我已经很久不自己找 Bug 了。现在遇到问题，我通常会把代码、日志和复现路径直接交给 Codex 或 Claude Code，让它们在代码库里搜索、修改，再运行测试。AI 不一定每次都能把根因解释清楚，但它改完之后，问题往往会消失。功能恢复了，测试也能通过，我有时仍然说不清那几行修改为什么有效。
到目前为止，AI 真正处理不了的问题并不多。它们通常很冷门，或者错误来自更底层的浏览器、渲染框架和软件基座。遇到这类情况，我自己大概率也找不到。
这套工作方式带来的效率很直接。以前可能要查半天的东西，现在十几分钟就能完成。我也很难说自己因为不再亲手排查而损失了多少能力，因为被节省下来的时间已经变成了更多功能、更多项目和更快的迭代。与此同时，我完成的 Bug 越来越多，亲自形成的调试经验却未必同步增加。
初级工作还有一份看不见的产出
Jeff Raikes 在 2026 年 7 月发表的一篇 Fortune 评论文章里，把这种风险称为“人才债”。
按照他的解释，初级岗位交付的不只有眼前的工作。新人整理数据、修小 Bug、读日志、写基础文档和处理客户问题时，也在接触真实案例，逐渐知道什么结果可信，哪些异常值得继续追，理论和现实会在哪些地方分开。这些经验很难通过一次培训直接传递，却会在几年后变成中高级员工的判断力。
当 AI 接走这些任务，公司拿到了产出，却同时删掉了培养未来专家的一部分过程。
这种担忧已经能在就业数据里找到一些迹象。斯坦福数字经济实验室研究美国企业的薪资记录后发现，在 AI 暴露程度最高的职业中，22 至 25 岁从业者的就业人数相对下降了 16%，同一职业里的资深员工则保持稳定或继续增长。
研究控制了企业层面的冲击，也做了多种稳健性检验，但作者使用的措辞仍然很谨慎：这些结果与 AI 开始冲击初级岗位的假设一致，还不能证明所有变化都由 AI 单独造成。研究原文
Anthropic 在 2026 年 3 月发布的劳动力研究给出了稍微不同的图景。他们没有发现 AI 暴露程度较高的职业出现系统性失业上升，只发现年轻人进入这些职业的速度可能正在放慢。
与 2022 年相比，22 至 25 岁劳动者进入高暴露职业的月度概率大约下降了 14%，统计显著性刚刚过线，其他解释仍然存在。Anthropic 的研究
两个结果放在一起，比“AI 已经消灭初级岗位”复杂得多。大范围失业还没有明确出现，年轻人进入部分职业的入口却可能已经变窄。企业未必在公开取消初级岗位，它们也可以少招几个人，提高招聘门槛，再把原本属于新人的执行工作交给资深员工和 Agent。
人才债里藏着一个前提
我对“人才债”这个比喻的疑问，出在“债”这个字。债务意味着将来必须偿还。今天少培养一个新人，几年后就少一个能够独立负责系统的中级员工；资深人员离开以后，公司只能用更高的工资从市场上抢人，或者承受没人理解系统的后果。这条因果链默认了一件事：几年后的公司依然需要人类专家完成今天这些工作。如果这个前提变了，债务未必会到期。
假设一家软件公司不再招聘大量初级工程师，让少数有经验的工程师同时指挥多个 Agent。五年后，团队的中级人才确实出现了断层，但那时的 Agent 已经能独立阅读代码库、定位问题、修改实现、运行测试、观察线上指标并在失败时回滚。公司不需要重新培养同样数量的工程师，也就没有经济上的还款需求。
这里仍然存在法律责任、商业责任和安全责任。出了事故，公司不能说是 Agent 干的，跟自己无关。不过，承担责任和亲手执行是两件事。人可以规定哪些数据不能碰、哪些修改必须有测试、什么风险需要升级处理，具体的搜索、修改和验证则由 Agent 完成。
企业做的更像一场下注。一边是 AI 获得业务级自主能力的速度，另一边是人才梯队萎缩并开始造成真实故障的速度。AI 先成熟，部分人才债会被直接核销。人才断层先发生，资深员工开始离开，系统又没有可靠的自动维护能力，这笔债才会以事故、返工、招聘成本和项目失控的形式回来。
企业押的不是 AI 永远不会犯错。它们只需要相信，AI 的进步会比组织丧失专家能力造成的损害更早到达。
公司为什么可能继续下注
我自己的调试习惯，已经给出了一个很小的样本。以前我需要亲自理解的很多问题，现在只需要判断修复结果是否可以接受。对于普通、可逆的界面问题，Bug 消失并通过回归测试，通常已经够了。不是所有任务都值得追到完整根因。把几个小时花在一个不会再次出现、影响范围很小的问题上，也可能只是对“亲自理解”的迷恋。
风险高的任务不能只看症状。数据库迁移是否会丢数据，权限修改是否打开了越权路径，并发问题是否只是降低了出现概率，支付逻辑是否在异常状态下重复扣款，这些都需要更强的因果证据。AI 可以负责调查，但验收标准不能由正在接受验收的 Agent 临时决定。
这种分层一旦建立起来，专家能够同时管理的工作量会迅速扩大。至少按我的使用体验，一个有经验的从业者配合多个 Agent，覆盖过去五六个人承担的数字工作，并不夸张。这类效率不会先变成五六倍工资，招聘计划通常会先收缩。
有人会用“新技术总会创造新需求”反驳。需求确实可能增加，新增工作却不保证按原来的比例增加人手。AI 能完成旧需求，也能参与处理 AI 带来的新需求。过去一个新产品需要重新组建团队，今后可能只需要给现有团队增加一组 Agent 和一套验收流程。
目前的数据还不足以证明这个终点已经到来。国际劳工组织在 2025 年的全球指数中估计，全球约四分之一的就业处于生成式 AI 的潜在影响范围，但他们判断“工作转型”比“完整替代”更可能发生，也特别提醒暴露程度不能直接换算成失业人数。ILO 与 NASK 的研究
企业不会等到这场经济学争论结束再调整招聘预算。只要一个资深员工加 Agent 已经能够稳定完成原来两三个人的工作，下一份初级岗位的招聘申请就会变得更难批准。
能不能验收，决定 AI 能走多远
AI 的能力经常用模型参数、榜单分数或能连续工作多长时间来描述。落到企业里，问题变成了：任务完成以后，系统能不能低成本地知道它做对了。
METR 的“任务时间跨度”研究经常被用来说明 Agent 能够独立完成越来越长的软件任务。这个指标测量的是某项任务对人类专家而言需要多长时间，以及模型达到一定成功率时对应的任务难度。METR 自己反复提醒，他们的任务主要来自软件工程、机器学习和网络安全，通常定义清楚、上下文独立，而且可以自动评分。
现实工作更杂乱，需要长期背景、隐性知识和人与人之间的协调，很多结果也没有可以直接计算的正确答案。这个差别划出了 AI 自主工作的边界。METR 的方法说明
代码能编译，单元测试能跑，页面可以做截图对比，接口有明确契约，性能可以压测，部署失败能够回滚。在这些场景里，Agent 不只生成结果，还能收集证据。验证环节逐渐自动化以后，人不必逐行理解每一次修改。
产品方向、品牌判断、组织冲突和责任分配很难这样验收。用户没有留下，可能是功能不对、价格不对、渠道不对，也可能只是产品出现得太早。没有一个测试能在十分钟后告诉 Agent 哪个解释才是根因。
微软的 2026 年 Work Trend Index 调查了 10 个国家的 2 万名 AI 使用者，其中 16% 被归为 Frontier Professionals，也就是使用方式最成熟的一组人。这个 16% 不是一场独立能力考试的通过率，而是根据多项自报行为划出的群体。
相比其他受访者，他们更常在开始工作前划分人和 AI 的职责，也更常刻意保留不用 AI 的任务。微软原报告
Raikes 把这组数据解释为高手知道如何保护自己的思考能力。我更在意的是，他们会在动手前划分人和 AI 的职责，而微软在同一份报告里又把评估基础设施列为企业扩大 Agent 使用规模的必要条件。
两点放在一起，我的推论是：未来最稀缺的可能会是能够定义边界、证据和升级条件的人，他们未必在每个领域都亲手执行。至于这种能力是否必须经过大量初级工作才能获得，仍然没有答案。
没有学徒以后，谁来产生新知识
AI 现在会犯错，算不上对这场赌局最有力的反驳。模型会继续升级，今天的失败案例很容易过时。更难回答的问题是：当初级岗位消失、专家逐渐退休以后，AI 从哪里获得新的经验？
现有模型吸收了大量由人类专家生产的代码、论文、案例和讨论。这个存量很大，却不是无限的。冷门故障、全新的框架问题和从未发生过的组合风险，不会自动出现在历史训练数据里。如果现实中的新人不再通过工作成长，未来能够识别这些问题的人也会减少。
AI 并非只能等待人类继续喂数据。它可以在模拟环境里探索，利用测试、证明器和游戏规则生成自己的训练材料。Google DeepMind 的 AlphaGeometry 就是一个明确的例子。
研究团队生成了 1 亿个不同的几何训练样本，没有使用人类证明作为示范，在 30 道奥赛几何题的测试集中解出了 25 道。AlphaGeometry 项目介绍
这个结果不能直接推出 AI 会自行解决所有知识更新问题。几何有明确规则，证明可以由计算机验证。现实世界的产品、管理和社会判断没有同样干净的证明器。
合成数据本身也不是免费的永动机。2024 年发表在 Nature 的一项研究发现，如果生成模型不加区分地反复学习其他模型产生的数据，原始分布里的低概率事件会逐代丢失，最后出现“模型坍塌”。保留真实数据可以减轻退化。Nature 论文
两项研究处理的是不同的数据环境。AlphaGeometry 的合成数据由形式规则生成，每个结果都能被验证；模型坍塌研究的是模型输出重新进入训练集以后，误差和分布偏差不断累积。AI 能否脱离人类人才梯队继续进化，很可能仍然取决于验证。
规则明确的领域可以制造近乎无限的练习题。开放世界里的长尾问题仍要从真实运行、真实用户和真实失败中获得。如果公司连收集这些失败、保留上下文和追踪后果的人都删掉了，Agent 也可能只是在一个越来越整洁的历史世界里持续优化。
企业可能赌赢，社会仍然要处理结果
从单个企业看，减少初级岗位并不难理解。培养新人需要工资、时间和资深员工的注意力，培养出来的人还可能离开。购买 AI 服务更便宜，也更容易扩缩容。只要项目没有先于 AI 的进步速度失控，等待往往比投资人才划算。
每家公司都做出同样选择以后，问题会扩散到公司之外。年轻人进入职业的入口变窄，收入集中到少数能够调度 AI、拥有资本或掌握渠道的人手中。生产能力继续增加，有购买力的需求却可能下降。如果这种替代大规模发生，我猜基本收入、社会分红或其他保障机制会从价值观争论变成维持消费和社会稳定的现实工具。
这不代表企业应该主动牺牲效率来解决整个社会的人才培养问题。企业也很少会因为宏观风险而长期保留当前不需要的岗位。更可能发生的情况是，公司继续削减，教育体系继续追赶，政府在问题变得足够明显以后重新分配其中一部分收益。就算每一家企业都赌对了，社会也可能需要为这场胜利重新设计收入和职业入口。
我还是会把下一个 Bug 交给 Agent
对个人来说，拒绝 AI 很难成为一条现实的职业策略。市场不会因为我想慢慢打好基础，就暂停几年的技术迭代。别人用 Agent 一周完成的产品，我坚持亲手写三个月，失去的可能不只是速度，还有用户、现金流和继续试错的机会。
我仍然会在需要时学习底层知识，但不会为了证明自己没有依赖工具，把所有任务重新手工做一遍。更实际的做法是保留风险分类能力，知道什么问题只需要结果，什么问题必须追根因，什么时候 AI 给出的证据还不够。
个人还需要积累一些不会随着单次执行成本下降而迅速贬值的东西：知道什么值得做，能把产品送到用户面前，拥有自己的表达、品牌和分发渠道。AI 可以让更多人做出产品，不会自动让这些产品被看见。
下次遇到 Bug，我大概还是会先把日志交给 Agent。这个选择和企业削减初级岗位没有本质区别。我在押注 AI 的进步速度，会快于基本功退化给我造成损失的速度。
公司押上的更多。它们在等 AI 长大，也在赌自己永远不再需要学徒。
