10 年經驗的支付工程師自述：LLM 正在一根一根拆掉我的職業護城河
整理版優先睇
LLM 正逐步拆解資深工程師嘅領域專長，經驗變成可提示嘅數據
作者係一位有10年經驗嘅後端工程師，專注金融支付領域，擁有 PCI 合規、雙分錄賬本、冪等防重扣等專業知識，呢啲曾經係佢最硬嘅護城河。佢入行時揀咗金融支付方向，靠生產環境踩坑先真正理解 acquiring、escrow、銀行轉賬冪等設計。佢嘅職業規劃係成為領域專家，靠專業壁壘獲取溢價。
但係去年佢加入一家純金融公司，公司提供 ChatGPT 同 Claude 企業賬號。佢最初仲叫 LLM「隨機鸚鵡」，但經理叫佢用 AI 加快設計文檔速度。佢試咗之後發現，佢花咗好多年先攢到嘅領域判斷力，模型已經能做到大半，例如支付系統冪等設計、防重扣架構。呢啲知識喺互聯網有大量文檔，對人類要多年消化，對模型只係訓練數據。調試能力本來係第二支柱，但係2025年下半年 Claude Code、Codex 出現，加上 MCP 同 Agent 工作流，而家 90% bug 可以一次性定位修復，包括競態條件、分佈式系統問題。
第三支柱「代碼品味」同軟件架構能力暫時未完全倒下，但行業趨勢接受 C 級代碼，因為下一個改代碼嘅係 LLM 唔係人。作者總結所有領域專長都變成「可提示」嘅，任何高級工程師配 LLM 就能達到佢多年經驗嘅水平。招聘市場已從「Software Engineer - Payments」變成普通「Software Engineer」，所有人變通才，市場價格下降。作者考慮回學校或轉行木工，但困難重重。呢篇文章擊中整個行業嘅結構性焦慮…
- LLM 大幅壓縮咗領域專長嘅價值，經驗變成可提示嘅數據，資深工程師失去溢價。
- 調試能力曾經係重要支柱，但 Agent 工作流已解決 90% bug，包括分佈式系統難題。
- 代碼品味同軟件架構仍然重要，但行業接受更低標準，因為維護者變咗 LLM。
- 通才化導致市場價格下降，招聘需求收縮，資深工程師面臨競爭加劇。
- 作者考慮轉行但受阻，反映結構性變化下個人嘅無奈同焦慮。
十年領域專長：最硬嘅護城河
作者係一位有10年經驗嘅後端工程師，專注金融支付領域，擁有 PCI 合規、雙分錄賬本、冪等防重扣等專業知識，呢啲曾經係佢最硬嘅護城河。
擁有 PCI 合規、雙分錄賬本、冪等防重扣等專業知識
適應 acquiring、escrow、銀行轉賬冪等設計
第一、第二支柱倒下：領域判斷同調試能力
去年佢加入一家純金融公司，公司提供 ChatGPT 同 Claude 企業賬號。佢最初仲叫 LLM「隨機鸚鵡」，但經理叫佢用 AI 加快設計文檔速度。
佢花咗好多年先攢到嘅領域判斷力，模型已經能做到大半
例如支付系統嘅冪等設計、防重扣架構，LLM 雖然仲需要引導，但已經能將最難嘅部分串起來。
冪等設計、防重扣架構
包括競態條件、分佈式系統呢啲難題都搞得掂
第三支柱搖擺：代碼品味與行業新現實
第三支柱「代碼品味」同軟件架構能力暫時未完全倒下。DDD、六邊形架構、Clean Architecture，作者一直喜歡重構。
代碼品味
Agent 唔擅長保持代碼庫整潔，唔引導會出現循環依賴、重複代碼
通才化與焦慮：我哋嘅定價權喺邊？
所有領域專長都變成「可提示」嘅（promptable）
任何高級工程師配一個 LLM，就能達到佢多年經驗先有嘅水平。招聘市場已從「Software Engineer - Payments」變成普通「Software Engineer」，所有人變通才，市場價格下降。
通才化導致市場價格下降
作者諗過回學校讀數學同機器學習，但因為家庭原因同申請爆滿而困難重重。佢半開玩笑話不如將木工愛好變成職業。呢篇文章擊中整個行業嘅結構性變化。
一個做咗10年後端嘅工程師，專做金融支付領域，PCI合規、雙分錄賬本、冪等防重扣呢啲靠年資累積嘅專業知識，曾經係佢最硬淨嘅護城河。2026年中，佢寫咗篇長文，話呢啲護城河正被LLM一條一條拆噉拆。
佢入行揀咗金融支付方向。acquiring嘅工作機制、escrow嘅資金流轉、銀行轉賬嘅冪等設計，呢啲知識以前要喺生產環境踩幾年坑先至真正理解到。佢嘅職業規劃都好清晰：成為領域專家，靠專業壁壘喺市場度攞到溢價。
舊年佢加入咗一間純金融公司，公司由第一日就俾咗ChatGPT同Claude企業賬號。佢第一個項目係重構遺留支付系統，任務分配俾佢就係因為佢有呢方面嘅實戰經驗。
寫設計文檔嘅時候佢幾乎冇用到AI。佢當時仲叫LLM做「隨機鸚鵡」。
然後經理揾佢傾：文檔交付速度太慢啦，你應該多用AI。
佢試咗。結果發現，佢花咗好幾年先積累到嘅領域判斷力，模型已經做到大半。實現方案之間嘅權衡、支付系統嘅冪等設計、防重扣嘅架構，LLM雖然仲需要引導，但已經可以將最難嘅部分串連起來。呢啲知識喺互聯網上有大量技術文章同文檔，對人類嚟講需要多年消化，對模型嚟講只係訓練數據。
佢俾自己揾咗一個新嘅錨點：調試能力。競態條件、分佈式系統嘅生產環境排障，呢啲模型肯定搞唔掂。
第二條支柱都冧咗：調試能力。
2025年下半年Claude Code紅咗，然後係Codex，AI寫代碼嘅能力開始實用化。佢之前已經用緊LLM寫單元測試，但未信任佢寫完整實現。
轉折點係MCP同Agent工作流嘅出現。
Claude 4.5其實唔算驚豔，俾一個stack trace加上Sentry MCP嘅上下文，大概可以解決60%嘅bug。有時俾出嘅方案聽落合理但完全錯。
但佢唔再懷疑趨勢啦。佢親眼見到以前至少要調成日嘅bug俾Claude Code一次解決。然後4.6、4.7、GPT 5.5、Opus 4.8接連發布，加上DataDog MCP，而家90%嘅bug可以被一次性定位同修復。包括分佈式系統中缺乏統一可觀測性嘅場景，包括離譜嘅競態條件、第三方API嘅未文檔化邊界情況。
佢幾乎唔需要親自介入啦。
第三條支柱正在搖：代碼品味。
仲有一條支柱未完全冧：代碼質量同軟件架構。DDD、六邊形架構、Clean Architecture，佢一直鍾意重構，喺每個sprint入面爭取重構時間。
Agent確實唔擅長保持代碼庫整潔。唔引導嘅話，好快就會出現循環依賴、重複代碼、純函數同副作用撈埋一齊、SOLID原則全部違反。
問題係，呢項能力正被簡化成一個詞：「taste」。而且行業正接受一個新現實：代碼係寫俾機器讀嘅，唔係寫俾人讀嘅。以前追求A級或B級嘅代碼庫，而家C級甚至D級就夠用，因為下一個改代碼嘅唔係人，係LLM。
佢唔想爭論呢個到底好唔好。但佢花咗好多年讀書、寫ADR、同其他工程師討論架構權衡，呢啲積累嘅價值正喺度縮水。
所有人都變成咗通才，然後呢？
佢嘅總結好直白：所有積累嘅領域專長而家都係「可提示嘅」（promptable）。任何一個高級工程師配一個LLM，就可以達到佢多年經驗先有嘅水平。
以前嘅招聘寫「Software Engineer - Payments」或「Software Engineer - Risk」。而家只寫「Software Engineer」，團隊分配喺offer之後先決定。
呢個對冇機會深入某個領域嘅工程師係好消息。但對嗰啲花咗十年積累領域知識嘅人嚟講，大家而家喺同一條賽道上競爭。
經濟學嘅邏輯好簡單：如果所有人都變成咗通才，通才嘅市場價格就會下降，前提係需求冇同比增長。而招聘需求確實在收縮。
佢公司8個月前裁咗一批人。一啲非常優秀嘅前同事到而家都未揾到工。佢哋面對嘅問題同佢一樣：領域專長已經唔夠用啦。
仲可以做啲咩？
佢想過返學校讀數學同機器學習，申請前沿實驗室嘅研究崗位。但佢所屬嘅國家冇前沿實驗室，少數幾間申請量已經爆滿，家庭原因亦令佢好難搬到另一個國家。等佢可以做到呢個跳躍嘅時候，RSI可能已經令研究員都過時啦。
佢最後半開玩笑咁話：或者應該將木工嗜好變成職業。
呢篇文章喺6月6日發布後迅速傳播。佢擊中嘅唔係某一個人嘅焦慮，係整個行業正在經歷嘅結構性變化：LLM將需要多年先積累到嘅專業壁壘壓縮到幾分鐘嘅prompt入面。當「經驗」本身變成咗可檢索嘅數據，資深工程師嘅定價權建立喺乜嘢之上，呢個問題冇人可以俾出確定嘅答案。
https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/
一個做了 10 年後端的工程師，金融支付領域，PCI 合規、雙分錄賬本、冪等防重扣，這些靠年份堆出來的專業知識曾經是他最硬的護城河。2026 年中，他寫了一篇長文，說這些護城河正在被 LLM 一根一根拆掉
他入行選了金融支付方向。acquiring 的工作機制、escrow 的資金流轉、銀行轉賬的冪等設計，這些知識過去需要在生產環境裏踩幾年坑才能真正理解。他的職業規劃也很清晰：成為領域專家，靠專業壁壘在市場裏拿到溢價
去年他加入一家純金融公司，公司從第一天就給了 ChatGPT 和 Claude 企業賬號。他的第一個項目是重構遺留支付系統，任務分配給他就是因為他有這方面的實戰經驗
寫設計文檔的時候他幾乎沒用 AI。他當時還管 LLM 叫"隨機鸚鵡"
然後經理找他談：文檔交付速度太慢了，你應該多用 AI
他試了。結果發現，那些他花了好幾年才攢出來的領域判斷力，模型已經能做到大半。實現方案之間的權衡、支付系統的冪等設計、防重扣的架構，LLM 雖然還需要引導，但已經能把最難的部分串起來。這些知識在互聯網上有大量技術文章和文檔，對人類來說需要多年消化，對模型來說只是訓練數據
他給自己找了一個新的錨點：調試能力。競態條件、分佈式系統的生產環境排障，這些模型肯定搞不定
第二根支柱也倒了：調試能力
2025 年下半年 Claude Code 火了，然後是 Codex，AI 寫代碼的能力開始實用化。他之前已經在用 LLM 寫單元測試，但還沒信任它寫完整實現
轉折點是 MCP 和 Agent 工作流的出現
Claude 4.5 其實不算驚豔，給一個 stack trace 加上 Sentry MCP 的上下文，大概能解決 60% 的 bug。有時候給出的方案聽起來合理但完全錯誤
但他不再懷疑趨勢了。他親眼看到過去至少要調一整天的 bug 被 Claude Code 一次解決。然後 4.6、4.7、GPT 5.5、Opus 4.8 接連發布，加上 DataDog MCP，現在 90% 的 bug 可以被一次性定位和修復。包括分佈式系統中缺乏統一可觀測性的場景，包括離譜的競態條件、第三方 API 的未文檔化邊界情況
他幾乎不需要親自介入了
第三根支柱正在搖：代碼品味
還有一根支柱沒完全倒：代碼質量和軟件架構。DDD、六邊形架構、Clean Architecture，他一直喜歡重構，在每個 sprint 裏爭取重構時間
Agent 確實不擅長保持代碼庫整潔。不引導的話，很快就會出現循環依賴、重複代碼、純函數和副作用混在一起、SOLID 原則全部違反
問題是，這項能力正在被簡化成一個詞："taste"。而且行業正在接受一個新現實：代碼是寫給機器讀的，不是寫給人讀的。過去追求 A 級或 B 級的代碼庫，現在 C 級甚至 D 級就夠用了，因為下一個改代碼的不是人，是 LLM
他不想爭論這到底好不好。但他花了很多年讀書、寫 ADR、和其他工程師討論架構權衡，這些積累的價值正在縮水
所有人都變成了通才，然後呢
他的總結很直白：所有積累的領域專長現在都是"可提示的"（promptable）。任何一個高級工程師配一個 LLM，就能達到他多年經驗才有的水平
過去的招聘寫的是"Software Engineer - Payments"或"Software Engineer - Risk"。現在只寫"Software Engineer"，團隊分配在 offer 之後才決定
這對沒機會深入某個領域的工程師是好消息。但對那些花了十年積累領域知識的人來說，大家現在在同一條賽道上競爭
經濟學的邏輯很簡單：如果所有人都變成了通才，通才的市場價格就會下降，前提是需求沒有同比增長。而招聘需求確實在收縮
他公司 8 個月前裁了一批人。一些非常優秀的前同事到現在還沒找到工作。他們面臨的問題跟他一樣：領域專長已經不夠用了
還能做什麼
他想過回學校讀數學和機器學習，申請前沿實驗室的研究崗。但他所在的國家沒有前沿實驗室，少數幾家申請量已經爆滿，家庭原因也讓他很難搬到另一個國家。等他能做出這個跳躍的時候，RSI 可能已經讓研究員也過時了
他最後半開玩笑地說：也許應該把木工愛好變成職業
這篇文章在 6 月 6 日發佈後迅速傳播。它擊中的不是某一個人的焦慮，是整個行業正在經歷的結構性變化：LLM 把需要多年才能積累的專業壁壘壓縮到了幾分鐘的 prompt 裏。當"經驗"本身變成了可檢索的數據，資深工程師的定價權建立在什麼之上，這個問題沒有人能給出確定的答案
https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/