昨天晚上跟muse和dots聊天，突然想到一个问题。
**以前在 GitHub 上有个几千 star，是非常牛逼的事。但在 AI 时代，尤其是 skill 出现以后，虽然还是很牛逼，但已经不再那么炸裂——因为更炸裂的东西越来越多了。
而且用 AI 多了以后，我发现很多开源项目的价值也下降了。
大量代码被 AI 炼化，你需要什么工具，立刻就能生成。除了一些比较庞大的项目，很多东西 AI 实时生成，比去 GitHub 上找到合适的更快。
1.代码正在被炼化
以前开源代码虽然不赚钱，但多少是一种资产：你写出来，别人 star、fork、引用，它沉淀在那里，越攒越值钱。
哪怕你成为不了编程大神和创业者，写在简历上也能去找个好工作。
但现在 AI 把全网的开源代码全部炼了一遍，它们变成了模型的训练语料，变成了 skill。
这样带来的直接结果很严重。
以前开发者需要什么功能又不想造轮子，都是去找开源项目。但是现在你需要一个小工具，不用再去 GitHub 上翻三页找 star 最多的那个，直接让 AI 现场生成一个，比你找现成的快，更贴合需求，还不用读别人的文档。
代码从「资产」，变成了「耗材」。
这不是第一次发生。每次技术范式转移，被替代的都是上一层的成品：云计算替代了机房里的服务器，SaaS 替代了买断制软件，现在 AI 替代的是代码本身。
这是个螺旋，每次都往上转一圈，但方向从来没变过：越靠近成品的，越先被炼化。
2.代码不值钱了，什么值钱了？
先说结论：知道「要什么」的能力，变值钱了。
AI 生成代码又快又好，但它有个致命短板：它不知道你要什么。它只能在你给的框架里做到最好，框架本身得你来定。
用 AI 干活，本质上是在当老板。老板的核心能力就三件：
第一，管成本。额度、token、时间，都是钱。无节制地让 AI 试错，账单会教你做人。
第二，拆任务。把一个大目标拆到 AI 能接住的颗粒度。拆不好，AI 就给你一坨看起来很对、实际不能用的东西。
第三，定验收标准。心里得有杆秤，知道什么叫好、什么叫能用。没有这杆秤，AI 生成一百版你也挑不出来。
这三件，以前是程序员的软技能，现在是硬通货。代码贬值，问题定义能力升值，价值从怎么写转移到了要什么。
3.star 声望
再说 star 本身。
Star 曾经是开源世界的硬通货：几千 star 意味着影响力，意味着简历上的一行金字，意味着工作机会。
但自从进入AI时代，star 这东西的价值也被稀释了。
以前写一个开源项目，辛辛苦苦维护几年可能就几千star。现在蹭个热点，整合一下prompt或者skill，也能得到这个数据。
所以它越来越像个虚荣指标。
4.大型项目依然有壁垒
**
**
当然，前面说了那么多代码贬值，但我得补一句公道话：真正复杂的大型项目，AI 目前还替代不了。
用 AI 生成一个格式转换脚本、一个数据清洗工具、一个小 CLI，确实又快又好。
但你让它从零搭一个数据库引擎？一个分布式调度系统？一个浏览器内核？它干不了。
原因很简单：这类项目的难度不在「写代码」，在「工程判断」。
几十万行代码之间的耦合关系、性能和可维护性之间的取舍、向前兼容和架构演进之间的博弈——这些东西没法用一句 prompt 描述清楚，AI 也就没法一次性生成。
它能帮你改某个模块的 bug，但它理解不了整个系统为什么长成这个样子。
所以现在的局面是这样的：
非专业选手 + AI = 能做小工具。 这已经很厉害了，以前连这个都做不到。但也仅此而已。
专业选手 + AI = 能做大项目，而且比以前快得多。 AI 替代的是专业选手的体力活，不是他们的判断力。该懂架构的还得懂，该踩的坑一个都少不了。
所以还是那句话，AI 拉平的是下限，不是上限。所有人都能用 AI 写代码了，但不是所有人都能用 AI 做出真正能跑的系统。这中间的差距，就是专业壁垒。
操作系统、数据库、大型框架、有生态的基础设施——这些项目的护城河从来都不是「代码写得好」，而是复杂度的积累、生态的沉淀、数据的飞轮。AI 能生成代码，生成不了这些。
AI时代，程序员依然有自己的生态位
**
**
因为代码会被炼化，判断力不会。
有值得继续追问的问题？写信交流 ↗