## TL;DR

这篇文章与我在 6 月写的《[从前慢：两种慢，两种命运](https://mp.weixin.qq.com/s/NG8JowgLM84mma1_RcJ-5A)》指向同一个判断：**AI 消除了工作流里的摩擦，却也悄悄跳过了成长路上的必经之路。** 当时可能有不少读者看到标题就跳过了。Lars Faye 从编程教育研究和新手使用 AI 的行为出发，为这个判断补上了另一组证据：代码生成得越顺畅，越可能绕过形成判断力所必需的规划、失败和调试。

重点不是反对 AI，也不是把所有摩擦都保留下来，而是分清两种摩擦：系统切换、格式转换和重复搬运应该交给 AI；形成专业能力所必需的思考、试错与受挫，则需要主动保留。第一种摩擦拖慢工作，第二种摩擦构成成长。

以下是 Lars Faye 原文《[AI Coding will Prevent Expertise](https://larsfaye.com/articles/ai-coding-will-prevent-expertise)》的译文。

> “我们预见的未来是：智能会像电力或自来水一样成为一种公共资源。人们按量向我们购买智能，再把它用于任何想做的事情。”
>
> ——OpenAI 的 Sam Altman

在上一篇文章《[智能体编程是一个陷阱](https://larsfaye.com/articles/agentic-coding-is-a-trap)》中，我讨论了“熟练编排者悖论”：管理 AI 编程智能体所需的那些能力，恰恰也可能因持续使用这些智能体而逐渐退化。

专业经验是其中最主要的区别。开发者的经验越丰富，就越不容易出现能力退化，因为经过多年实践，相关知识已经有机会沉淀下来。

看看现在的情况就会发现，从这些模型中获益最多的，绝大多数都是在这个行业里积累了多年、甚至数十年经验的人——这些经验自然早于 AI 工具出现。任何行业老手都会告诉你同一件事：这些知识的根基，来自亲手做过那些工作。

而在 LLM 兴起前后进入这个行业的开发者，没有长期积累带来的优势，却又被鼓励、有时甚至被强制要求使用编程助手来加速工作。但要想有效且负责任地驾驭这些工具，恰恰需要长期积累的专业能力。

这让他们陷入了一个尴尬的位置：一个新手需要具备专家级能力，才能使用这些工具，并跟上行业节奏。

## “专家型新手”

目前，我们正在向整个行业释放非常矛盾的信号。

一方面，我们不断强调：如果不用 AI 工具，就会被那些使用 AI 的同行“甩在后面”。从 2023 年起，“[AI 不会取代你，但会使用 AI 的人会取代不会使用 AI 的人](https://hbr.org/2023/08/ai-wont-replace-humans-but-humans-with-ai-will-replace-humans-without-ai)”这句话就一直被反复提起。

但与此同时，人们又说，要从这些模型中获得**最好的结果**，就必须运用高阶思维：“氛围编程”走不远；你需要“上移抽象层级”，编写严谨的规格说明，运用良好的设计模式完成架构，并始终认真审查模型输出，绝不能交付自己无法理解的东西。

然而，这些能力只会在一个人长期经历摩擦和挑战之后形成，最终沉淀为所谓的“[好品味](https://www.seangoedecke.com/taste/)”。

这又带来一个悖论：

如果这些工具**要求使用者具备专业能力**，但同时又能**绕过培养专业能力所必需的摩擦**，那么一个人究竟应该怎样成为专家，进而有效地使用这些工具？

## 没有理解支撑的自信

一种乐观设想是：这些模型在生成代码的同时，最终也会加速学习。初级开发者可以在“私人 AI 导师”的帮助下，表现出与行业老手相同的稳重和自信。

语法知识越来越不重要，任何知识缺口和模糊之处都可以由 AI 工具补齐。由于开发者处在更高的抽象层级，代码底层的运行机制可以继续隐藏起来。

开发者工具领域的重要厂商 [JetBrains](https://www.jetbrains.com/) 最近[引用](https://www.youtube.com/watch?v=HTUh0OO6Kmo)了一项名为《[不断扩大的差距：生成式 AI 对编程新手的益处与危害](https://dl.acm.org/doi/epdf/10.1145/3632620.3671116)》的研究。

这项研究细致分析了参与者在实时编程过程中的具体行为，并测试了他们在不同程度的 AI 辅助下学习编程的能力。研究得出的主要结论既鲜明，又违背直觉：

> “参与者认为，这就像拥有了一位私人导师。但从研究数据来看……我们观察到，他们实际上并没有把生成式 AI 工具当作私人导师。事实上，情况恰恰相反。”

**那些更多依赖 AI 辅助的参与者：**

- “经常跳过关键的规划阶段，因为他们自己并没有通过推理走到这一步，而 Copilot 替他们完成了。”
- 最终形成的是“胜任力错觉”，而不是真正的理解。

**与之相反，那些有意识限制 AI 使用的参与者：**

- 之所以能够成功，是因为他们形成了“负向专长”，也就是识别并忽略错误或无用的生成式 AI 建议的能力。这使他们可以专注于编写自己的解决方案，而不被模型引向歧途。
- 能够使用生成式 AI 加速工作，但生成的代码原本就在他们的计划之中。

那些使用 AI 最不受限制、也最有信心的新手开发者，“跳过了编程问题解决过程中的关键步骤，最终迷失了方向”。

也许并不令人意外：表现最好的新手开发者，恰恰是那些大幅限制、甚至完全忽略 AI 编程辅助的人。

## 倒置的学习

由于 LLM 的使用高度依赖使用者主动引导，**你的经验越丰富，它带来的收益就越大**，因为你能够准确地引导、审查和验证模型输出。你的知识越少，它就越容易误导你。

使用 LLM 学习新技能，呈现出一种“倒置学习”模式：学生首先指导导师，导师作出回应，然后学生再次调整导师的方向。

这个过程非常不稳定。LLM 对提示词的形式极其敏感。当你探索陌生领域时，你并不知道自己不知道什么，而 LLM 灵活、顺从的设计，很容易让你误以为[自己懂得比实际更多](https://futurism.com/future-society/ai-chatbots-dunning-kruger-machines)。

只要进入一个稍微陌生的领域，你往往连应该提出哪些问题都不知道，也就无法正确引导模型给出最好的答案。

它开始像一只永远指向北方的指南针——只不过“北方”在哪里，由你说了算。

在 JetBrains 所引用的[同一项研究](https://dl.acm.org/doi/epdf/10.1145/3632620.3671116)中，即使准备最充分的学生，也会因为这种学习模式而被 AI 辅助带偏。

有一位参与者原本表现出了良好的基础规划能力和习惯，但随后突然“跳过关键的问题解决规划阶段，直接进入编码，并受到 Copilot 的诱导，迅速生成代码”。最终，**他不得不依靠 LLM 修复一开始正是由 LLM 引入的错误**。

AI 模型缺乏判断力、同理心和教学意图。它提供的解决方案并不来自经验，而是来自训练数据中的模式——LLM 从根本上说，是极其复杂的模式插值器。

这台可以无限提供答案的机器非常诱人，而且已经被证明[可能使人上瘾](https://archive.is/2pKhN)。

事情很容易迅速失控，尤其是对缺乏经验的开发者而言。一旦深入采用了某个由 AI 生成的解决方案，你往往也只能继续依赖 AI 工具来完成剩余工作，从而绕过形成心智模型所必需的问题解决摩擦。

公平地说，资深开发者同样可能陷入这种局面。

## 摩擦不是缺陷，而是功能

专业能力和精通程度，并不只是通过观察和对话形成的，而是来自经验、重复以及反复试错。你必须先经历失败，才能取得成功。

假设我想学习烹饪，我可以观看一位顶级厨师工作，并不断向他提问。一个月之后，我也许能够准确描述一块完美的五分熟肋眼牛排，却仍然不知道亲手煎制它是什么感觉，而且第一次尝试时几乎肯定会把它煎过头。

编程中充满类似的时刻：

- 在没有日志帮助的情况下追踪难以理解的错误；
- 亲身感受不同方法之间细微的性能差异；
- 当一种方案显然无法扩展时，不得不推倒重写。

正是这些实际摩擦，构成了“开发者直觉”，也就是所谓的“品味”。

德语中有一个很好的词可以描述它：[Fingerspitzengefühl](https://architecturenotes.co/p/the-cost-of-ai-in-code-goodbye-fingerspitzengefu)，直译是“指尖直觉”（也就是通过长期实践形成的本能判断）。

它是一种肌肉记忆：开发者看到某个东西时，会本能地想——“嗯……这东西以后大概会出问题。”

如果避开了亲自挣扎的过程，这种直觉就永远无法形成。

宾夕法尼亚大学在 2025 年进行了一项大规模研究：《[缺乏护栏的生成式 AI 可能损害学习](https://www.pnas.org/doi/10.1073/pnas.2422633122)》。

研究人员跟踪了 1000 名使用 LLM 学习数学的学生，结果发现学生把 AI 当成了拐杖，最终的成绩比只使用教科书的学生**低了 17%**。与[前一项研究](https://dl.acm.org/doi/epdf/10.1145/3632620.3671116)一样，使用 AI 辅助的学生却认为自己表现得非常出色。

### 但 LLM 并不一定非要用来生成代码

如果把 LLM 当成苏格拉底式的思辨伙伴，而不是答案生成器，[研究表明](https://arxiv.org/abs/2508.05116)，“对话式 AI 系统能够有效促进反思性、批判性和独立思考”。

宾夕法尼亚大学的同一项研究还测试了一个“导师”版本：学生可以向 AI 求助，但随后必须独立解决问题。

使用 GPT 导师的小组，在 AI 辅助练习阶段的表现提高了惊人的 **127%**。不过，有意思的是，他们在正式测试中的成绩与只使用教科书的小组大致相同。

这种方法之所以有效，是因为模型**不再被作为生产工具使用**，认知工作重新回到了个人身上。

只有当摩擦依然存在时，学习才会留下持久的印记，并最终转化为专业能力。

Anthropic 在 2026 年发布的研究《[AI 辅助如何影响编程能力的形成](https://www.anthropic.com/research/AI-assistance-coding-skills)》也得出了类似结论：

> 对软件工程或其他行业的新手而言，我们的研究可以视为一项小规模证据，说明在使用 AI 工具时，有意识地培养能力非常重要。认知投入——甚至是痛苦地卡在某个问题上——很可能是形成精通能力的重要条件。

这里存在某种讽刺意味：

使用 AI 编程工具时，最有效的学习方式，恰恰可能是**几乎不让它生成任何代码**。

## 专业能力培养链条的断裂

如果 LLM 既能编写代码，也能调试代码，而智能体工作流又能利用训练数据中丰富的模式完成系统设计，那么学习这些知识还有什么意义？

未来，编程将完全通过自然语言完成。我们不再需要直接接触代码，因为模型会不断进步，填补一切知识和模糊性缺口。它们会调试出现的问题，也会管理由它们自己引入的复杂性。

这场价值万亿美元的赌注是：

**这些知识将不再重要。**

LLM 会接手剩余工作，实际上成为新一代“开发者”。

这种论调与过去的无代码运动以及 CEO 的狂热设想如出一辙，却脱离了实际开发环境。

编程和软件开发，是逻辑、数学、问题解决、批判性思维、规划、沟通与创造力的独特交汇点。

[LLM 能够以人类无法企及的规模识别模式](https://arxiv.org/abs/2307.04721)，但模式能够解决的问题终究有限。

性能与错误监控平台 [Sentry](https://sentry.io/welcome/) 的联合创始人 David Cramer 在[最近的一次采访](https://youtu.be/l8yqPwRQXHI?t=544)中简洁地指出：

> 我认为有一类人……本能地相信 LLM 最终会变得足够好，能够回来修复这些东西，清理一路堆积起来的所有垃圾。
>
> 我不认为这是真的。我认为这是一场科学实验。
>
> 你可以炫耀自己能够生成全部代码，同时让几百件事情并行推进；而我可以向你展示，这些代码为什么无一例外都有问题。

### 专业能力培养链条会断裂，还是只会改变形态？

这取决于我们能否完成必要的转向，以更符合学习规律的方式使用这些系统。

如果继续关注并推广那些把生成代码置于深入理解之上的 AI 编程工作流，**我们就无法培养下一代专业人才**，而正是他们将要继承今天生成的这些代码。

![编程智能体导师](https://developer.qcloudimg.com/http-save/yehe-7353521/9466d39c4bb8662ec795b414cae836a7.png)

## 我的做法：摩擦优先

Joel Spolsky 早在 2002 年就在《抽象漏洞法则》中极具预见性地写道：

> 那些假装能够把某些东西抽象掉的代码生成工具，与所有抽象一样，都会发生泄漏。而要想妥善处理这些泄漏，唯一的办法就是理解这些抽象究竟如何工作……抽象可以节省我们的工作时间，却无法节省我们的学习时间。

如果开发者想学习 Java，也许不应该从 Spring Boot 开始。

如果想学习 JavaScript 基础，就不应该从 React 开始。

如果想真正精通 CSS，就不应该从 Tailwind 开始。

LLM 可以被视为[终极的有漏洞抽象](https://www.jonathanbeard.io/blog/2026/06/20/ai-the-ultimate-leaky-abstraction.html)。

### 我的建议与上一篇文章中的主张非常相似

如果开发者想成为编程专家，**就应该在很大程度上忽略这些模型单纯生成代码的能力**，转而把它们用于：

- 交互式文档；
- 动态教程生成；
- 苏格拉底式练习。

当然，这并不是万能解法。

把 AI 工具当作导师也存在风险，因为它同样会产生幻觉，不能被当作**唯一**的学习来源。

如果你无法正确审查生成代码的准确性，同样也无法审查 AI 生成概念的准确性。

如果把 AI 当作导师，仍然**必须**通过以下方式验证其输出：

- 官方文档；
- 人类同行；
- 实际试错。

> “编程其实是巩固理解的绝佳方式。你编写的程序越多，对自己所处领域的理解就越深入。”
>
> ——测试驱动开发的创造者 Kent Beck

选择这种更慢、更审慎的路径，是培养专业能力的最佳方式。但我也明白，当周围的生态系统都在与这个方向对抗时，这件事有多么困难。

企业正在强制推广 AI，而且往往相当鲁莽。AI 已经被内置到大多数软件开发工具和 IDE 中，而这些产品主要面向资深工程师设计。有些工具，例如 Cursor，甚至会默认隐藏代码视图，除非用户主动寻找。

部分公司甚至[强制开发者](https://www.wsj.com/tech/ai/tech-firms-arent-just-encouraging-their-workers-to-use-ai-theyre-enforcing-it-d43ebf84)在所有编程任务中**只能使用 AI**，完全不考虑经验水平。这些公司最终只能自己吸取教训。

不过，对于其他希望在深入学习与生产效率之间取得平衡的人来说，可以用下面这些问题自检，确保自己使用这些工具时仍能获得长期收益。

### 我的 AI 辅助检查清单

- 如果没有 AI 工具，我还能完成这项任务吗？
- 我使用模型，是为了加深理解，还是为了更快获得答案？
- 如果必须审查和验证生成结果，我能否充分解释其中发生了什么？
- 如果正在学习一个新概念，我是否已经做过足够的研究，知道应该提出哪些问题？
- 我是否通过其他方式交叉检查并验证了这个方案，例如阅读文档、使用传统搜索工具、查询 Stack Overflow 或 Reddit？
- 这真的是一项已经重复过上百次的机械性任务，还是过程中包含需要主动判断和决策的环节？

即使我已经拥有数十年的开发经验，在日常工作中仍然会不断参考这些问题，尤其是在学习新事物时——而在这个行业里，需要学习的新事物永远不会断绝。

关键在于识别**认知债务**与**认知卸载**之间的区别：

- **认知债务**，是放弃自己的判断和决策；
- **认知卸载**，是把机械或繁琐的工作委托出去。

正如 [Anthropic 的研究](https://larsfaye.com/articles/ai-coding-will-prevent-expertise#llms-dont-just-have-to-generate-code-though)所说，“痛苦地卡住”是一件好事。

想让自己不再滑回到直接生成答案的状态，需要自律和努力——更何况，生成的答案一开始就未必准确。

LLM 并没有突然改写人类学习的基本规律，但确实为我们提供了一种新的学习方式。

## 智能不是一种商品

我希望未来几年能够发生的转变，是人们重新理解：如果没有主动参与，能力就不会形成。

你必须**直接且持续地**投入其中，亲身经历最终形成专业能力所必需的**关键摩擦**——即使这意味着前进得更慢。

如果我们继续执着于代码行数和消耗的 token，而专业能力培养链条却在多年间逐渐断裂，那么 Sam Altman 所设想的、按量把智能卖回给我们的未来，可能真的会成为现实。

领域知识可能变得极其稀缺。到了那时，一个人只要坐下来准备做任何开发工作，如果身边没有处于有效期内的 AI 工具订阅，就会立刻感到一阵无所适从。

> LLM 是静态的技能数据库，是插值引擎。
>
> 然而，软件工程是一种适应与解决全新问题的实践。面对一个完全独特的系统故障，你不可能仅靠插值找到出路。
>
> ——ARC-AGI 基准测试的创造者 François Chollet

这篇文章与我在 6 月写的《从前慢：两种慢，两种命运》指向同一个判断：AI 消除了工作流里的摩擦，却也悄悄跳过了成长路上的必经之路。 当时可能有不少读者看到标题就跳过了。Lars Faye 从编程教育研究和新手使用 AI 的行为出发，为这个判断补上了另一组证据：代码生成得越顺畅，越可能绕过形成判断力所必需的规划、失败和调试。

AI 编程将阻碍专业能力的形成

人工智能

AI编程工具提升效率的同时，可能绕过新手形成专业判断力所需的规划、试错和调试环节，导致“胜任力错觉”。区分两类摩擦：机械性任务可交给AI，而构建思维模型的认知摩擦需主动保留。研究显示，限制AI辅助的开发者表现更佳。建议将AI用于交互式文档和导师式练习，而非直接生成代码，以维持长期能力成长。

智能体工作流

代码生成工具

软件工程

软件开发

JavaScript

数据库

智能体

AI编程

ReAct 

Java

让每一个 Agent，都跑在云上

coding

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

AI 编程将阻碍专业能力的形成-腾讯云开发者社区-腾讯云

AI 编程将阻碍专业能力的形成

AI 编程将阻碍专业能力的形成

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐