“因为 AI，编程专业要崩溃了……”

【CSDN 编者按】当 AI 已经可以写代码、改 Bug、做重构，甚至开始接手系统设计时，一个看起来有些“反常识”的问题正在浮现：如果未来的程序员越来越少亲手解决问题，那么，再过十年，谁来成为真正能够理解、审查和接管这些系统的专家？ 编译 | 郑丽媛 出品 | CSDN（ID：CSDNnews） 如今的 AI Coding 浪潮，正在把软件开发推向一个令人兴奋的方向： ● 不会写代码？可以用自然语言让 AI 帮你生成应用。 ● 不熟悉某个框架？让 AI 现查现写。 ● 遇到报错？复制日志，几十秒得到解决方案。 效率提升是真实存在的。但与此同时，一个越来越值得讨论的问题也开始浮出水面：AI Coding 也许正在提高今天的生产效率，却可能也在削弱明天的专家培养能力。 最近，开发者 Lars Faye 在一篇文章中提出了一个颇具争议的观点： AI Coding 可能会阻碍专业能力的形成。 他的核心担忧并不是“AI 写的代码不好”，也不是要求开发者回到没有 Copilot、Claude Code 或其他 AI 工具的时代，而是 ：一个开发者究竟是如何成长为专家的？ 如果这些专业能力来自于长期的实践、试错、排错和失败，那当 AI 提前替我们绕过这些过程，未来的程序员又该如何获得这些能力？ 这个问题并非纯粹的“反 AI 焦虑”。其实近两年，一系列针对 AI 与学习、编程能力的研究，也开始得出一些相似甚至令人不安的结论： AI 的确可以帮助人们更快完成任务，但“完成任务”和“真正学会”之间，可能根本不是一回事。 一个越来越明显的矛盾：新人需要专业能力，才能正确使用 AI 过去几年，软件行业一直在重复一句话： “AI 不会取代你，但会用 AI 的人会取代你。” 这句话几乎已经成为 AI 时代职场竞争的标准口号。于是，越来越多开发者开始用 AI 编程工具。公司鼓励多用、IDE 默认集成、Agent 工具不断升级，一些企业甚至直接把 AI 使用量与工作流程绑定。 但同时，行业又在告诉我们另一件事： 如果想真正用好 AI，你不能只是输入一句“帮我做一个 XX”。 你需要：写出清晰的需求→ 制定合理的技术方案→ 判断架构是否正确→ 知道什么时候 AI 的建议有问题→ 审查生成的代码→ 验证测试结果→ 确保最终上线的东西是自己真正理解的。 换句话说： 越想把 AI 用好，你 就 越需要具备专业能力。 于是， 一个尴尬的 矛盾 出现了 ：AI 工具需要经验丰富的人才能驾驭，而新人原本应该通过长期工作积累经验；但 AI 又正在替新人绕过那些原本用于积累经验的过程。 Lars Faye 把这种情况称为“专家型新手”的困境。即 一个刚进入行业的人，却被要求拥有接近专家的判断能力，才能安全、高效地使用 AI ——这也是为什么现在AI Coding 对资深开发者和初级开发者带来的收益，完全不一样。 今年 6 月，Anthropic对约 40 万个 Claude Code 会话进行分析后发现，在典型的 Agentic Coding 会话中，人类通常还是负责“做什么”的规划决策，而 AI 更多负责“怎么做”的执行决策。并且，使用者的领域经验越多，单次指令能让 AI 完成的工作也越多，其领域专业知识与任务成功率也息息相关。 这代表着一个并不那么符合“AI 人人平等”想象的现实： AI 并没有消除专业能力的重要性，至少目前看来，它反而可能让专业能力的价值进一步放大。 经验丰富的人知道该让 AI 做什么，也知道什么时候应该阻止它继续做下去；而缺乏经验的人，甚至可能不知道自己正在犯错。 AI 让人产生了一种“我已经会了”的错觉 这种担忧也不是只停留在理论层面。 2024 年，一项名为《The Widening Gap：The Benefits and Harms of Generative AI for Novice Programmers》的研究，对初级程序员使用生成式 AI 的情况进行了细致观察。研究人员通过实验观察、访谈和眼动追踪等方式，研究了 21 名参与者在编程过程中如何使用生成式 AI。 结果非常有意思。 从表面上看，AI 的效果很好 ： 21 名参与者中，有 20 人最终完成了编程任务 。但研究人员发现，这些学生实际上逐渐分成了两类： ● 一类学生能真正从 AI 中获得加速。他们使用 AI 的方式，是让模型帮助完成那些自己原本就知道该怎么做的事情。当 AI 给出错误或没有帮助的建议时，他们也有能力识别并忽略。 ● 另一类学生则陷入了完全不同的状态。他们会跳过原本必要的问题分析和规划过程，直接开始询问 AI。由于自己没有真正推导出解决方案，最终只能顺着 AI 的建议不断往下走。 研究中一个非常关键的结论是，这些 表现较差的学生会产生一种“能力幻觉” ： 他们 觉