群里一个朋友问我：知识库里有没有初级数据开发的八股文？最好带点技术点。
我愣了一下。不是答不上来——这种东西资料满天飞，随便翻都是。我愣的是他问这个问题的姿势：他还打算以此突围。
一、不是没用，是占比塌了
我没说”别背”。八股文不是一无是处的东西，岗位还在，考点还在，面试官也还在问。有一些公司对这一块的要求甚至还不低。
我说的是另一件事：它的性价比塌了。
你自己去感受一下这两个数据的变化。
以前一场一个小时的技术面，三分之二的时间都在八股文里。HashMap 的扩容机制、Spark 的 shuffle、HDFS 的副本策略、窗口函数的执行顺序——面试官一个接一个，像是在核对电池电量。你答得顺，说明你”基本功扎实”，他就放心了。
现在你再去面一场试试。同样的一个小时，八股文能剩下多少？二十分钟顶天了，很多时候就是十五分钟。剩下的时间面试官在问什么？问你做过什么、为什么这么做、如果换个场景你会怎么想、你用过什么 AI 工具、你怎么和 AI 协作。
工作里也一样。原先 80% 的时间都在写 SQL，这话放五年前是真的。现在还真的吗？你自己最清楚。你现在写 SQL 的时间，被拆到了对齐需求、定义口径、审查 Agent 产出、写提示词、做数据产品设计上。SQL 不是不写了，是它从”主要劳动”变成了”其中一种表达方式”。
很多人读到这儿会反问：可公司又不教我这些，我怎么办？这个问题我专门写过一篇——《公司说要 AI 技能，却不给培训——数据人的自救路径》。简单说：别等。
所以我的建议是——该懂的还是要懂，但别在它上面压太多筹码。知道是什么、知道为什么、知道什么时候会出问题，够了。你要是还想靠背八股文去和别人拉开差距，那你选错战场了。
二、更要命的事在后面
八股文的事其实不是大事。八股文比重下降这件事本身，比八股文本身重要得多。
它背后真正的信号是：“执行者”这个身份，作为一个核心卖点，正在过期。
你想想你身边还在挣扎的人。他们在干什么？他们在找课。他们在背题。他们在刷 LeetCode。他们在纠结该学 Flink 还是 Spark。他们在问”我是不是还得再补一门数据治理”。
这种状态有个专门的名字，我以前写过：技能收集者。简历越堆越厚，人越跑越累，位置没挪过一寸。
我不是说这些不该学——我自己也还在学。我说的是那个底层逻辑：他们相信再多堆一项技能，下一个机会就会出现。
这个逻辑在互联网高速增长的那十年是成立的。岗位在扩张，分工在细化，你只要把一个点抠到别人没抠的深度，就有人愿意为这点深度付钱。那个时代，执行者是受益者。
现在这个逻辑还成立吗？
不成立了。你再深，AI 比你更快就能达到那个深度。你掌握一项新技能的时间，AI 学会这项技能的时间只需要你十分之一。你把护城河挖到三米，它第二天用十米的铲子就填平了。
这就是为什么我反复说：互联网寒冬那一轮已经过去，接下来这一轮才是真正的挑战。 上一轮只是岗位少了、薪水降了，人还是人，活还是那些活。这一轮是活本身变了，你要是还把自己定位成”干活的人”，你就没位置。
（这一轮变化的完整底层逻辑，我在《写给数据人的 2026：当技术护城河被填平，我们靠什么端稳饭碗》里讲得更细。）
三、AI 不是泡沫，是鸵鸟不想抬头
我知道现在还有很多人在讲 AI 泡沫。
说实话，这些话大多数来自根本没在用 AI 的人。他们凭空臆想，凭新闻标题构建判断，凭”上一次互联网泡沫也是这么起来的”做类比。他们像一群把头埋进沙子里的鸵鸟，只不过沙子里不是沙，是他们自己对旧世界的依恋。
你真的拿 AI 去干一天活试试？不是用豆包问天气，也不是用通义千问让它写首诗。你用 Claude 跑一条数据链路，用 Cursor 改一个项目，用 AI 做一个从需求到代码到部署的完整闭环。一天下来你就知道，这东西不是吹出来的。
这里有一个很隐秘的认知错位：很多人对 AI 的印象，停留在国产通用大模型”还差点意思”的阶段。 他们试过豆包、MiniMax、Kimi，觉得”也就那样”，于是得出结论 AI 还早。
问题是，你试过的不代表 AI 的上限。你得用过全球顶级的那一档工具，才能理解 AI 已经不是”花瓶”——它是真的在替你干活，而且干得越来越像个靠谱的同事。
还有一种更隐蔽的鸵鸟姿势：承认 AI 确实在进步，但打算”等它彻底落地了我再学”。这个姿势看起来稳健，其实最危险——原因我在《混乱是梯子：为什么等 AI 落地再说是最危险的策略》里写过。
四、为什么这次跑得特别快
有人反驳说：每一次技术变革都要一个周期，汽车取代马车花了几十年，电力普及花了几十年，互联网普及也花了二十年。AI 这波也得给时间。
这个类比听起来有道理，但它漏了一个关键变量：基建成本。
汽车取代马车慢，不是因为汽车不好，是因为没路、没加油站、没修车厂、没交通规则。这套基建要盖几十年。电力也是，得有电厂、电网、家电、标准。
AI 取代传统数据工作需要什么基建？几乎不需要。 电有了，网有了，云有了，模型有了，工具链也在以周为单位迭代。你今天想让 Agent 帮你写一条管道，明天就能动手。基建改造的成本极低，几乎为零。
（让 Agent 写管道不是未来时——它已经在发生了。完整的方法论在《Agentic Data Engineering 方法论》里。）
这意味着什么？意味着这次变革的阻力系数和工业革命完全不是一个量级。它没有物理世界的摩擦力，它只需要跨过人的认知这一关。
而认知这一关——说实话——跨不过的人会被跨过的人直接带走。你不必说服全世界，只需要少数人先用起来、证明它能跑，剩下的就是市场自动筛选的事。
所以速度会快到让你反应不过来。不是几十年，可能是一两年。我自己每个月甚至每两周，对 AI 的判断都会刷新一次。这个节奏是指数级的，不是线性的。
五、别再在老地图上找新大陆
所以那个朋友问我八股文的时候，我真正想对他说的是——
八股文的资料我可以给你，但我更想让你先停下来问自己一个问题：我为什么还在找八股文？
如果答案是”因为面试可能会问”，那行，随手翻翻就够了。
如果答案是”因为我觉得学扎实了就能找到工作”，那你可能得重新想一下。
你要找的不是”下一本该背的书”。你要找的是那个能和 AI 并肩干活的自己。
真要说具体学什么，我去年整理过一份诚实的清单：《2026 数据人必学 TOP10》。它不是八股文的升级版，是另一套完全不同的东西。
这俩是两种人。背书的那个人在往旧世界的深处走，能和 AI 协作的那个人在新世界的浅滩里站住脚。前者看起来努力，后者看起来没章法——但五年后，能留下来的大概率是后者。
我不是在劝你放弃基本功。我是在劝你别在过时的地图上找新大陆。
地图已经换了。你要不要跟着换，这事儿没人能替你决定。但我把话放这儿了——市场不会等你。
八股文这类基础内容、以及更体系化的数据工程 / 分析 / AI 协作方法论，都在我们的数据从业者全栈知识库里。需要的朋友自取。
