不会减弱。尽管未来人人都会用电脑，所谓人人都是程序员，但不同的人用电脑创造的产品完全不一样，AI 时代更需要计算机专家和程序员，他们可能是各行各业最有发言权的。
那么，真实的情况是怎样的？大模型技术到底能取代哪些工作，又会如何影响程序员的职业生涯？作为普通程序员，应该如何适应变化？
我们邀请到了科大讯飞 AI 工程院智能体研究负责人杨彦波、PingCAP AI Lab 团队数据科学家孙逸神、Infra 工程师马工，一起来探讨一下，大模型的发展，究竟会如何塑造未来的技术职场？
分享嘉宾：
杨彦波
科大讯飞 AI 工程院智能体研究负责人，高级研发工程师，热爱开源，负责大模型模型微调平台 (MaaS) 以及智能体相关技术研究。
孙逸神
PingCAP AI Lab Data Scientist. 自 ChatGPT 震撼发布至今，聚焦 LLM 应用开发及 Multi-Agents 等应用方向的探索，开发了 TiDB Bot、LinguFlow 等应用，并参与 AutoGen 社区开发。
主持人：
马工
北欧 Infra 工程师，公众号《瑞典马工》主理人。《开源漫谈》常驻嘉宾。
马工：目前，大模型发展到什么程度了？对程序员的替代到了哪一步？有哪些产品是已经做得不错的了？各位能讲一讲吗？
杨彦波：今天我们讲的话题是大模型会不会取代程序员，那我们首先看下程序员的定义哦。维基百科上说，程序员一开始，指的就是单纯的软件开发者，但很显然，在今天，程序员已经不单单指软件开发者了，所做的工作也不再局限于写代码。像写脚本、软件测试这种工作，在今天就有可能会被逐步取代。现在的话，像翻译、文档整理、数据标注这些，在一些简单的场景，大模型配合一些 agent 的框架已经做得比较好了，这种场景下的职位，相对来说就比较容易被大模型替代掉。
孙逸神：ChatGPT 面世的时候，确实很惊艳，对以往的一些 AI 应用确实是降维打击。不过，经过大家的体验，大家会发现，它确实存在亮点，但也还有很多弊端。而对于一个程序员来说，真正需要用在生产上面的话，我肯定不是看它的天花板在哪里，而是要看它的平均水平，或者说它的底线在哪里，因为这才是保障你服务质量的重点。
那现在看下来的话，它在文字领域也只能做一些比较初级的东西。比如说它比较擅长总结，比较擅长做阅读理解，但是要真的让它去做一个很高级的文本关系，它又没那么擅长，或者说它的准确率没那么高。
放到程序员这个领域来看，其实也是类似的。一些基础的活，它是能做的。但是高级的活，理论上它是不具备所谓的逻辑推理能力的。为什么它看起来有逻辑推理能力，是因为我们大部分情况下逻辑是蕴含在语言之中的，那它在学习语言的过程当中，只要学习的文本足够好，它就自然会蕴含一些逻辑在里面，但是它本身其实并不理解这个东西。你要是真让它开发一个很复杂的东西，或者一个很新的东西，那它基本上是做不了的。
马工：是的，Copilot 给我提供了一些代码，很好用，很方便，但是你还是得自己看一遍，不然放进去就是个灾难。但是如果老板把我开掉，那他就得自己去看 Copilot 代码，我相信他不如请我来看。
话又说回来，你说它不能做高级的东西，但是一个程序员的日常工作中，有多少是高级的东西？也许我们 99% 的工作都是不高级的东西。你怎么看？
杨彦波：大模型本身它是包含一些原子能力的，比如说基础的对话，还有它本身页面上的一些功能，等等。这些都是比较简单的使用方式，能让你体验大模型的效果。
更多的复杂任务，我们一般是利用大模型的 API，在客户端或者以编程的方式去做一些更高级的应用。我们现在所说的大模型，不仅仅是它自己的那个原子能力的发展，更多的、也是今年最火热的是编程范式，就是 agent 的一个范式。这一块也属于大模型发展的一部分。以后复杂的任务，可能更多会靠智能体这一块的概念去解决，这是我的观点。
马工：这个范式转移究竟是怎么一个转移？是说以后不需要程序员去写代码、测试、应用、然后部署到生产环境，还是…？
杨彦波：我举个例子。现实世界里，开发一个项目，往往有一个项目负责人，有项目经理，有开发测试，有运维部署，还有其他的各种角色，共同把这个项目做起来。大模型出来之后，我们可以用大模型去扮演这些角色，去实现它们在这个项目中的不同目标，共同完成一个项目。这就是大家最近在搞的智能体平台。实际上，作为编程这样一个比较特殊的环境，利用多个角色协同去编码，其实是非常有希望的。
马工：所以您的意思是，大模型不仅会取代程序员，还会把整个 IT 团队都给干掉，也就是说以后产品经理直接就跟 agent 打交道，不需要人了，不需要公司了，是这个意思吧？
杨彦波：我的观点可能比较激进，可能大概是这样，当然，取代了这些岗位以后，一定会诞生一些新的岗位。
马工：很恐怖的场景啊。
孙逸神：是这样子的，因为今天这个题目讨论的是最终会不会代替，做到最终这个事情上就很难说了，我们肯定得给它加个时间限制。
以我的经验来说的话，我做了挺多实验了，像彦波说的那样，让 agent 组成一个团队，这对解决问题流程是一个比较好的抽象。甚至我在这个层面上再加了一层抽象 —— 就是本身任务怎么去做？因为任务会有相应的 SOP 来支撑这个任务怎么做，而不同的 SOP 都会有一整套的工作流程，我可以用这个 group 去组合各个不同的角色去做这个事情。
但这两层抽象我都做完了以后，它依然很难满足我实际生产上的工作需求。比如说我让它做一些数据分析类的工作，实际操作中因为你本身可能输入 token 数量就很多，然后在这个过程当中，它的上下文交流交互也很频繁，那这样的话，其实整个上下文可能超过 100K 以上。
在这种情况下，它最终能完成任务的概率其实还是挺小的。因为你每一个环节都存在它出错的可能性，最后就是一个乘法原理乘起来！那乘完了以后，它总的来说，成功率还是相当低的。
因为人家写论文的时候，他一定是会给你看它最棒的亮点！但是这个亮点如果重复 100 次，是不是里面有 90% 都是这个样子的，其实不好说。实际我最后用下来，如果上下文足够长，或者逻辑足够复杂的情况下，光靠一个 PM 去跟它沟通是挺难的。
PM 要具备审核所有生成代码的能力，那他其实不就已经相当于一个程序员？一个很复杂的项目我认为 PM 基本上没什么能力去审核，甚至他光看输入输出都不一定能对得上号。
马工：你提到的这个现象，会不会只是一个临时的现象，过两三年情况就大不一样了？比如说你刚才说的 100K 上下文，也许以后只有十兆上下文？又或者，当它复杂度上升的时候，工作不太顺畅了我再加一个程序员，就能解决问题。但是，相比于以前可能需要 100 个程序员，现在加 1 个就行，是不是也就相当于取代了 99% 的程序员了？
孙逸神：根据奥特曼的说法，chatGPT5 之后又是一个飞跃性的进展，所以这个还是挺难预测的。但是基于现在的 Transformer 模型，说白了还是比较倾向于一个马尔可夫决策过程，还是以概率为基础，根据之前的状态去预测下一个状态。如果这一点没有什么本质的改变，或者说人类对自己的认知科学也没有一个很完善的理解的话，至少这几年，取代程序员的情况是不会出现的。
现在，大家都在关注上下文增加之后，大模型的质量怎么样，关注如何拓展上下文的大小。但是到 100K200K 以上这个级别，它的准确率目前可能 50% 都不到。这种情况下，要突破，估计没有那么快。
今年上半年，我试过让 AutoGen 组成一个 group，让它能够按顺序去和人聊天，它都做不到。现在你说不光要让整个 group 的工作流程能够符合需求，还要让整个业务的 SOP 符合你的操作需求，整个步骤综合下来，至少我认为是很差的。
马工：这会不会是因为你们做分布式数据库的要求太高了呢？假如我就写个什么医疗信息管理系统，对程序员的要求很低，再把你那一套放到我这个医疗应用上，会不会效果就是可以接受的了？
孙逸神：一样的，我觉得对于不同领域来说，存在的问题是比较类似的。LLM 作为辅助肯定是 ok 的，但你让它真的去自动驾驶，这个肯定是不 ok 的。在程序员以外，还有一个比较重要的点，就是这个商业道德的问题，或者说商业责任的问题到底由谁来承担？
在医疗行业，大家都知道那个图像识别 CT 在这个领域用了很多，像看片子，其实 AI 都能给出一些结论，但是最终还是要医生来盖章签字。那落到程序员这边来说，也是一样的。PM 可以把这个任务交给一个 AI 去做，但最后还是要有一个人来签字画押。PM 来签这个字不太可能，最终还是要有一个程序员来签这个字，程序员还是要对这个结果做一个检查。不检查的话，那他签了字，老板就要背商业责任了。
马工：是个很有趣的点，大模型不能背锅。
杨彦波：自动驾驶的例子我不太赞同。事实上，现在很多城市已经试点了一些公交线路，像我们合肥就有一些试点无人公交，还有无人送快递，现实的例子已经 OK 了，只不过可能取代真正的人类还需要一段时间。不过，程序员这行也一样，它取代也是逐步的取代，先从一些简单的场景再到更复杂的场景逐步地去取代。
像我公司现在有一些工作，偏向简单重复的代码开发，我们之前都是招实习生来做，在大模型出来之后，我们已经探索出用一些依赖大模型的 agent 技术来取代这一类工作，极大降低了用人成本。
马工：你之前说的智能体是什么东西？跟 chatGPT 有什么区别？
杨彦波：智能体这个概念，在大模型没有出来之前就有了，它的英文名字叫 agent。Agent 中文叫代理人，意思就是你完成一件事情，可能不需要你亲自去干，但你需要一个工具，或者是要一个实体人去帮你干。现在，这个代理人就是 agent，它可能干的事情不仅仅是调大模型，它会有一些高阶的能力：它知道在这个事情的领域内，怎么跟大模型交互，怎么调用外部的一些工具。这就是智能体的概念。它本质上也是大模型，但它是在大模型之上，又封装了一些特定领域的任务规划，或者是一些知识，相当于它是更加贴近于我们的真实用户的。
马工：我这样理解：以前打电话给携程，需要告诉那个客服，让他帮我订票。现在这个客服可能改成了 LLM，对我来说，他就是智能体。
孙逸神：没错，你可以认为它就是一个控制器，或者说就是一个机器人。它主要做的事情，首先是接受一定的输入，能够去感知一个环境，然后通过这些输入的信息，自己做一定的决策，最后输出一些 action 去改变这个 environment。
马工：我问一个问题，如果我们程序员真的被取代了，能有什么出路？彦波刚刚说了会有新的岗位产生，但是新的岗位是什么？我们应该怎么准备应对这一切？
杨彦波：我们最初发明 AI 是为了干啥？为了解放我们人类，提高我们的效率。那么，大模型一旦它的能力边界越来越大，能做的事情越来越多，那我们更需要关注的就是大模型给我们做的这些事情的质量，输出的东西是不是安全的，是不是符合伦理的，怎么控制大模型更好地输出？像大模型的内容安全这一块，一些新的岗位已经出来了。
还有一种岗位就是，怎么更高级地去使用大模型？像开发 agent，就是一种新的岗位：怎么去开发 agent，让大模型可以为小白所用？我觉得这种岗位会越来越多，而且每个领域它的 agent 可能都不一样，大家的开发方式也逐渐变化了。
马工：第一，普通程序员哪有能力去开发智能体？那我只能做那种智能体的小助手，审核一下它写的东西。也就是说，现在它是我的助手，但是过了若干年之后，我会变成它的助手。听起来不是很让我兴奋的旅程。
孙逸神：彦波刚刚提到了，大模型替代一些基础能力，是 ok 的。它其实还是你的助手，它在帮你干一些杂活，或者说价值不高、附加值很差的活。作为一个程序员来说，你也不可能完全的就干'接收一个 stc 的输入，然后输出一个程序'这么简单的事情。很多工作越往后，越可能往业务方向去走。那你在不同的领域，你可能还是需要在这个领域的知识里面去做很多的事情。
CS 这一块的话，系统架构也在不断的演进。只要是新的东西，都可以认为大模型是没有很强的能力的。因为它本质上来说，还是在总结既往已有的知识。在已有的知识前提下，它去创造，那它的创造力是很让人捉摸不定的。它也许偶尔灵光乍现能给你一些有用的信息，但是大部分情况下是没有的。
另外，它对物理定律的理解其实就是没有。如果去做一个极其复杂的 BI 场景，或者说我是一个开发 CAE 软件的人，如果连微积分都搞不定，AI 它也一样算不出来。我觉得，每个领域其实都有很多专业知识可以挖的。
马工：明白，如果我是个程序员，我要保证我的职业安全，我就应该让领导尽量用新的语言。每个语言出来了，我就赶紧用。LLM 它还没有读到足够的文本，它就用不了。哈哈。
基于上述讨论，我们可以进一步梳理大模型对软件工程领域的深层影响。当前的大模型技术虽然强大，但其本质仍基于概率预测，这意味着在处理确定性要求极高的核心业务逻辑时，仍需人类的介入与校验。
传统的软件开发模式正逐渐向 Agent 协作模式转变。在这种模式下，开发者不再仅仅是编写具体的函数或类，而是设计 Agent 之间的交互协议、任务分配机制以及错误处理流程。这要求程序员具备更强的系统设计能力和对业务逻辑的抽象能力。例如，AutoGen 等框架允许开发者定义多个具有不同角色的 Agent，通过自然语言进行协作，从而完成复杂的任务链。这种范式的转移意味着编程技能树的重构，从语法细节转向了意图表达与流程编排。
随着模型上下文窗口的扩大，如支持 100K 甚至 200K tokens，处理长文档和复杂项目结构成为可能。然而，正如孙逸神所指出的，随着上下文长度的增加，幻觉（Hallucination）的风险也随之累积。在长序列生成中，模型可能会遗忘早期的指令或产生逻辑矛盾。因此，在实际工程中，采用分段处理、中间状态验证以及 RAG（检索增强生成）等技术来维持准确率至关重要。这不仅是技术问题，更是工程治理问题。
商业责任的归属是目前 AI 落地无法回避的法律与伦理问题。无论是医疗诊断还是金融风控，最终的签字确认权必须掌握在人类手中。这意味着程序员的角色将从'执行者'转变为'审核者'和'责任主体'。即使 AI 生成了 90% 的代码，剩余的 10% 关键逻辑审查、安全漏洞扫描以及合规性检查仍需人工完成。这种人机协作模式将长期存在，且对程序员的领域知识提出了更高要求。
面对变革，程序员的职业发展应聚焦于以下方向：
综上所述，大模型不会在短期内彻底取代程序员，但它正在重塑程序员的技能要求和岗位职责。未来的核心竞争力在于如何利用 AI 工具放大自身价值，以及在 AI 无法触及的领域建立专业壁垒。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online