6295 积分	0 好友	793 主题

会调 AI 之后，嵌入式工程师还剩什么？

发表于 11 小时前 | 查看: 4| 回复: 0

最近一直在想一个问题：AI 越跑越快，对嵌入式软件开发的冲击也肉眼可见。以前那种埋头猛学、靠堆量堆经验的老路径，放在这个时代未必还走得通。积极拥抱 AI 是必须的，但怎么用、自己还剩什么，也值得停下来认真盘一盘。

如何能少点背锅

我们用 AI 做出来的东西一旦有问题，兜底背锅的还是我们自己，哈哈柴犬斜眼表情包。

怎么才能少背锅？核心是不断提升与 AI 协作的效率。

一方面，得不断优化我们的提示词，让它产出的东西更符合实际需求；另一方面，要持续提高我们对 AI 产出的判断力，这就离不开知识储备的积累。还有一个实用的办法：用另一个 AI 检查当前 AI 的输出，两个结果综合着看，再下结论。

无论是一个人搞一个项目，还是多人协作，现在依然要像没有 AI 时一样，把项目的规则和规范建立起来。

区别在于，过去更多强调代码规范、工程规范、项目规范；到了 AI 时代，重心变成了项目的 AI 使用规则、不同 AI 之间的协作方式，以及一些边界限制。

项目里可以维护一份规则文件，内容比如：代码规范，哪些目录禁止 AI 直接改，改驱动必须同步更新哪份文档，日志格式和接口字段为什么不能动。

非 AI 时代，可能因为交期紧张，我们对需求的思考和模块设计常常草草了事；进入 AI 时代，编码已经不是瓶颈了，这能释放出大量精力。我们需要把这些精力提前投入到需求理解上，并向 AI 描述清楚，让生成的代码更贴合需求，减少后期返工的概率。

尤其是异常场景的处理。如果没有特别说明，AI 多半不会主动帮我们处理。这就需要我们先提前想清楚，才能给 AI 更准确的输入。

其实无论有没有 AI，需求理解越到位，返工概率就越低，只是在不同时代的体现不一样：

纯软件场景下，AI 更适合做排障，因为它很容易拿到足够的输入信息。

但在嵌入式领域，情况就复杂得多：可能涉及多个硬件、多个模块，上位机、下位机、设备端、云端、App 端搅在一起，耦合问题很突出。而且一些模块本身是黑盒，AI 在大多数场景下很难做到自动分析、自动闭环，只能辅助我们分析。这类问题的解决，还是得靠我们自己的排查经验。

经验这玩意儿只能不断积累，不管是跨部门互相甩锅拉扯的能力柴犬斜眼表情包，还是实打实的专业知识。

举个典型例子：设备端采数据，网关转发，云端入库，App 展示。同一条数据在四个地方各有一个时间戳，时区还未必统一。现象是 App 上偶尔少一条，我们得把三份日志拼起来看，才能发现是网关重发时把序号弄重了。

这种活，AI 很难直接做到原因定位、问题解决、修复验证的闭环。但它读日志、找规律比我们快很多。只要我们给出足够清晰的问题描述，再配合一些关键日志，AI 还是能给出不少建设性的思路。

目前不同工程师之间的提示词经验还有差异，AI 输出的结果也会有差异。但 AI 发展得太快，未来模型能力只会更强，可能最后大家给 AI 派活的提示词就是一句话，它就能直接开工。

到了一句话提示词时代，人人都会，提示词经验就被抹平了。这时候能拼的，又会回到对 AI 结果的判断力上。而判断力从哪来？还是得靠平时把知识理解得更透彻，不断扩大自己的知识储备。

知识原理的作用已经变了。以前学原理是为了自己能写出来，现在更多是为了审核和定位——AI 写的这一段，我们能不能说清它哪里不对、为什么不对。

可能有人说，以后 AI 生成的东西足够准确，都能做到 100 分了，那不是不用学原理了？学还是有用的。等 AI 的发展把所有人的使用经验都拉平，企业招聘总得考察候选人。AI 使用经验一样，提示词经验过段时间也不考了，那最后考察的还是会回到各种原理上。

不管有没有 AI，嵌入式通用技能加上热门行业知识，一直都是香饽饽。还是要提前找准行业，深耕再深耕，才有机会进各行业大厂，走上人生巅峰。

通用的东西决定你能不能上手，行业积累决定你有多难被替代。