停止焦虑！AI 时代下的前端生存指南

欢迎来到《前端杂谈》，我是小麦。

我一直想做人工智能和前端开发相结合的内容，经过一段时间的实践后，终于有了一些思考。那么乘热打铁，分享一下我的想法。

毋庸置疑的是，人工智能技术正在深刻地改变着前端开发、甚至是整个 IT 行业的格局。

简单的聊天式 AI 已经无法满足资本对于生产效率的狂热追求。如今，会自己写代码的开发工具比比皆是。

国外的 Cursor，国内的 Trae。

以及对编程有特别加成的 AI 模型，比如 Anthropic 的 Claude 和 Google Gemini Flash，它们分分钟就能完成一个正常人需要学习几周，甚至几个月都不一定能完成的任务。

这些无一不在挑战程序员的生存地位，我就问大家焦虑不焦虑。

作为从业 7 年，具备丰富经验的老司机，如果我说自己不焦虑，

嗯 … 那是多半是骗人的。

而作为大多数正在看这期视频的学生，正在求职或者刚入行的朋友，我也或多或少知道你们正在担心自己的选择和职业前景。

我们不禁要问：AI 对前端的影响有多大？AI 会不会取代前端？前端的核心竞争力是什么？应该怎么去适应 AI 带来的冲击？

抛开主观臆断，让我们理性地分析一下这些问题。

首先，AI 对前端究竟有多大影响？

我总结了两点：第一，AI 将提升前端就业门槛；第二，AI 加快了低代码平台的落地。

我们比较容易感知到的影响，是代码开发的可替代性。即不再需要人工一行一行敲，而是直接让 AI 自动生成。

我们应该知道，文本处理是大语言模型的优势项目。

大语言模型在 2023 年到 2024 年迎来了爆发式发展，2025 年势必继续保持高速增长，新模型不断超越老模型将成为常态。

根据我的实践，当前擅长编程的大模型在工程技术的加持下，已经可以写出可用性和可维护性都很高的代码了。

并且可以预见它们在今年也会越来越强。

因此，我们有理由推测，初、中级程序员的代码能力可能变得越来越不重要，三个臭皮匠恐怕也难以顶一个便宜好用的 AI 诸葛亮。

对于高级程序员，也就是掌握框架开发和系统架构设计的那一波人来说，AI 尚不能完全替代，反而会让他们变得更强。

这对尚无任何从业经验，或是只会基础前端框架，面向 API 编程的新手朋友来说，是非常不利的。

另外，由 AI 驱动的低代码平台正在加速落地。

这些平台能理解自然语言需求、自动生成界面和业务逻辑。这意味着未来许多应用可以通过这些平台快速构建，而不需要前端去开发界面。

这不仅缩短了开发周期，还让非技术人员也能参与应用开发，进一步压缩了前端开发者的生存空间。

怎么样，debuff 是不是已经叠满了？

接下来说说当前 AI 的局限性。

我总结了三点：第一，通用模型的专业性不足。第二，复杂任务受限于上下文窗口。第三，只会写代码解决不了所有问题。

首先，通用模型对于常见问题的解决能力尚可，但它难以理解没有见过的业务场景。

模型知识储备不足以应对千变万化的定制需求，需要提供更多业务相关的上下文，或是进行微调训练才能弥补其专业短板。

DeepSeek 开源模型和模型上下文协议的出现，让我们看到无论是模型接入成本，还是模型理解业务问题的难度都在降低。

其次，模型处理复杂任务受限于上下文窗口的长度，特别是在带有大量上下文的多轮对话场景下。

随着对话轮次增多，模型的上下文快速膨胀，模型响应速度下降，指令遵循变差。

然而，模型在不断优化自身架构的同时，工程化方案也在快速迭代。

比如基于 RAG 的检索增强、滑动窗口机制、主题聚焦等上下文管理方案已经开始实践。

因此，上下文窗口不足这个短板最终也会得到解决。

最后，一个只会写代码的 AI 是解决不了所有问题的。

我们在软件研发的过程中，更多时间其实是在和人沟通，理解需求，解决团队协作问题等等。

目前 AI 虽然能写出可用的代码，但在跨团队协作、应对突发问题等方面仍有明显短板。

AI 这么强，那么前端的核心竞争力在哪儿呢？

前端之所以叫前端，是因为它是最靠近终端用户的技术人才，而前端要解决的核心问题是人机交互问题。

理解这一点后我们会发现，AI 通过设计稿和提示词，可以轻松还原页面 UI 和交互动作。

但实际上并不理解人机交互的底层逻辑，即缺乏对用户需求的洞察能力。

比如为什么要这样设计交互方式？如何基于用户反馈去推演产品体验的改进方向？

而作为前端工程师，熟悉你的业务和用户调性，和用户建立连接，把用户界面的体验做到极致，始终是最重要的。

虽然我前面说代码能力会变得越来越不重要，但总归有一个过程。

在这个过程中，我们可以通过转变研发范式，大幅度提升自己的研发能力。毕竟工欲善其事，必先利其器，有计算器为什么还要用算盘呢？

如果类比自动驾驶技术的 L1 到 L4。

那么在代码编辑器中敲入关键词，能自动弹出提示选项的就是 L1。

把 ChatBot 集成到 IDE 中，通过自然语言对话生成代码片段的就是 L2。

利用 Agent 识别指令，自动收集上下文，自动编程的就是 L3。

在 L3 智能下，AI Agent 可以自动分析指令，自动编程实现相对复杂的功能并修正错误。

工程师主要承担代码审查（CR）而非编码的角色，是一种 “我说你做，你写我看” 的模式。

而让多个 Agent 和模型协同工作，实现完整需求的，就是 L4 智能。

在 L4 下，我们输入的是标准需求文档，多个 AI 智能体可以承担不同的角色，比如产品经理、项目经理、程序员、质量负责人等等，他们一起协同完成大型需求，直到输出成品软件。

工程师只需要审核测试场景和制定上线标准，包括测试覆盖率、性能、稳定性指标等等，如果 AI 生产的应用能够通过所有测试，那么就可以交付上线。

L2、L3 范式我们可以统称辅助驾驶（Copilot），L4 范式称为自动驾驶（AutoPilot）。

L4 有点过于超前，以目前的模型能力，还很难一步到位。

但是可以非常肯定地说，L3 是目前编程效率最高，且更容易实践的研发范式。

如果你还在 L1 的人力马车时代，那么是时候升级到 L3 了。

要完成范式升级并不是一件容易的事，特别是对于有一定编程经验的朋友。

我很理解你们对于代码的天生掌控感，当 AI 犯了低级错误时，便对其嗤之以鼻，反而容易陷入自我优越的能力陷阱，退回到 L2 或是 L1。我们需要警惕这种傲慢，AI 在发展，我们没有理由停滞不前。

对于刚入门的新手，反而更容易接纳新范式，这是一件好事，如果你已经在 L3，那么应该继续保持这种习惯。虽然不需要自己写代码，但你依然需要知道代码背后的含义是什么，否则你无法判断 AI 写得到底对不对。

当 AI 能完成的任务越来越多，人类的代码能力会变得越来越不重要。

代码本就是和机器打交道的工具，让代码回归机器，人类则可以专注于更高层次的思考和创造。

最后是我针对不同阶段朋友的一些建议和忠告。

首先要明确的一点是：技术始终是为业务服务的，而理解人的需求、创造优秀的用户体验，永远是前端工程师不可替代的价值。

如果你未来打算进入软件行业，那么 All in AI，把 AI 当作自己的导师，就应该像使用搜索引擎获取信息一样自然。

如果你已经在工作，那么应该把使用 AI 完成任务作为最优先考虑的方案，敢于尝试和放权。让 AI 完成那些你花点时间也能完成的工作。把自己锻炼成产品工程师而不是代码工程师。

对于经验丰富的前端架构师，把 AI 当作快速试错的好工具，你们可以将更多精力集中在技术战略规划、团队效能提升，以及创造业务价值上。

那么这就是本期视频的全部内容，如果觉得好的话记得点个一键三连。

我是小麦，一位热爱分享的前端工程师，期待和你分享更多硬核有用的内容。