AI编码将阻碍专业知识的积累

在软件工程领域，AI编码工具的普及引发了关于专业知识积累的深刻讨论。本文作者指出，尽管AI工具能显著提高工作效率，但对于缺乏经验的开发者而言，它们可能成为学习道路上的障碍，甚至阻碍专业技能的培养。文章首先引用OpenAI CEO Sam Altman的预言——未来的智能将像水和电一样成为公用事业，但作者警告，这种便利性可能以牺牲长期技能形成为代价。

作者此前在“Agentic Coding is a Trap”一文中提出了“熟练的编排者悖论”：管理AI代理所需的技能，恰恰是通过持续使用这些代理而逐渐削弱的技能。当前行业向开发者发出了混乱的信号：一方面强调不使用AI工具将被淘汰，另一方面又指出要获得最佳结果需要高级思维和严格的代码审查。然而，这些能力来自于长期实践中的挫折和挑战。这造成了一个悖论：如果AI工具需要专业知识才能有效使用，却又削弱了培养专业知识的途径，那么新手如何才能成为专家？

JetBrains的一项研究发现，重度依赖AI的参与者跳过了关键的规划阶段，产生了“能力错觉”，而限制AI使用的参与者则发展出了“负面专长”，即识别并忽略无效AI建议的能力。更令人惊讶的是，在最佳表现的初学者中，那些尽量减少或完全忽视AI协助的人表现最好。这揭示了“倒置学习”的现象：在LLM的自导特性下，经验越丰富，受益越多；知识越少，越容易被误导。新手在学习新领域时，甚至不知道应该提出哪些问题来引导模型给出最佳答案。AI模型缺乏判断力、同理心和教学意图，其解决方案基于训练数据中的模式，而非真实经验。

作者强调，挫折是技能形成的核心特征。正如UPenn的一项大规模研究所示，使用AI辅助学习数学的学生表现比仅使用课本的学生差17%，而使用AI作为苏格拉底式辅导工具的学生则在练习中表现优越。Anthropic的研究也得出相似结论：认知努力和陷入困境对于掌握技能至关重要。作者认为，如果一味追求代码生成而忽略深度理解，我们将无法培养出能继承现有代码体系的下一代专家。David Cramer (Sentry联合创始人) 在采访中也指出，认为LLM会清理所有垃圾的想法是一种科学实验，而非现实。

文章最后提出“挫折优先”的方法：将AI视为教学伙伴而非生产工具，确保在效率提升的同时不牺牲专业知识的积累。正如Joel Spolsky在2002年所言，代码生成工具作为抽象层会泄漏，唯一应对之道是深入了解抽象的工作方式。因此，开发者应谨慎使用AI工具，避免陷入能力错觉的陷阱。