一篇讨论「AI 写程序会不会阻碍专业养成」的长文，本周在开发者社区掀起争议。作者 Lars Faye 并不反对使用 AI 工具，他自己也每天在用；他真正想指出的是，当 AI 直接把代码产出交到开发者手上时，那些本来会在学习过程中出现、并推动能力成长的摩擦，也一并被拿走了。
根据 BlockTempo 整理，这篇文章在 Hacker News 拿到 558 分，并累积 542 则留言。Faye 的核心判断是，长期技能养成需要持续摩擦，而 AI 恰好绕过了这段过程。
争议焦点：AI 工具需要的，恰恰是新手最缺的能力
Faye 在文中提出一个自创概念，称为「熟练协调者悖论」。他的意思是，想把 AI agent 真正用好，使用者必须先具备写规格、读架构、判断输出哪里不对的能力。这些能力通常来自多年工程实践，而不是单靠调用模型就能获得。
他观察到，目前从这些模型身上受益最多的人，往往是那些在 AI 工具出现前，已经累积十几年甚至二十年经验的资深工程师。换句话说，AI 工具更像是在放大既有能力，而不是自动补上能力缺口。
这也让刚进入行业的新手处在一个很尴尬的位置。Faye 把这群人称为「专家级新手」：他们没有资历积累，却被要求，甚至被规定，要用 AI 工具提升产出速度。与此同时，公司层面的态度又很矛盾。一边强调「不会用 AI 就会被同事甩开」；另一边又提醒，vibe coding 不是长期出路，想成为资深软件工程师，还是得会写规格、看懂每一行输出，确认没问题后才能发布。
Faye 的结论很直接：现在这类 AI 工具要求使用者先是专家，但它本身并不会把新手训练成专家。
从做菜到写程序：被跳过的「痛苦摩擦」
为了说明这个问题，Faye 用学做菜举例。一个人如果只是站在旁边看大厨操作，并且不断追问细节，一个月后也许能把一块三分熟肋眼牛排讲得头头是道，但如果从来没有亲手煎过，真正上手时几乎还是会失败。
他认为，写程序也是同样的逻辑。那些排查不到日志的错误、只有在规模放大后才会显现的性能差异、写到一半发现架构撑不住而不得不重写的过程，本身就是训练的一部分。Faye 还提到一个德语词 Fingerspitzengefühl，用来描述那种「看一眼就知道大概会出事」的直觉和手感。少了前期摸索与挣扎，这种能力很难长出来。
「指南针永远指北」：LLM 只能给方向，不能告诉你身在何处
Faye 认为，使用 LLM 学新知识时，学习关系被倒了过来。传统模式下，是老师先带着学生往前走；换成 LLM 之后，变成学生先提出问题，模型给出回应，学生再根据回应修正方向。他把这种结构称为「倒转学习」。
在他看来，这种方式的脆弱点在于，LLM 对提示词的形状高度敏感。当一个人进入自己并不熟悉的领域时，往往连自己不知道什么都说不清，更不可能准确提出那个真正该问的问题。Faye 用指南针作比喻：指南针永远指向北方，不管你站在哪里，它都能告诉你北在哪，但它无法告诉你你自己现在位于什么位置。
因此，他判断模型真正欠缺的不是知识总量，而是判断力、同理心和教学意图。模型给出的方案，不是从理解中长出来的，而是从训练数据模式中内插出来的。也正因为如此，一旦使用者沉进模型已经生成好的答案里，后续工作往往只会继续依赖模型补完，而原本帮助人建立心智模型的那段摩擦就会消失。Faye 还补充，这种情况不只会影响新手，资深工程师同样可能被「污染」。
研究结果：最放心使用 AI 的新手，表现反而最差
Faye 引用了一篇 2024 年 ACM 计算教育研究会议（ICER）的论文《The Widening Gap》，该研究由 James Prather 等九位研究者完成，分析了编程新手在实际写代码时的行为，JetBrains 近期也再次援引了这份研究。
这项研究给出的结论，与受试者自己的感受正好相反。许多新手以为自己多了一个「私人家教」，但从数据看，他们并没有把 AI 当成辅导工具，实际使用方式甚至相反。
在重度依赖 AI 的那组里，受试者常常跳过规划阶段，因为推理过程已经由 Copilot 代做。等到任务完成后，他们带走的是研究者所说的「能力的错觉」，而不是真正的理解。那些最有信心、使用得最放开的新手，往往跳过了解题过程里的关键步骤，最后反而更容易迷失方向。
与之相比，节制使用 AI 的那组发展出了研究者所说的「负向专业」能力，也就是能够识别并忽略 AI 给出的错误建议或无用建议。他们使用 AI 的方式，更像是给自己原本就打算写的内容提速。整份研究里，表现最好的新手，不是最积极调用 AI 的人，而是大幅节制使用，甚至干脆不用 AI 的那群人。
另外两组数据：数学学习与开发者信任度
Faye 还引用了宾州大学另一份研究。这项研究追踪了 1,000 名使用 LLM 学习数学的学生，结果显示，把 AI 当作拐杖使用的那一组，最终成绩比只使用课本的学生低 17%。
产业端的数据则来自 Stack Overflow 2025 年开发者调查。该调查访问了 48,945 人，其中 26,004 人是专业开发者。调查显示，84% 的受访者正在使用或计划使用 AI 工具，高于 2024 年的 76%。但在输出准确度这件事上，表示「高度信任」的只有 3.1%，表示「高度不信任」的有 19.6%。
如果按资历拆开看，还在学习写程序的人，对 AI 输出准确度的高度信任比例是 6.1%，在所有群体中最高；拥有 10 年以上经验的资深开发者，高度信任比例只有 2.5%，而高度不信任比例则达到 20.7%，两项都是极端值。Faye 据此指出，越缺乏验证输出能力的人，越愿意相信模型。
Faye 的建议：把 AI 当作家教，不要当作代工者
文章真正的重点，出现在后半段。Faye 并没有要求任何人停用 AI，他给出的处方是改变使用方式。
他认为，想提升编程能力的人，应该大幅忽略模型直接生成代码的能力，转而使用它在另一面的价值：把 LLM 当成交互式文档、可随时追问的教材，或是苏格拉底式的陪练对象，而不是一个直接交付答案的生成器。
这个主张也有实验支持。Faye 再次引用宾州大学那份研究，指出研究人员另外测试了一种「家教版」GPT。这个版本不会在学生遇到困难时直接给答案，而是引导学生自己完成推理过程。结果显示，这一组在练习阶段的表现明显领先。关键差别在于，认知工作被重新推回学生自己身上；摩擦还在，学习痕迹才留得下来。
抽象层不能省掉学习时间
Faye 还用抽象层解释，为什么学习顺序非常关键。想学 Java 的人，不该从 Spring Boot 开始；想打稳 JavaScript 基础的人，不该从 React 开始；想把 CSS 练强的人，不该从 Tailwind 开始。在他的框架里，LLM 可以看作「终极抽象层」。
他借用一句话说明自己的立场：抽象层可以帮人节省工作的时间，但节省不了学习的时间。
五个自我检查问题
为了让这套思路更容易执行，Faye 给出了一份在按下生成按钮前可以先问自己的五题清单：
- 我是在用这个模型加深理解，还是在绕过理解？
- 如果现在要我审核并验证这段输出，我能不能清楚说明它到底在做什么？
- 我有没有先做功课，知道自己该问什么问题？
- 我有没有用其他方式交叉验证这个做法，例如官方文档、普通搜索或 Stack Overflow？
- 这是一项重复过很多次的例行工作，还是一个需要我自己做决策和判断的任务？
他同时提醒，把 AI 当家教本身也有风险。模型一样会产生幻觉，不能成为唯一学习来源。如果一个人没有能力审核 AI 生成代码的正确性，也同样没有能力审核 AI 生成概念的正确性。
要分辨「有生产力的挣扎」和「没生产力的挣扎」
Faye 还提出另一条判断标准：先区分自己遇到的卡关，属于哪一种类型。他说，「痛苦地卡住」并不一定是坏事，关键是学会识别有生产力的挣扎与没生产力的挣扎，然后克制住直接向模型索取答案的冲动。
他引用了 TDD 之父 Kent Beck 的说法，指出写程序本身就是巩固理解的有效方法，写得越多，对相关领域的理解也会越深。
Faye 很清楚，这条路在现实里并不轻松。一个人如果选择更慢、看起来更笨的方式学习，短期产出很可能比不过身边同事；而整个生态系统又在朝相反方向推动。AI 被公司强制导入，被嵌进各种 IDE，一些工具甚至默认把代码审查界面折叠起来，除非用户自己点开。他也表示，如果真有公司认为所有任务都该完全交给 AI，那家公司最终会自己学到教训。
更大的赌注：软件专业会不会出现断层
在 Faye 看来，这场争论真正牵涉的，不只是个人学习效率，而是软件专业会不会出现代际断层。
他把问题说得很直接：如果模型已经能生成代码、能根据训练资料里的模式做系统设计、还能调试自己制造的问题，那么继续学习这些知识还有什么意义？他认为，这正是当前这场数万亿美元级押注背后的核心假设之一：就算专业养成出现断层，也可以由 LLM 来补位。
Faye 进一步写道，如果整个行业继续盯着代码行数和消耗掉的 token，而走在专业养成道路上的人越来越少，那么 Sam Altman 那种把智能像水电一样按表计费出售的愿景，就可能成真。到了那一步，一个人坐下来准备写程序时，手边如果没有 AI，可能就会直接卡住。
现实中的就业变化已经出现
文章最后把讨论拉回现实。根据 Fortune 上周报道，北京一位 40 岁程序员费兆军，在老板问出「AI 是不是很快就能取代写程序的人」这个问题两周后，和大约 160 名同事一起被裁员。报道还提到，中国工业企业使用 AI 模型的比例，在一年内从 9.6% 跳升到 47.5%。
费兆军自己的判断是，中级工程师的工作在多数情况下确实可以被替代。他还说，就算这最终会变成一场取代所有人类的灾难，现阶段个人也只能跟着大家一起使用。
围绕这场争议的几个核心问题
为什么有人认为 AI 写程序会阻碍工程师成长？
Faye 的说法是，要真正用好 AI agent，前提就是具备写规格和判断输出质量的能力，而这些能力本来要靠亲手解题时经历的摩擦来形成。ICER 2024 的研究则补充，重度依赖 AI 的新手常常跳过规划环节，最终留下的是能力错觉，而不是扎实理解。
怎样使用 AI，才不至于把自己越用越弱？
Faye 建议把模型更多当成交互式文档和苏格拉底式陪练对象，而不是答案生成器。宾州大学研究里，「家教版」GPT 通过引导学生自己完成推理，在练习阶段取得了更好的效果。他给出的五题清单，核心也是检验自己到底是在加深理解，还是在绕过理解。
开发者究竟有多信任 AI 生成的代码？
按照 Stack Overflow 2025 年开发者调查，在 48,945 份样本中，84% 的人正在使用或计划使用 AI 工具，但只有 3.1% 对输出准确度表示高度信任；10 年以上资深开发者里，这一比例更低，只有 2.5%。