小編精選 - 技術文章翻譯 · 06月10日

不手寫程式碼的第 30 天，我才明白前端這個職位還剩下什麼

不手寫程式碼的第 30 天，我才明白前端這個職位還剩什麼

👇 關注公眾號【前端小卒】，獲取更多 AI 工程實戰內容。

這個系列的文章會同步在公眾號首發，包括：Agent 開發從零到一全流程、Node.js 全端學習路線、Vibe Coding 實戰踩坑。不販賣焦慮，只給能上手的東西。

前幾天有個讀者在後台問我：「現在 AI 都能全自動寫程式碼了，前端是不是真要沒了？」

我沒急著回他。因為這個問題，我自己已經用 30 天回答過一遍了。

這 30 天裡，我業餘時間做了一個開源專案——一個 AI 股票研究平台，前後端、資料庫、部署，全端那一套。但我幾乎沒手寫程式碼，從需求拆解到一行行實作，主力是 AI。

先說一句免責聲明，免得有人誤會：我白天上班寫的公司程式碼，相當一部分還是要手寫的——核心業務邏輯、有歷史包袱的舊模組、出了問題要背鍋的地方，我不敢、也不會全交給 AI。這篇文章裡說的「純 vibe coding」，特指我這個個人開源專案。兩種場景不一樣，別混著看。

但恰恰是這個可以「放開手腳亂來」的個人專案，讓我對「前端這個職位還剩什麼」這件事，想得比以前任何時候都清楚。

一、先承認一個讓人不舒服的事實

2026 年的 AI 編程，跟兩年前不是一個東西了。

2023 年它幫你補全下一行；2024 年它幫你解釋程式碼、產生函式；2025 年它能理解需求、規劃、實作、自己跑驗證；到了今年，Cursor、Claude Code 這些工具的「全自動模式」陸續轉正，AI 已經能從需求分析一路幹到部署，中間基本不用你插手。

V2EX 上有個帖子我印象很深，一個全端工程師說，他從某個時間點之後就沒手寫過程式碼了，全部 AI 寫，每天最多的動作是「盯著 AI 寫」，然後他說了一句很喪的話——「我意識到我的職業要完了」。

底下一堆人跟著焦慮，也有一堆人嘴硬：「AI 寫的都是垃圾」「等它把生產事故捅出來就知道了」。

我兩種都不太認同。

嘴硬的人，多半沒真正用 AI 完整交付過一個專案。而那個說「職業要完了」的兄弟，我理解他的恐慌，但我覺得他把問題歸錯了類——他焦慮的不是「前端要完了」，是「只會寫程式碼的那個我要完了」。這兩件事，差著十萬八千里。

為什麼這麼說？我用我那 30 天的踩坑經歷講。

二、純 vibe coding 的真相：不是「躺著等 AI 交付」，是「推倒重來好幾次」

很多人對 vibe coding 的想像是：我描述一下需求，AI 嘩嘩給我寫完，我喝著咖啡 review 一下就上線了。

真實情況是——我那個專案，整體架構被推倒重來了好幾次，每一次都不是因為 AI「寫不出來」，而是因為 AI「寫得出來，但寫錯了方向，而我一開始沒看出來」。

舉三個我真實踩過的坑：

第一次推倒：AI 讓大模型自己算財務資料。

這是個股票分析專案，要算 PE、ROE、RSI 這些指標。我一開始偷懶，直接讓 AI 把資料丟給大模型，讓它「分析一下」。跑起來一看，畫面挺漂亮，數字也煞有介事——但全是幻覺。PE 算錯、營收對不上、技術指標拍腦袋。

那一刻我才反應過來：大模型很會「說」，但它不該負責「算」。 我把整個資料層推倒重寫，定了一條死規矩——所有財務比率、技術指標，一律用 TypeScript 確定性地算出來，再把結果餵給大模型，大模型只負責判斷和解讀，絕不碰一個數字。

這條規矩後來成了專案的底線。但你注意：這個判斷，AI 是做不出來的。它不知道「讓 LLM 算數會幻覺」這件事有多致命，是我，一個有工程經驗的人，替它定的方向。

第二次推倒：AI 把每個分析維度都重新拉一遍資料。

專案要從 9 個維度分析一支股票——基本面、估值、風險、技術面……AI 很自然地給每個維度都寫了一遍「拉資料」的邏輯。功能上完全正確，跑起來也沒報錯。但我一看就頭皮發麻：同一支股票的同一份資料，被外部介面打了 9 次。

這不是 bug，是架構品味問題。我讓它重構成「fetch 一次，9 個維度共享同一份快照」。AI 立刻就改對了——但它不會主動想到要這麼改，因為「能跑」和「該這麼設計」之間的那道坎，它跨不過去。

第三次推倒：串流輸出，第一版是「算完幾分鐘一次性吐給你」。

體驗極差。我要的是邊算邊推、誰先好誰先顯示、斷線還能續傳。這部分來回磨了很多輪，AI 寫、我推翻、再寫。

講這三個坑，是想說一件事：

純 vibe coding 之所以能成，不是因為 AI 強到不需要人，而是因為有一個「知道什麼是對的」的人在不停地糾偏。

AI 負責「怎麼寫」，速度比我快十倍。但「為什麼這麼寫」「這麼寫對不對」「這個方向是死路要趕緊掉頭」——這些判斷，30 天裡沒有一次是 AI 替我做的。

那個開源專案我放在了 GitHub 上，叫 Bourse（github.com/crisweb1994/bourse）。它最核心的一條設計原則就一句話：程式碼負責「事實」，LLM 只負責「判斷」。這句話不是我寫程式碼前想好的，是被 AI 的幻覺坑了之後，用推倒重來的代價換出來的。

三、所以，前端這個職位還剩什麼？

繞回開頭那個問題。30 天後我的答案是：

AI 拿走的，是「把想法翻譯成程式碼」這一段。它沒拿走、也短期內拿不走的，是「判斷想法對不對」這一段。

掘金上有位作者說得挺準：當前再強的 AI，本質上也只是「一個能力很強、但缺乏業務思維的新員工」。你不會因為團隊來了個做事飛快的新人，就覺得自己這個 senior 沒用了——除非你這個 senior，本來也只會埋頭幹活、不做判斷。

具體到前端這個職位，AI 時代真正值錢的，是這幾樣它給不了你的東西：

1. 架構判斷力。 知道「這麼寫能跑，但三個月後會變成屎山」。我那個專案推倒三次，每一次都是這個能力在起作用。這東西沒法靠看 AI 寫程式碼學會，只能靠你自己把一個真實的、完整的系統從頭搭到尾、踩夠了坑，才能長出來。

2. 跨棧的全局視野。 AI 可以分別幫你寫前端、寫後端、寫 SQL。但「這個需求到底該前端做還是後端做」「這個狀態放 Redis 還是資料庫」「這裡要不要上訊息佇列」——這種橫跨整個系統的取捨，需要你腦子裡有完整的一張圖。這恰恰是純前端最大的短板，也是為什麼我一直說，前端最該補的，是後端那塊。

3. 把模糊需求變成清晰規格的能力。 AI 最怕的就是「你也不知道自己要什麼」。你越能把需求拆得清楚、把邊界定得明確，AI 給你的產出品質越高。這本質上是產品和工程的判斷力，不是打字速度。

你發現沒有——這三樣，沒有一樣是「手寫程式碼」。

那個說「職業要完了」的兄弟，他完的不是前端，是「只會手寫程式碼」這個自我定位。而上面這三樣能力，恰好都指向同一個方向：你得懂的，比前端更多。

四、不空談，給你三條能上手的具體路

道理說完，落到行動。我自己這一年多就是按這個路子走的，順手把我做的幾樣東西分享出來——都是開源免費的，你嫌我囉嗦可以直接滑走，但我覺得對正在焦慮的人是真的有用。

第一步：把後端那塊硬骨頭啃下來。

前端轉全端，卡點從來不是 AI 時代才有的，是「服務端、資料庫、工程化」這塊系統性的空白。零散看部落格是拼不出體系的。我整理了一套 60 天 Node.js 全端學習路線（github.com/crisweb1994/60-days-nodejs），從 Node.js 核心原理，一路到 NestJS、PostgreSQL、Redis、Docker、CI/CD，以天為單位推進，每個階段都有里程碑專案。專門為「有前端基礎、想補全端」的人設計。目前 Day 1-20 已經完整可學，後面在持續更新。

第二步：完整地搭一個真東西，逼自己做判斷。

光學不練，永遠長不出判斷力。你需要一個從零到一、自己端到端負責的專案——可以大膽用 AI，但每一個架構決策都要自己拍板、自己踩坑。前面說的 Bourse 就是我這麼搭出來的，程式碼全開源，9 維度並行分析、SSE 串流、多資料來源接入這些「該怎麼設計」的思路都在裡面，你可以直接拿去讀、去改、去 fork。

第三步：往 AI 應用層走，這是前端人最短的轉型路徑。

2026 年企業最缺的，不是「會調 API」的人，是「能用 AI 重構業務流程」的人。而前端/全端背景的人切入 AI 應用層，是「換框架不換思維」的最快路徑。所以我把「從零到一開發一個 AI Agent」的全過程，整理成了一個分步驟 commit 的教學倉庫 DevHelper（github.com/crisweb1994/DevHelper）——它不是一個寫好的成品框架，而是一條可以一個 commit 一個 commit 跟著走的路徑，你能清楚看到一個 Agent 是怎麼從一個空資料夾，一步步長成能用的東西的。

這三步連起來其實是一條線：補全端底子 → 搭真實專案練判斷 → 轉向 AI 應用層。它們不衝突，是遞進的。