最近在技术社区刷到 Yuchen Jin 关于 AGI 的那番讨论说实话第一反应是松了口气。大家都在喊 AI 要接管一切的时候有人站出来说该做的活一样都跑不掉这话听着就踏实。他的观点其实不复杂AGI 很强但它到来之后前端页面还是得有人去调样式幻灯片还是得亲自排版税表到点还是得自己填。很多人把这句话理解成AI 不行我觉得恰恰相反——正是因为 AI 变得足够强一个人能借助它完成的事情边界大大扩展了那些真正需要亲自动手的环节反而成了决定产出质量的关键。作为一个常年泡在前端领域、经历过各种框架更迭和工具革命的从业者我对这个判断特别有共鸣。尤其最近几年AI 编程助手已经深度嵌入了日常工作流但你会发现一个很有意思的现象能用好 AI 的人往往是那些原本基本功就扎实的人。AI 可以帮你生成一百行代码但你得知道哪一百行是对的AI 能帮你排出一版幻灯片但你可能得自己理清楚逻辑主线之后才知道让它怎么排。这篇文章我想从 Yuchen Jin 这句话出发结合我自己在真实项目里摸爬滚打的经验聊聊 AGI 时代里前端这个行当的真实处境以及那些还得自己做的事到底教会了我们什么。1. AGI 再强会做和能判断终究是两码事先说一个最扎心的事实很多人对 AGI 的期待是我不用学了它什么都会。但实际操作中你会发现当 AI 给出的结果你不具备判断力的时候局面反而更糟糕。就像标题里说的报税这种事AI 完全可以帮你算出应该填多少、怎么抵扣最优但问题在于——税表上的数字最终签字的是你数据填错了责任也是你的。这时候如果你连基本的税收逻辑都不懂AI 给你一个看起来专业的结果你敢直接提交吗1.1 判断力才是 AI 时代的稀缺品我在团队里带过不少新人也面试过几百个前端候选人一个很明显的趋势是随着 AI 工具越来越顺手候选人写代码的速度确实变快了但代码的质量和稳定性并没有同步提升。因为代码生成之后要跑起来、要维护、要处理边界情况这些环节没法靠提示词解决你得靠对人脑对系统运行机制的理解去定位问题。比如前阵子我们项目遇到一个性能问题一个数据列表在渲染时偶发卡顿肉眼看着不规律很难复现。当时的排查路径是先怀疑数据结构又怀疑网络请求折腾一圈之后发现是某个 JSON 字符串化相关的操作在数据量大时触发了严重的性能瓶颈。这个问题的根源涉及运行时内存分配、浏览器垃圾回收机制、大数据量下的渲染策略等等如果你对这些底层原理没有概念你会连排查方向都找不到。AI 此时能帮你优化某一段具体代码但该怀疑哪里、往哪个方向查这个决策过程真的只能靠自己的技术积累。1.2 前端业务的不可言说部分再往深了说前端这个工种本身就有大量不可言说的成分。需求文档里写着按钮要更醒目一点你觉得把字体加大加粗就行但产品经理的真实意图可能是想把按钮放在一个视觉锚点上让它形成用户的操作习惯。这种只可意会的需求AI 是读不出来的。它没法在评审会上替你跟产品经理来回掰扯也没法感知这个交互在这个业务场景下用户会觉得顺手还是别扭。AI 能解决的是怎么实现的问题而前端工作中真正值钱的部分是该实现什么和这么做合不合适。所以每当看到热搜里反复出现前端八股文前端面试题 2026这类关键词时我反而觉得这是一件好事。它说明行业依然在用一套相对严格的标准筛选人而不是靠会不会用 AI 工具来定胜负。八股文背后考察的计算机基础、网络原理、数据结构本质上都是在训练一个人的系统判断力。2. AI 能写代码了前端工程师的价值反而更重了有个观点最近挺流行AGI 都来了初级前端的活肯定要被替代。这个说法有一定道理但替代的其实是代码翻译这个环节——把设计稿变成 HTML/CSS、把接口文档变成逻辑调用。这些工作 AI 确实干得不错。但整个前端交付链条里翻译只是最末端的一环前面还有需求梳理、信息架构、交互设计、技术选型、性能预算、异常兜底后面还有监控反馈、迭代优化、技术债治理。这些环节不仅没被替代反而因为 AI 拉高了单个环节的效率倒逼从业者把精力放在更上游的思考上。2.1 一个真实的开发场景AI 生成代码之后的烂摊子拿我们最近做的一个后台管理系统举例吧。有同事图省事直接把一个包含复杂表单校验和数据联动逻辑的需求丢给 AI 生成表面上代码能跑点两下好像也没啥问题。但等到了联调阶段问题开始集中爆发表单校验的时序不对、某些极端输入没处理、接口异常时没有统一拦截、部分浏览器版本直接报错。最终这些代码还是要人工重写。AI 生成的代码就像一份看着没病的体检报告但你要真想让它稳定运行在生产环境还是得靠工程师逐行审查边界、理解业务。这个案例给我的触动挺大的。它说明了一个道理AI 降低了某些操作的下限但丝毫没有降低交付标准的下限。你总不能跟用户说这个页面在有网络问题时可能会白屏因为 AI 没考虑到对吧所以实际工作中我反而越来越强调 team 里成员的代码审查能力——你能不能在 AI 给出的方案基础上补全异常分支、识别潜在风险、调整更合理的结构。这种能力说实话 AI 很难学走因为它来自对真实业务场景的理解和大量实战经验的沉淀。2.2 能写到写好之间隔着一条经验河具体到前端开发的技能点比如 JSON.stringify 的性能优化。很多刚入门的朋友知道这个方法能把对象转成字符串但不知道在数据量上去之后它会变成性能瓶颈。我之前在优化一个实时大盘页面时数据源每秒钟推送几十条更新其中有一个字段是嵌套了三层的对象序列化和反序列化的开销直接让页面掉帧。如果当时只是盲目上 Worker 处理大文件上传、或者用 otherside 的花哨技术都解决不了问题——关键就是定位到了这个序列化点然后通过数据扁平化、增量更新和缓存策略把单次更新的耗时从几十毫秒降到了个位数。这种定位问题的过程AI 可以辅助你排查但它没有办法替你做决定的。你会发现热词里signalR 前端应该怎么获取数据前端 websocket 怎么用这类搜索量一直都很大背后其实都是同一个诉求在面对真实、复杂的实时数据场景时工程师需要自己判断该选什么方案、怎么做数据流设计。AI 能给你标准的连接代码但用 SignalR 还是 WebSocket、重连策略怎么设计、消息格式怎么定、前端的状态怎么同步这些决策必须由了解业务痛点和系统瓶颈的人来做。2.3 前端面试也在变化AI 考不出来的是解决问题的过程2026 年的前端面试题明显变得更有意思了区别于前几年那种纯粹死记硬背的题现在面试官更倾向给一个线上页面卡顿请你判断可能原因这类开放式问题。这种题没有标准答案考察的就是排查链路是否清晰、有没有自己的调试方法论。相比之下记忆某个 API 的参数列表反而是最不重要的——因为这类知识 AI 随时可以告诉你面试官真正想确认的是你这个人值不值得培养遇到问题时的第一反应是打开百度搜一下还是从内存、网络、渲染路径几个维度逐一排除。我在带人时也明显感觉到给新人一个问题清单让他们用 AI 辅助排查具体的线上 bug他们能很快给出结论但如果追问一句为什么你会优先检查这个环节很多人的思路就开始乱了。这种从知道怎么做到知道为什么这么做之间的差距就是资深前端和初级前端的分水岭。而这份差距AI 暂时弥补不了。3. 幻灯片和报税背后的共同逻辑结构化思维无法外包文章标题里提到的幻灯片和报税看起来和前端八竿子打不着但琢磨久了你会发现它们折射出的其实是同一个能力——结构化思维。做幻灯片不是把文字往幻灯片里一扔就完事而是要在有限的空间里组织信息层级让听众顺着你的思路走报税也不是照着表格乱填而是要理解各种收入类型、扣除项、以及政策的适用范围本质上是把复杂的规则梳理成一套适用于自己情况的映射关系。这种逻辑梳理和抽象的能力才是最核心的人类技能。3.1 不会做幻灯片的人给 AI 一百个提示词也没用我见过太多人声称用 AI 做幻灯片很快但你问他做出来的东西为什么长这样、逻辑主线是什么、每一页之间的递进关系是什么他完全答不上来。因为他只是在套一个模板往里填内容内容之间的逻辑联系是断裂的。AI 可以根据你的关键词生成一页页花哨的排版但它不知道这页三年规划里最重要的转折点是你想强调的AI 基建成本下降还是团队重心转向业务侧。这种对表达重心的判断来源于你对自己工作和目标的深度理解这个理解不能外包。3.2 报税背后的合规意识本质上也是一种前端思维报税这个例子有点专业但其实很容易理解。你打开税务系统会发现它同样是一套巨大的信息输入和状态管理界面你得保证自己提交的数据和实际情况一致得了解不同收入类别对应的税率计算方式。如果只看 AI 输出的一串数字你可能永远无法理解为什么我的年终奖要单独计税为什么这笔稿费收入扣的税和工资不一样。这些细节恰恰决定了你能不能合理合法地优化税务成本。这跟前端开发里的状态管理特别像。页面下拉框选了一个值后续展示的字段要联动变化某些操作必须有权限才能执行这些本质上都是状态驱动的界面逻辑。一个优秀的前端工程师本质上就是一个状态管理大师他懂得如何让系统的每个状态都符合预期、符合业务规则并且处理好各种状态间的转换和边界。报税算下来无非是把自己的财务状态映射到一套国家规定的状态机里一表填错后续全乱。3.3 底层能力迁移把复杂系统拆成可执行步骤不管是写代码、做幻灯片还是报税底层都离不开把复杂系统拆解成小步骤的能力。前端开发里一个大型后台项目要拆成模块、组件、状态、接口层做幻灯片时要把一个宏大的主题拆成章节、页面、要点报税时要按收入的类别、时间、来源去分门别类。这套拆解能力才是 AGI 怎么发展都难以完全替代的核心素养。AI 可以把一个已拆好的问题执行得很好但它不擅长帮你定义这个问题该拆成哪些维度。这也是为什么许多公司招聘资深前端时越来越看重候选人有没有业务理解能力。你不光要知道 React 的生命周期或者 Vue 的响应式原理你还要能听懂业务方讲的一个模糊的诉求然后把它拆成清晰的技术方案再逐步落地。AI 时代从模糊需求到清晰方案之间的鸿沟依然需要人来跨越。4. 当 AI 成了标配2026 年的前端该拼什么既然 AI 无法避免地进入每个开发者的日常与其焦虑AI 会不会替代前端不如思考AI 时代的资深前端应该具备哪些不可替代的竞争力。我结合自己带团队和做技术服务的经验分享几个我认为越来越重要的方向。4.1 代码审查能力被严重低估AI 生成的代码最大问题不是跑不通而是表面能跑但经不起推敲。我接手过不少 AI 生成的项目代码常见的毛病包括把不该暴露的接口写进前端逻辑、错误处理泛滥但没针对性、状态更新方式不统一导致竞态、组件粒度混乱增加维护成本。这些问题不像语法错误那样一眼可见需要有经验的工程师在多一次的评审中识别出来。所以我特别建议有上进心的前端开发者在日常工作中刻意练习代码审查——不光是看自己 team 的代码也可以去翻翻知名的开源项目思考别人为什么会用这种写法优点在哪风险在哪。这种能力积累到一定程度你看一眼 AI 生成代码的结构就能大概判断出它有没有走偏。这种直觉不是天生的全靠常年和真实代码打交道的经验堆出来。4.2 调试能力AI 时代的侦探学前面提到过内存泄漏排查和大批量序列化性能瓶颈这些都是调试问题的典型场景。我把调试能力叫作侦探学因为它本质上是一个归纳、假设、验证的过程观察现象、收集数据、形成假设、设计实验、确定根因。AI 可以帮你分析一段代码的复杂度但没法帮你判断用户反馈页面卡顿是网络慢、渲染慢、还是内存泄漏这种开放问题。开放问题的解决路径不唯一也没有万能药需要你基于系统架构和用户反馈去搭建一个合理的排查框架。对于想提升调试能力的朋友我的建议是不要只盯着自己写的页面多去处理一些别人写的烂代码和年代久远的历史项目。那些代码里充斥着各种诡异的使用方式和未文档化的外部依赖调试它们才能真正锻炼出从蛛丝马迹里找到根源的能力。4.3 全链路性能优化从 JSON.stringify 到 Worker 上传标题提到前端、幻灯片和报税还得自己做我猜很多人会忽略前端这两个字其实包含了一个非常庞大的知识体系。就拿性能和交互体验来说真实项目里的复杂度远超教科书。前面讲到的 JSON.stringify 性能优化只是冰山一角。再比如大文件上传传统方案是直接塞进 FormData 一把梭但到了几 GB 的文件这条路就堵死了。现在标准的做法是采用分片上传加 Web Worker 做后台计算避免阻塞 UI 线程同时还要处理网络中断后的断点续传、服务端的即时校验、以及并发上传的分片调度。这些步骤AI 可以给你提供每一段的代码样板但整个方案的技术选型、架构设计和兼容性考量还是得靠人来做。我记得有次做视频资产管理系统用户要上传几十个 G 的拍摄素材前端如果处理不好页面直接崩溃。当时我先是评估了主线程的性能影响决定引入 Web Worker 来处理文件的读取、分片和哈希计算然后又设计了并发数为 3 的上传队列避免网络拥塞再通过服务端的秒传校验让用户重复上传时几乎不用等待。这一整套链路下来AI 只是帮我们把一些常用的工具函数写好了核心的架构设计、异常处理、以及和产品经理对需求的调整都是靠团队内部的讨论定下来的。你说这些经验值钱吗非常值钱。4.4 学会当 AI 的老板而不是同事最后聊一个比较抽象但很重要的能力——如何支配 AI。大部分人的默认做法是直接抛一个任务给 AI帮我写一个登录页AI 吐出来一个能用但平庸的结果。更好的姿势是把 AI 当成一个执行者而你更像一个产品经理兼技术负责人你先拆好需求结构、定好技术边界、列清楚约束条件再让 AI 按你的框架去生成细节代码。比如帮我实现一个基于 React 的表单验证组件字段包含用户名和邮箱验证规则包括必填和格式校验错误提示要内联展示且提交按钮在验证失败时不可点击。请先输出组件结构再输出核心逻辑。你会发现当你把边界画得越清晰AI 生成的结果就越贴近你的预期。如果生成得不对你还能基于自己对状态管理的理解去纠正它。这种能力本质上还是来自扎实的前端基本功。5. 我的日常工作流AI 负责初稿我负责定稿最后结合个人实操分享一些我在项目里实际沉淀下来的工作方法。我觉得这是对AGI 到来后生活依旧最直接的一种回应——AI 当然会全面渗透到我的日常但我自己的认知框架和工作习惯反而变得更加重要了。5.1 用 AI 辅助需求分析和方案设计我现在接到一个前端需求第一件事不是打开编辑器而是先在文档工具里把需求拆解成几个核心问题这个功能的目标用户是谁使用路径是什么核心指标是什么在这些问题没有清晰答案之前我不会让 AI 写任何代码而是让它作为外脑帮我把可能的技术方案列出来甚至让 AI 扮演产品经理来挑毛病。在这个过程中AI 最大的价值不是给我答案而是通过对话帮我把脑海中模糊的想法逐渐具象化。但怎么判断 AI 给的方案是不是最优框架搭得合不合理依然靠自己的经验。5.2 代码实现阶段AI 给了我更多时间做 Code Review写代码的环节AI 确实帮我节省了大量敲键盘的时间。过去实现一个完整的 CRUD 页面可能需要写很多重复的表格、表单和弹窗代码现在我可以直接让 AI 按我的要求生成页面骨架再手动调整交互细节。省下来的时间我会用来做什么第一做更细致的代码审查把潜在的性能隐患和状态管理缺陷扼杀在代码提交之前第二和产品、后端同学深入沟通提前识别接口定义和数据结构的坑第三写自动化测试把核心业务路径的稳定性兜住。我举一个具体的例子。前阵子接了一个报表中心的需求涉及大量的动态列、多选筛选、排序、分页和导出。这种项目如果全人工敲至少要一周多但借助 AI 生成基础组件和页面我两天就把第一版搭了出来。剩下的时间全部花在和业务方确认数据口径、调整筛选逻辑、以及把导出功能在大数据量场景下做性能验证上。最终交付时页面的稳定性和可扩展性都远超以往这就是合理地把 AI 当成效率杠杆带来的成效。5.3 但责任和兜底依然只能自己承担分享这么多我想强调的是AI 可以接管执行但它无法接管责任。页面线上出了 bug用户不会说这是 AI 写的有问题他只会觉得你们团队的工程质量不过关。报税填错了税务部门也不会因为是 AI 帮我报的就网开一面。做幻灯片逻辑混乱听众也不会因为这页是 AI 生成的就更容易理解。一切交付最终指向的还是你这个人——你的专业判断、你的经验沉淀、你的责任意识。前端行业恰恰是最能体会到这种责任的地方你写下的每一行代码都要对真实的用户行为负责你做的每一个交互决策都会影响千万次点击背后的使用感受。AGI 的到来让工具的边界拓宽了但没有改变你要对自己产出的东西负责这个底层事实。5.4 给前端开发者的一条实在建议如果你现在正处于职业早期或者正在为 2026 年的面试做准备我把多年的经验浓缩成一句话把 AI 当成你的加速器但永远不要当成你的外挂大脑。多花时间钻研底层原理亲手解决几个棘手的线上问题踏踏实实把几个复杂功能做深做透这些笨功夫在任何时代都值钱。面试官和项目负责人看重的从来不是你会多少工具而是你面对未知问题时能不能扛得住、拆得开、解决得掉。回到 Yuchen Jin 那句话AGI 到来后生活依旧——这句话听起来像是一种乐观的躺平但在我看来它其实是对人类自身能力的一种重要肯定。技术再怎么演进前端工程师、内容创作者、每一个普通个体所具备的判断力、责任心和创造力依然是我们在这个世界上立足的根本。别焦虑 AGI 会带走什么先把手头该做的事一件一件做好。写前端也好做幻灯片也好报税也好每一件自己亲手做完的事最后都会长成你身上别人抢不走的那部分能力。