（2026 年 9 月中旬，開發者社羣「稀土掘金」上出現一篇隨筆，作者林冠宏以將近十年的開發資歷，感嘆技術社羣的分享文化正在快速退潮。文章本身閱讀量不算驚人，但它踩中的問題，值得拿出來談。）
以前要查三天的事，現在一句話就答了
把鏡頭拉近一點，先看這篇隨筆裡最容易被略過的那一行：作者說，三、四年前想搞懂一個難的技術點，往往要在網路上翻大量資料，甚至得在本機實際操作，而實操之前還會先卡在環境配置。等到真正弄懂了，那種「來之不易」的感受，會驅動人寫一篇文章把它記錄下來。
這段描述其實講清楚了舊時代技術內容的生產機制：知識取得困難，所以解開之後有剩餘能量，那股能量就變成部落格文章、論壇帖子、原始碼解析。作者提到，他剛入行做 Android 開發時，社羣排行榜上幾乎天天有 Handler 機制解析這類教學文。這些文章的存在，本身依賴一個前提：查資料很費力，而費力之後的收穫值得公開分享。
AI 把這個前提抽掉了。知識取得變成輸入即輸出，問一句就有一份詳細又準確的答案，連環境變數怎麼設、伺服器怎麼部署都可以讓 Agent 從頭做到尾。當疑問的半衰期縮短到幾秒鐘，就沒有沉澱成文章的必要。掘金排行榜上如今常見的是講故事、發簡報、聊職涯的內容，純技術文的數量明顯萎縮，這個現象與生產機制的變化是同一件事的兩面。
開發者的工作，從「做」變成「驗收」
這篇隨筆對開發流程變化的觀察也值得展開。作者的說法是：現在多數專案 AI 先行，輸出結果之後開發者看效果、做調整，再補幾句「記憶體優化」「並發優致」「避免死鎖慢查詢」之類的提示，專案就能跑很久。大公司加上 code review，但通常只看核心邏輯，零散邊界的程式碼已經很少人逐行思考。
用一個日常比喻：以前的開發者像自己下廚的廚師，從挑菜到火候都要管；現在更像審菜的主廚，AI 把菜端上桌，你嘗一口，說「太鹹、擺盤換掉」，然後上桌。判斷力取代了手藝，成為這份工作的核心。
這對不同位置的開發者，衝擊並不均勻。作者把舊時代的開發分成前端、後端、底層、其他四類，並直言在 AI 浪潮下站得最穩的是底層：涉及硬體、演算法、安全的領域，開源程式碼少、訓練素材少，AI 能發揮的空間就小，實打實的經驗仍是門檻。前端的自訂 View、後端常見的增刪改查，這些過去能寫成文章炫耀的成果，如今是幾個 prompt 加上一個好模型的產出。
社羣退潮，真正損失的是公共知識庫
技術文章變少，直接受害者其實已經出現了：AI 自己。大型語言模型的能力建立在人類持續產出的高品質技術內容上，而當寫文章的動力枯竭，模型能學的新鮮素材也跟著變薄。這是知識生態裡一個不太被討論的循環：分享文化養出了 AI，AI 又讓分享失去誘因。
對還在寫、還在讀技術文的人，這反而清理了賽場。願意花時間把底層機制、踩坑過程寫清楚的內容，稀缺性正在回升，因為它已經無法被「問一句就有」的通用答案取代。這也與我們先前整理過的GPT-6 Astra 官方使用指南的觀察相呼應：模型越強，使用者該調整的從來不是工具本身，而是自己提問與驗收的方式。
所以呢
作者對未來的預判是開發只剩兩類：一類是搭配 AI Agent 的全棧開發，一人做小專案、幾人做大專案；另一類是做 AI 本身的底層開發，做晶片、做演算法，把 AI 做得更強，再回頭服務前一類。這個分法當然可以爭論，但它指向的趨勢很實際：動手寫每一行程式碼的能力正在貶值，判斷產出好壞、描述需求精準、理解系統邊界的能力正在升值。
對正在業界的人，值得自查的問題很具體：如果明天所有 AI 工具消失，你還能獨立診斷一個效能問題嗎？還能從零搭起一套部署流程嗎？如果答案猶豫，那不是要棄用 AI，而是要刻意保留一些「費力」的練習，因為驗收能力的前提，是你曾經親手做過。對在校生與轉職者，門檻降低確實是入場的好消息，但也意味著入場之後的差異化更依賴底層理解與領域知識，那些 AI 訓練素材還不夠厚的地方。
技術車輪不會倒轉，這篇隨筆的最後一句話說得直接。真正該想的，也許是車往哪開的時候，你坐在哪個位置。
（文／沈安）
主題