当Claude Code能写代码、DeepSeek V4能本地跑：程序员正在被重新分层

当Claude Code能写代码、DeepSeek V4能本地跑：程序员正在被重新分层

上周掘金热榜同时出现了三篇文章：”超越Vibe Coding”、”Claude Code工程师全面转向HTML”、”DeepSeek V4在MacBook上跑起来了”。我盯着屏幕看了很久，因为这三篇看似毫无关系的文章，指向了同一个事实——程序员这个群体，正在被AI工具撕成三层。

不是”AI会不会取代程序员”那种老生常谈。是一个已经发生了的事：你写不写代码已经不重要了，重要的是你在AI编程食物链的哪一层。

一个让人不舒服的现实

先说一组观察。

我认识的一个前端工程师，用Claude Code重构了一整个后台系统，三天干完了以前两周的活。他觉得自己效率提升了10倍。但他的薪资一分没涨——因为他的同事用同样的工具，也能三天干完。当所有人都能跑100米的时候，跑得快就不再是优势。

与此同时，他们的技术负责人根本不碰Claude Code。这哥们每天做的事情是：定义哪些模块应该用AI重写、哪些必须手写；审查AI生成的架构方案，砍掉那些看起来很花哨但维护不了的设计；跟产品经理吵架，确认需求的优先级和边界条件。

猜猜谁的年终奖更高？

Google工程师Addy Osmani管这叫”70%问题”：AI能帮你秒杀70%的功能，但剩下30%能让你加班到怀疑人生。这30%是错误处理、安全防护、并发控制、性能调优——全是那种”不出事你都不知道它存在”的东西。问题不在于AI能不能写完那70%，而在于谁有能力识别和搞定那30%。

这就是分层的起点。

三层食物链：你站在哪里？

我把当下AI编程生态里的人分成三层。不是按工具熟练度分，而是按”离开AI之后你还剩什么”来分。

第一层：执行层——用AI写代码的人。

这是人数最多的一层。拿到需求，打开Cursor或者Claude Code，描述功能，review一下输出，跑通测试，提交。效率确实高，以前一天写200行，现在一天能交付2000行。

但这一层的问题是：门槛极低，竞争极烈。你能用Claude Code写CRUD，实习生也能。你能用Cursor搭页面，刚转行的产品经理装个Bolt也能。Redis创始人Antirez刚开源了ds4项目，几千行C代码就能在一台128GB的MacBook上本地跑DeepSeek V4——27 token/s的生成速度，足够当一个coding agent用。当连本地模型都能免费跑agent了，”会用AI写代码”这件事的含金量，每天都在缩水。

你的工具壁垒接近于零。 所有人都拿着同一把锤子的时候，区别只在于谁知道该往哪颗钉子上砸。

第二层：系统层——让AI更高效地写代码的人。

这层人做的事不是写代码，而是设计”AI怎么写代码”。

他们写CLAUDE.md和AGENTS.md，定义项目的架构约束和代码规范，让AI agent在边界内自主运行而不是野马脱缰。他们设计工作流：用云端高端模型做规划和审查，用本地量化模型做执行——就像Antirez的ds4展示的那样，本地DeepSeek V4负责coding，云端Opus负责review，人类负责判断。他们搭建测试体系，定义”什么算对”，让AI的产出有一个客观的验收标准。

Claude Code团队工程师Thariq最近写了一篇文章，说团队内部已经很少有人亲自写代码了，”通常也是让Claude来改”。但人的角色变成了审阅者和决策者——决定AI应该用什么方式来完成任务。

这一层的壁垒是工程判断力。 你不需要亲手写每一行代码，但你必须知道好的架构长什么样、差的设计会在哪里崩溃。这种判断力不是用几天Cursor就能练出来的，它需要你踩过坑、背过锅、在凌晨三点被电话叫醒修过线上事故。

第三层：决策层——决定AI该写什么代码的人。

最上面这层人可能一行代码都不写，也不设计工作流。他们做的是更上游的事：定义问题。

这个产品到底要解决什么问题？用户真正的痛点在哪里？现在投入工程资源做这个feature，ROI是正的还是负的？竞品在做什么，我们的差异化在哪里？

这听起来像产品经理的活。没错——AI编程时代最稀缺的不是会写代码的人，而是知道该写什么代码的人。 当AI把”实现”的成本压到接近零，”决定实现什么”就成了整条链上最贵的环节。

最危险的位置：执行层的舒适区

三层之间不是平等的。执行层的人数最多、替代性最强、天花板最低。但偏偏很多人觉得自己在这一层活得挺好——”我用AI效率提升了10倍啊！”

效率提升10倍，不代表你值钱了10倍。 你用计算器算数比用算盘快100倍，但没有人会因为你会用计算器给你加工资。当工具的效率增益被所有人共享的时候，效率就不再是竞争优势，而是入场门票。

更危险的是，执行层会给你一种”我在进步”的幻觉。每天交付更多代码、处理更多ticket、关掉更多PR——所有指标都在涨。但这些指标衡量的是你”使用工具的频率”，不是你”创造的不可替代价值”。

就像那个70%问题：AI帮你搞定的那70%越来越轻松，但如果你永远不去碰那30%，你就永远被困在执行层。

三条路：怎么往上走

说几条具体的路线，不是鸡汤。

如果你在执行层，目标是系统层： 停止追求”用AI写更多代码”，开始研究”怎么让AI写出更好的代码”。花时间学架构设计、代码审查、测试策略。试着给你的项目写一份CLAUDE.md——你会发现，写这份文档比用AI写代码难十倍，因为你必须想清楚整个系统的边界和约束。能写好这份文档的人，就是系统层的人。

如果你在系统层，目标是决策层： 把时间从”技术怎么实现”转向”应该实现什么”。去跟用户聊天，去看业务数据，去理解商业模式。最好的技术负责人不是那个写代码最快的，而是那个能在10个feature里挑出最该做的那1个的人。AI让实现变便宜了，这意味着”选错方向”的代价相对更高了。

如果你刚入行或在考虑转型： 别把”学会用AI写代码”当终点。那只是起点，而且是一个越来越廉价的起点。一开始你可以靠AI上手快速产出，但要尽早培养两个能力：一是读懂AI写的代码并判断它好不好的能力，二是理解业务需求并把它拆解成工程任务的能力。第一个让你进系统层，第二个让你进决策层。

每次工具革命都是一次重新分层

历史上每次工具革命都发生过同样的事。

电子表格出现的时候，”会用Excel”是一种竞争力。几年后，每个白领都会用Excel，竞争力变成了”知道该算什么”。搜索引擎出现的时候，”会Google”是一种能力。现在，”知道该搜什么”才是真正的差距。

AI编程工具走的是一模一样的路线。现在”会用Claude Code”还算一个优势。但等到所有人都能在本地免费跑一个DeepSeek V4的时候——按现在的发展速度，这一天不会太远——”会用AI写代码”就会变成”会打字”一样的基础技能。

到那时候，唯一重要的问题就是：如果AI写了所有的代码，这个项目为什么还需要你？

你的答案，就决定了你在哪一层。