已经很长时间，我没有写过具体的前端开发方面的文章了。

比如说：

1. 一个新的 API 的使用
2. 一个新的框架的使用

这些文章我觉得对于前端开发者来说已经不再重要了。自从前年 Cursor 横空出世之后，到去年的 Agent 元年，现在前端开发的工作方式已经发生了翻天覆地的变化。

但在很多社交平台（比如小红书，甚至国外的 YouTube）上，我发现很大一部分人还认为 AI 写出的代码是“屎山”代码，觉得虽然写得快，但维护起来非常困难。

其实这个问题已经发生了改变。自从去年模型能力发生飞跃式提升之后，AI 写出的代码已经不再是“屎山”了。我个人认为它比自己写的代码更利于维护，而且更健壮。

它会考虑到很多代码上的边界处理问题。比如：

1. 你写一个 JSON.stringify 或者 JSON.parse 这一类序列化的代码。
2. 有时候你忘了处理错误边界（比如 try-catch 一下），就会发现在某些不能正确序列化的情况下会出现报错，从而导致整个代码无法运行。

不知道为什么很多人觉得 AI 写出的代码是屎山代码，也有可能是他们不想积极地去学习这方面的知识，也就是所谓的一些守旧派。

但我个人觉得，编程界已经发生了非常大的变化。而且现在的很多公司已经开始大幅度、大范围地使用 AI 了。如果不会 AI 的话，可能后面找工作都会显得十分困难。

我觉得他们对于 AI 的偏见，可能与模型有一定的关系。

有些人使用了一些比较低级别的模型，对比现在顶级的模型——比如 Claude、ChatGPT 还有 Gemini，这三家现在写代码比较权威的模型，即使是使用简单的 prompt，也可能达到你心中的理想效果。

而其他比较低级别的模型，就算你使用丰富的 prompt，可能都达不到你想要的效果。

身份转变

我个人觉得，现在开发的工作已经从写代码开始进行了转变，开发者更像一个决策者。

以前的开发需要对代码的各种细节有无微不至的了解。比如某个地方怎么实现，只有深入了解之后才能进行修改；如果有些东西（比如算法之类的）不会的话，那个算法就是写不出来。

而现在不一样了，现在我感觉开发者更像是一个决策者：

1. AI 已经可以帮你写复杂算法和复杂的代码
2. 你不需要再去了解这些复杂算法具体是如何实现的
3. 你只需要知道有这么一个算法，并且判断这个算法放在这种场景下使用是非常合适的

那你就可以叫 AI 帮你写这个算法，不用再去细究它要如何实现。

所以我感觉现在更加重要的是知识面，也就是知识层面的广度，而不再是深度。以前是深度比广度更重要，现在则是广度比深度更重要。

你只需要知道有这么一个东西，才可能让 AI 去使用它；而以前，你可能更倾向于在某一个方面进行深钻。

当然，这也不是说现在深度就完全不重要了。因为在一些非常顶尖或复杂的行业中（比如数学行业），目前 AI 模型的能力还达不到可以自主研究的级别，那个时候深度就显得至关重要。

但实际上，可能只有非常少的人能达到那个地步。在前几天的 Hacker News 当中，我看到有一篇文章提到，Claude Opus 模型已经在几个小时之内，帮一位数学家解决了几周都没有解决的问题。

英语

如果说现在什么是最重要的，其实我个人觉得英语才是最重要的。

也就是说，再去深入研究算法的实现或代码的各种实现细节，已经是不太必要的了；相反，英语这门语言才是最重要的。因为现在顶级的论文和一些顶级的资料都集中在英文那一侧，所以学好英语在这个时候显得特别重要。

可能有些人会觉得，现在 AI 翻译已经非常成熟了，可以非常准确地翻译文章。甚至现在一些翻译职位都会被减少，那为什么现在还要去学习英语呢？

我个人认为，虽然 AI 的翻译已经非常成熟，但你不可能在所有场景下都依赖它。

如果你能直接看懂英语，效率会高得多。因为现在的 AI 在大部分情况下输出的都是英语，除非你在系统提示词（System Prompt）里指定它输出某种特定的语言，否则它多多少少都会掺杂一些英文。

在这种情况下，如果你想看懂 AI 输出的内容，那你得先进行翻译，转成你需要的语言，这一来一回，效率就会变得非常低。而如果你能直接看懂英语，可以省去大量翻译的时间。

而且英语作为国际通用语言，应用场景非常广泛。比如去国外游玩或进行国际交流时，都能直接派上用场。

所以我个人的感觉是，英语的学习优先级反而是最高的。

心灵提升

我之前可能觉得人际沟通没那么重要，但近几年发现它越来越关键。现在很多人喜欢跟 AI 聊天甚至谈恋爱，就是因为 AI 能提供非常强大的情绪价值。

大部分人如果没有经过系统性的学习，其实不懂得人与人之间该如何沟通。虽然有些天赋异禀的人不需要额外学习，因为他们成长和所处的环境就是一个良好的学习沟通的环境，这种熏陶让他们进入社会后自然而然就掌握了沟通方式。

遗憾的是，大部分人的父母（包括我自己的父母在内）其实并不知道如何表达自己的需要，也不懂得如何正确、友善地进行沟通。因为他们的父母也没有教过他们沟通方式。所以才会出现那种大吼大叫的家长，当孩子犯错后，首先得到的往往就是一顿劈头盖脸的责骂。

很多人都有 35 岁失业的危机。但其实，如果你能够良好地与身边的人友好相处，我觉得他们在你困难的时候肯定也会帮助你一把。

如果你是一个不会沟通的人，身边没有可以沟通的对象，也不知道该如何与人交流，那么你可能会感受到孤独，而且在你遇到困难的时候，也没人能够帮助你。

当你遇到挫折的时候（比如接连的面试失败），你的自信心可能会遭到毁灭性的打击。你可能不再想工作，甚至想把自己关在家里，不再尝试与外界沟通。这其实是一个非常危险的情况。

所以我感觉，除了学习英语之外，最核心的任务就是：

1. 锻炼自己的心理承受能力
2. 培养良好的沟通与交流方式

工作

现在说回工作方面。在之前的很多篇文章当中，我就谈到过我自己的工作方式发生了非常大的变化。我已经将 70% 到 80% 的代码交给 AI 完成，而我只需要负责代码的统筹：

1. 考虑用什么方式实现代码比较合适
2. 最终检验代码实现的效果

至于代码实现的细节，有时候我会去扫一眼，有时候完全不会去看它是如何实现的。当然，在工作场景当中我会更加严谨一点，几乎每次实现的代码我都会扫一眼。

但其实经过这么多次使用之后，我发现了一个问题：AI 实现的代码，无论是执行速度还是考虑全面性，都要比我自己手动实现花费的时间更少，并且错误边界的处理更加完善，代码也更加健壮。

我最近也开始尝试逐步完全靠 AI 生成代码，我自己不进行干预。

因为我刷到了一篇帖子，说 Claude Code 创始人，他现在的代码已经 100% 通过 AI 实现了。他甚至已经删掉了代码编辑器，每天的工作就是打开 4 到 5 个 Claude 窗口，然后统筹任务，让 AI 进行执行。

这让我感觉到非常震撼。虽然我已经将很大一部分的代码实现都交给了 AI，但还是有 20% 左右的代码是由我自己实现的。

其实这个比例在最近还在减小，可能我写的代码已经降到了 10% 左右，但还是不能像 Cloud Code 的创始人一样， 100% 的代码都由 AI 完成。

而且在工作场景下，我发现自己每次只能做一件事情，而那些走在 AI 应用前列的人，已经开始同时处理 4 到 5 件事情了。

所以我预测的未来，并不是比谁的代码写得更好，而是谁能让 AI 更快、更好地进行实现需求。

就像有时候我观察到，同样的工作，同事可能要用一天的时间才能写出来，而我只需要花费一个小时就能完成，并且实现效果比他的还更好。

当然，这些的前提是你需要使用一个顶级的 AI 大模型。

顶级模型

我个人强推的模型就两个：一个是 Claude，一个是 ChatGPT。

至于 Gemini，我自己在实际使用当中，发现它在编写代码时出的问题还是非常多的，效果远不如 ChatGPT 和 Claude。

而在 Claude 和 ChatGPT 之间，我个人更推荐 Claude 这一个模型。因为在非常多的场景测试下，它虽然不再像以前那样属于断崖式的领先（尤其在 Codex 出现之后），但我认为它依然处于 T0 的位置。

但是 Claude 有一个问题，就是它非常昂贵，比 GPT 模型要贵很多。

比如说，同样是 20 美元的订阅，用 Codex 可能很少会触发到它的使用上限，而使用 Claude 的话，可能很快就会达到上限。

但我还是强烈推荐在工作中使用 Claude 模型，因为它十分省心，几乎很少会出现低级错误，而且会严格遵循你的指令。比如说，你项目中有一个约束文件，它通常会严格遵守这个约束文件。而使用其他模型，我就发现有时候会差了一点意思，即便我在约束文件中已经写明了弹窗应该用哪一个组件，AI 在实现代码时可能并没有按照我的约束进行，而是用了另一个组件，或者自己重新创建了一个组件。

说到这里，就要提到为什么在我工作中，手敲代码的比例逐渐下滑的原因之一了。

这是因为随着这些模型的迭代，尤其是从去年的 Claude Code 出现之后，它提出了非常多的新东西。

尤其是 Skills 自从推出之后就大火，现在已经有非常多的开源 Skills。而 Claude 更能有效地调用对应的 Skills。

所以几乎针对每一个项目，我都单独创建了一个 skill，好让模型知道这个项目应该怎么编写，以及该功能应该使用哪一个组件进行编写。

而且现在这些 AI 工具迭代的速度非常快。比如说 Claude Code 的迭代速度，几乎每一天都会发布一个新版本，而每一个版本都会引入新的功能。

这些版本的更新信息基本上是由英文编写的，第一手资讯都是英文。如果你不懂英文的话，可能会错过大量信息。

总结

之所以我现在不再写那些关于框架用法或者新 API 用法的文章，其中最大的原因是我觉得已经没有必要再深入去学习那些内容了。

但其实还有一个例外的场景，那就是面试。面试的时候，往往只有通过问这些内容，才能知道一个人的真实水平，所以这就是需要权衡利弊的地方。

虽然我觉得花时间去研究——比如之前面试非常喜欢考的算法如何实现、框架的实现原理是什么——现在都没有必要去深入探究了。你只需要问一下 AI，它甚至可以逐行地去阅览代码，然后给你一个最终的结论。

但在面试中偏偏会考这些问题。所以，如果你需要找工作的话，还是需要去看一下这些底层原理之类的内容。

最后，这篇文章都是基于我现在的认知去写的，所以里面的一些观点不一定正确。还是要根据你自己的看法，去决定你接下来应该做什么。