谁说软件工程师要失业了？Build your own X…这是下一步要做的。

“谁说软件工程师会失业，曾经的软件系统都需要在AI时代重做一遍，因为应用软件的基础变了，从上到下都要演进”，有太多东西值得重新build！

不是所有东西都会被AI“直接取代”，

很多基础软件设施因为AI的使用模式、数据规模、延迟要求、分布式训练/推理特性、安全需求、能耗考量等，

变得“不合适”了！

需要被重构、甚至从头再来。

举几个正在发生或极可能发生的“重做一遍”的方向：

数据库 / 向量数据库 / 知识图谱存储 传统关系型/NoSQL已经不够用了，现在大家在狂造“AI-native database”：原生支持向量、多模态、图+向量混合检索、低延迟 embedding 管理、RAG优化、甚至内置推理能力。

缓存 / 内存计算层 Redis 很好，但AI inference 的超高并发 + embedding cache + KV cache管理需求，让很多人开始做专为LLM优化的内存系统（类似vLLM的page attention机制被推到基础设施层）。

消息队列 / 流处理 Kafka依然强，但AI agent协作、实时多模态流、超大规模event sourcing，让人想做更轻、更快、原生支持语义路由的下一代message broker。

调度器 / 资源编排 Kubernetes很通用，但GPU/TPU集群的调度、模型并行、推理弹性伸缩、spot实例优化、量化感知调度……需要全新一代的AI workload scheduler（Ray、KubeRay、Volcano等都在疯狂演进）。

网络栈 / RPC / 服务网格 AI inference的超低延迟需求 + 海量小模型调用 + 多云/边缘混合部署，让人重新思考“AI时代的RPC和负载均衡”。

安全 / 加密 / 隐私计算 传统加密算法面对模型窃取、prompt injection、数据泄露、联邦学习等新攻击面，很多公司在做AI-specific的加密方案、零知识证明在模型验证上的应用。

运行时 / 沙箱 / Agent执行环境 类似Node.js的运行时，但专门给agent执行链、工具调用、长期记忆、跨模型协作设计（LangGraph、AutoGen、CrewAI等生态在逼出下一代runtime）。

甚至浏览器引擎 / 前端框架 当界面大量由多模态模型生成、实时个性化、voice-first / agent-driven时，传统的DOM + React可能需要被“AI-first UI runtime”取代。

这份“build your own X”清单在AI时代不但没过时，反而更有价值了——

因为很多X现在正好处于“旧的不合适，新的还没完全成熟”的窗口期。

如果你现在选一个方向从零开始做（哪怕只是toy project），很可能就是在参与定义“AI时代的基础软件”。

比如下面这些可能是2026年特别有“重做价值”的项目（难度递增）：

Build your own vector database with hybrid search

Build your own LLM inference server/runtime (支持continuous batching + paged attention)

Build your own agent orchestration runtime

Build your own AI-native key-value cache with semantic eviction

Build your own tiny distributed training framework

Build your own prompt-to-UI renderer

…

AI不会让软件工程师失业，

它只会把战场从“写应用代码”

**转移到“重新定义基础设施 **

以及如何更好地驾驭AI本身”。

会深度搞系统、懂AI workload、能从头构建的人，在未来3-8年大概率会非常吃香。

---

原文链接：https://mp.weixin.qq.com/s/fmkAv2mtOi6myn3EKgQDRg

来源：XT