前言从我写代码到我看AI写代码最近几个月我的工作状态发生了微妙的变化。作为一名保险科技的 PaaS/云原生架构师我的日常工作涉及大量的 YAML、Helm Charts、Kubernetes manifests、Terraform 代码和 Python/Bash 脚本。以前这些活儿都是我亲手敲出来的。但现在呢GitHub Copilot 帮我补全了 70% 的代码Cursor IDE 里的 AI 助手帮我重构了复杂的 K8s OperatorChatGPT 帮我写了那篇关于 Cilium eBPF 性能调优的技术文档初稿甚至 Prometheus 告警规则、Grafana Dashboard 的 JSON都是 AI 生成的初稿结果就是我发现自己从工作变成了监督工作。坦白说最开始觉得爽翻了——效率提升 3 倍不止但爽过之后一种奇怪的感觉悄悄爬上心头“这代码不是我写的这设计不是我做的那我到底在干嘛”更可怕的是这种感受渐渐演变成了几种具体的情绪“我没用了”AI 写得又快又好我还需要存在吗“人生无意义”如果工作都能被 AI 代劳我的人生价值在哪里“我比AI能力差”人家 5 秒出一个方案我得想半小时挫败感爆棚“虚无感”从创造者变成了审核者像个工具人里的工具人如果你也有类似感受这篇文字就是写给咱们这些AI时代失落者的。一、为什么技术人更容易感到被替代咱们这行有几个特点让 AI 替代焦虑特别严重1. 我们的工作太结构化了云原生技术栈的本质是什么声明式配置 自动化流程。Kubernetes manifests (YAML)Helm charts (模板化 YAML)Terraform (HCL)Ansible Playbooks (YAML again)Prometheus rules (YAML… again)这些都是高度结构化、模式化的东西。AI 学起来不要太容易它能在海量开源项目中找到最佳实践然后给你生成近乎完美的配置。2. 我们的价值一度被产出效率定义在技术圈长久以来有个潜规则代码行数、PR数量、项目交付速度 个人价值。现在 AI 来了一个 junior 工程师 ChatGPT产出能顶 3 个 senior一个简单的 CRUD 微服务AI 几分钟搞定以前得搞一天文档AI 写得比你还全面还规范当效率这个唯一指标被 AI 碾压时我们的价值坐标系就崩塌了。3. 我们的技能折旧率太高技术人的宿命就是终身学习。但 AI 的学习速度是人类的指数倍新框架出来AI 瞬间掌握所有最佳实践新漏洞曝光AI 立即给出修复方案新需求提出AI 秒级生成技术方案我们辛辛苦苦积累的经验在 AI 面前可能一夜之间变成过时知识。二、心学视角找回技术人的主体性当我陷入这种焦虑时偶然读到了一篇以王阳明心学解析 AI 时代困境的文章。说实话一开始觉得有点玄——咱搞技术的讲什么心即理、“知行合一”但仔细一品还真有点东西。心即理我们的价值不在产出而在判断“AI 所知是外显之’数据规律’你所悟是内在之’生命体验’。”这话怎么理解举个例子AI 能做什么生成一个完美的 Kubernetes Ingress 配置写出符合最佳实践的 Prometheus 告警规则创建一套标准的 ArgoCD ApplicationSetAI 不能做什么判断这个 Ingress 配置是否符合我们保险业务的合规要求理解为什么某个告警规则在凌晨 2 点触发是可以接受的业务风险决策是先部署到 staging 环境还是直接 canary 到生产感受团队对这个技术方案的情绪接受度我们的核心价值从写代码变成了做判断。AI 是极佳的执行者但我们是那个下指令的人。知行合一从写代码到设计人机协作流程“AI 之’知’是统计之知、模式之知人之’知’是践行之知、体证之知。”以前我们的知行合一知道 K8s 原理 → 动手写 manifests现在我们的知行合一知道业务需求 → 设计 AI 协作流程 → 验收 AI 产出举个真实案例我最近在搞一个多集群的 GitOps 流水线。以前我得手写 ArgoCD Application手写 Kustomize overlay手动测试每个环境现在我是这么干的# 1. 让AI生成基础模板prompt:生成一个 ArgoCD Application 用于部署 nginx包含 dev/staging/prod 三个环境的 Kustomize overlay# 2. 我修改关键的策略部分- 将自动同步改为手动保险业务要求 - 添加额外的 annotations 用于合规审计 - 设置资源限制基于我们的实际负载数据# 3. 设计验证流程- 写一个简单的 Go 测试验证生成的 YAML 符合安全策略 - 用 conftest 做策略即代码检查 - 设计人工审批节点看到了吗我从写YAML的变成了设计验证流程的架构师。致良知为AI立心制定技术伦理这是最有意思的部分。AI 没有良知——它不知道什么是对什么是错。在我们的保险科技领域这意味着AI 不知道哪些用户数据是 PII需要特殊处理什么时候应该保守宁可漏报不可误报如何平衡创新速度和系统稳定性什么是合理的技术债务而我们知道。我们的新角色之一就是为 AI 制定伦理边界# 这不是技术配置这是伦理配置ai_guidelines:-涉及用户隐私的数据必须人工审核-生产环境变更必须有 rollback 预案-成本超过 $1000/月的资源申请必须审批-安全相关的代码变更必须通过 SAST 扫描三、实战技术人的AI时代生存指南说了这么多理论来点实际的。下面是我总结的7步转型法亲测有效第1步重新定义你的价值输出把你的工作拆解成两部分AI 擅长的工作你必须亲自做的工作✅ 写重复性代码 理解业务真实需求✅ 生成配置模板 做架构权衡决策✅ 写技术文档初稿 设计人机协作流程✅ 回答常见技术问题 制定技术伦理标准✅ 代码审查基础部分 跨团队协调沟通行动项花一周时间记录你的工作把每个任务归类到上表。然后主动放弃左栏的工作。第2步成为AI流程架构师不要再用 AI 做点状任务而是设计完整的流程# 以前手动写每个微服务的 deployment.yaml# 现在设计一个生成 pipelinedefgenerate_cloud_native_stack(service_spec):AI时代的技术人工作流# 1. 让AI生成基础代码base_codeai_generate(kubernetes deployment,service_spec)# 2. 注入业务逻辑enriched_codeinject_business_rules(base_code)# 3. 添加合规性检查compliant_codeadd_compliance_annotations(enriched_code)# 4. 设计验证流程validation_pipelinecreate_validation_workflow(compliant_code)# 5. 设计监控和告警monitoring_setupdesign_monitoring(service_spec)return{code:compliant_code,validation:validation_pipeline,monitoring:monitoring_setup,rollback_plan:create_rollback_plan()}你的价值不是写出了deployment.yaml而是设计了这个生成流程。第3步打造你的领域知识护城河AI 懂通用技术但不懂你的业务。具体做法建立私有知识库用 LlamaIndex GPT 搭建你们保险业务的专属知识库训练专属 AI Agent基于你们的代码库、设计文档、事故复盘训练一个保险云原生专家制定领域特定的 Prompt 模板# insurance_paas_prompts.yamlgenerate_helm_chart:system_prompt:|你是一个保险科技 PaaS 架构师。我们的系统要求 - 所有配置必须支持多租户隔离 - 数据持久化必须使用我们批准的存储类 - 网络策略必须遵循最小权限原则 - 必须包含合规性标签 (compliance/hipaa: true)user_prompt_template:|为保险产品 {product_name} 生成 Helm chart需要支持 - 环境: {environments} - 副本数: {replicas} - 数据库: {database_type}第4步从写代码到写测试的转变AI 写的代码可能有问题但好的测试能确保质量。我的新工作重心写集成测试验证多个 AI 生成的模块能否协同工作写混沌测试模拟 AI 可能忽略的极端情况写合规测试确保 AI 输出符合监管要求// 以前花时间写业务逻辑// 现在花时间写验证逻辑funcTestAIGeneratedServiceCompliance(t*testing.T){// 验证 AI 生成的 service 是否符合保险业要求svc:aiGenerateService(policy-calculation)assert.Contains(t,svc.Annotations,compliance/audit-id)assert.Equal(t,svc.Spec.Type,corev1.ServiceTypeClusterIP)// 不能是 LoadBalancerassert.True(t,hasRequiredSecurityContext(svc))}第5步成为人机协作的桥梁技术团队现在分两类人AI乘客被动接受 AI 输出逐渐被边缘化AI驾驭者主动设计人机协作价值越来越大你要做后者。具体包括设计 Review 流程AI 生成 → 人工审核关键部分建立反馈循环把人工修正反馈给 AI让它学习你的偏好培训团队成员教 junior 如何有效使用 AI 工具第6步重新发现人的独特价值有些事AI 永远做不到至少目前复杂系统的直觉为什么今天系统慢可能是一种感觉然后才去查监控跨领域的创意连接把保险精算模型和 Kubernetes 调度算法联系起来团队的情绪管理知道什么时候该 push什么时候该安慰技术选型的第六感有时就是觉得这个方案会出问题把这些变成你的核心竞争力。第7步建立反脆弱的技能组合不要再追求全栈工程师了要追求**“T型 AI”**[深度领域知识] [AI协作能力] | | [保险业务]----- [云原生架构] ----- [Prompt工程] | | [系统设计] [自动化流程设计]横向保险业务理解 云原生技术纵向深度系统设计能力加持AI 协作和自动化能力四、我的真实转变从焦虑到兴奋说实话写完这篇文章我自己也清晰了很多。三个月前我盯着 Copilot 生成的完美代码心想我是不是该转行了现在我设计了一个完整的AI辅助云原生交付平台包括基于自然语言的 K8s 配置生成自动化的合规性检查流水线智能的运维知识库Loki GPT 查询日志预测性的容量规划Prometheus 数据 机器学习我从一个写 YAML 的变成了**“设计下一代云原生工具链的架构师”**。这个过程让我想起王阳明的那句话“圣人之道吾性自足向之求理于事物者误也。”我们的价值不在外物AI而在我们自身——那份理解业务、做出判断、连接人性的能力。总结AI 不是来替代我们的它是来解放我们的。解放我们从重复性劳动中去从事更有价值的工作为 AI 立心制定技术伦理和边界设计协作流程让 AI 成为得力的助手深耕领域知识建立 AI 无法跨越的护城河发挥人性优势直觉、创意、共情、判断最后分享一句最近很触动我的话“在AI时代最安全的位置不是逃避浪潮而是成为那个给浪潮安装阀门的人。”咱们技术人不就是最擅长安装阀门的吗从今天起不再说我没用了而是说“我来设计这个人机协作系统。”“我来制定这个技术伦理标准。”“我来理解这个真实业务需求。”此心光明亦复何言️ 参考文档在AI时代人类的价值何在探索存在危机与心理应对 - 分析了AI存在价值危机的心理学基础职场年关情绪放大十倍为什么你的焦虑在12月集中爆发——2025年AI浪潮下的职场心智自救与2026能力重构指南 - 技术人具体的转型策略破解AI过度依赖打破存在焦虑 - 新湘评论的深度访谈从就业走向乐业AI时代就业认知变革 - 盘古智库的宏观分析AI时代的知识重构与智慧觉醒个人如何应对 - 人机协同的具体实践路径我是东风微鸣一个在保险科技领域折腾云原生、可观察性和 AI 辅助运维的老兵。博客 ewhisper.cn 有 300 篇原创技术文章欢迎交流。如果你也在经历类似的 AI 焦虑欢迎在评论区留言分享你的故事。