技术能力

  • 扎实的基础：数据结构、算法、操作系统、网络、数据库原理
  • 系统设计能力：能权衡取舍，设计可扩展、可维护的系统
  • 调试与排障：能快速定位问题，善用工具（profiler、日志、监控）
  • 阅读代码：能快速理解陌生代码库，而不只是写代码
  • 持续学习：技术演进快，能主动跟进新技术而不盲目追新

工程素养

  • 写可读代码：代码是写给人看的，命名清晰，逻辑直白
  • 测试意识：主动写测试，而不是依赖 QA 兜底
  • 版本控制规范：清晰的 commit message，合理的分支策略
  • 文档意识：在合适的地方写合适的文档（不是每行都注释）
  • 安全意识：代码层面的 OWASP 意识，不把安全留给"以后再说"

协作能力

  • 沟通清晰：能向非技术人员解释技术问题，能在 code review 中表达具体意见
  • 估时准确：能分解任务，给出相对可靠的工时估算
  • 主动暴露问题：遇到 blocker 早说，而不是默默卡住

思维方式

  • 系统思维：看到局部问题时，能思考对整体的影响
  • 务实：不追求完美设计，在"够好"和"完美"之间找到正确点
  • ownership：对自己负责的东西有主人翁意识，上线后持续关注
  • 简单优先：倾向于简单方案，而不是过度设计；代码越少越好

软技能

  • 抗压与专注：在复杂问题面前不慌，能保持有效的思考
  • 接受反馈：对 code review 意见开放，不把技术讨论变成自我防卫

好奇心

好奇心是一个底层驱动力（meta-driver），不是和其他素质并列的加分项，而是在它们之上的一层——其他很多素质都可以被好奇心解释：

  • 为什么愿意深挖 bug？→ 对根因有好奇心
  • 为什么写好测试？→ 对"这段代码真的对吗"有好奇心
  • 为什么沟通顺畅？→ 对同事的想法和 enduser 的真实需求有好奇心

好奇心不只是对新技术的好奇，它覆盖技术、协作、产品三个维度：

好奇心的方向 驱动的行为
对新技术 主动学习，不等培训
对异常日志 追根溯源，不绕过问题
对业务逻辑 理解 why，不只是 how
对同事的想法 真正倾听，不是等自己开口
对 enduser 产品感，不只是功能完成度

没有好奇心的工程师可以把当前的工作做得"够用"，但很难做到深入——他们写的代码能跑，但不理解为什么。

好奇心本身还不够，它需要配上自律和落地能力。有些人什么都好奇，但浅尝辄止，或者永远在学新东西却从不完成一件事——这是好奇心失控的版本。

更完整的表述是：有边界的好奇心——对核心领域深挖，对周边领域保持开放，但不被新鲜感分散焦点。

好奇心 vs 好胜心

很多工程师有强烈的好胜心——想赢、想证明自己——但好奇心不足。他们学新东西是为了"会"，不是真的想搞懂。这两种人外表相似，但遇到真正难的问题时会分叉：好胜心驱动的人倾向于绕过难点或表演能力，好奇心驱动的人会停下来真正弄清楚。

如果只能选一条：能把复杂问题分解成可执行的小步骤，并持续交付——这是区分普通工程师和优秀工程师最核心的能力。

AI 时代的变化

AI 时代这些素质的重心发生了偏移，而不是全部推翻。

更重要了的

  • 阅读和判断代码：AI 生成代码的速度远超人类，“写"的比重下降，“读、评估、审查"的比重上升
  • 问题分解：指挥 AI 的前提是你能把问题拆清楚——分解不清，AI 给你的结果也是乱的
  • 基础原理：AI 输出的代码"看起来对"但可能暗藏问题，没有基础你抓不住错误
  • 判断力与品味：AI 永远给你一个"合理的答案”，但合理不等于正确，你需要能辨别好坏
  • 系统思维：AI 处理局部，人负责全局，整体架构、权衡取舍仍然是人的责任

变得不那么关键的

  • 记忆语法、API 细节——AI 比你记得更准
  • 写样板代码的速度——AI 秒完成
  • 从零实现标准算法——直接生成即可

新增的

  • AI 协作能力：知道什么时候用 AI、怎么引导、怎么验证输出
  • 怀疑 AI 输出的习惯：不盲从，始终验证正确性、安全性、性能
  • 更强的 ownership：AI 会产出大量代码，但责任仍然在人，“AI 写的"不是借口

好奇心在 AI 时代更重要，因为工具变化极快，好奇心驱动你持续理解 AI 的能力边界，而不是停留在一年前的用法上。

AI 把执行层自动化了，工程师的价值向判断层、设计层、责任层转移。基础越扎实、判断力越强的工程师，AI 对他的增益越大；基础薄弱的工程师，AI 反而会放大他的错误。