正文
现在,让 AI 写代码、自己跳过学习这件事太容易了。Bug 被修好了,你的心智模型却纹丝未动。我们正在悄悄地用未来的能力换取当下的速度,而工具不会强迫我们做出改变。这一切只能靠你自己。
我们大多数人已经陷入了一种默认循环:粘贴一段需求或报错信息,模型给出修复方案,症状消失,代码上线。在这个循环里,问题与解决方案之间那段混乱的挣扎过程,根本就不再发生了。
我之前写过关于「认知投降」的文章——那是 AI 审阅者的判断悄悄取代你自己判断的那一刻。现在说的是这个循环的单人版本:只有你和模型。模型更快,所以你不再试图在理解上与它竞争。经历成千上万次这样的小互动之后,你在没有 AI 盯着的情况下能独立构建的东西,每周都在悄悄变弱。这些时刻在发生的当天,没有一个会让你感觉有什么问题。
我并不反对 AI。我每天都在用这些工具,过去一年用它们交付的成果,比之前五年加起来还多。但我们使用它们的默认方式,只针对一件事做了优化:完成任务。而这与在跨越数十年的职业生涯中保持足够的敏锐度来驾驭它们,是完全不同的目标。
研究结论正在汇聚到同一个点
过去一年,几项研究得出了大致相同的结论。
Anthropic 在 2026 年初进行了一项随机对照试验,让工程师学习一个新的 Python 库,一半人有 AI 辅助,另一半没有。两组人完成任务的速度相同。但 AI 组在随后的理解测验中惨败:50% 对 67%,在调试题上差距更大。有趣的是 AI 组内部的分层:用 AI 提问概念性问题的工程师得分超过 65%,而直接复制粘贴生成代码的工程师得分不到 40%。决定结果的不是工具,而是使用姿态。
MIT 的《你的大脑与 ChatGPT》研究,对比了使用大语言模型、搜索引擎和纯靠大脑三组人的写作表现。脑电图测量显示,外部支持每增加一层,大脑连接性就下降一级。LLM 组的耦合度最弱。写完文章后,83% 的 LLM 用户连自己刚写的内容都引用不出一句话。研究者将此称为「认知债务」:今天节省了脑力,明天就要用批判性思维来偿还。
CHI 2026 的一项研究补充了一个相关发现:当人们在任务开始时就使用 LLM,LLM 会框定整个问题。即便后续工作都由人类独立完成,这种初始锚定也会导致可量化的更差决策。操作顺序比 AI 的总使用量更重要。
方法论各异,结论相同:在没有主动学习意图的情况下使用 AI,会悄悄侵蚀你赖以为生的技能。
工具默认为交付服务,而非为教学服务
如果你启动一个编程 Agent 并沿用默认设置,一切都只针对一个指标做了调优:完成任务。模型写代码,你接受,循环继续。工具从不会暂停下来问你「你觉得问题出在哪里?」或者「先自己写前五行试试」。
这不是什么阴谋,这是 UX 的引力。产品团队因合并的代码和缩短的周期时间而获得奖励,而不是因为让你成为更优秀的工程师。我们都想减少击键次数,所以工具把摩擦都磨平了。问题在于,摩擦恰恰是学习发生的地方。
少数公司已经开始反其道而行之。Anthropic 为 Claude 推出了「学习模式」,采用苏格拉底式提问,并在继续之前要求你先自己写代码。OpenAI 和 Google 也推出了类似功能。几乎没有人在真实的生产工作中使用它们。我们悄悄地把它们归入「给学生用的」一类,这是个错误。帮助大二学生学 React 的功能,同样适用于学 Rust 的资深工程师。你只需要愿意再次感受像个初学者的滋味。
「如果 AI 能做,我为什么还需要理解它?」
这是个合理的问题。对于某些工作,答案是:你不需要。如果是样板代码、胶水代码,或者一个你再也不会看的一次性 CI 脚本,就交给它吧。记住 YAML 语法的机会成本太高了。
但对于真正的软件,纯粹的委托在几个具体场景下会失效。
当出了问题的时候。 AI 生成的代码和人写的代码一样会崩溃。「是 Agent 写的」对你调试没有任何帮助。团队里必须有人理解架构。
当它自信地给出错误答案的时候。 大语言模型会产生幻觉。对抗一个看起来合理却错误的答案,唯一的防线是足够的专业知识来识别它。
当基础发生变化的时候。 代码是暂时的,系统是永久的。当框架升级或安全审查发现结构性问题时,你无法靠重新提示来解决。你需要工程师对系统有足够深的理解来完成迁移。
当你偏离中位数的时候。 AI 擅长解决在 GitHub 上被解决过一百万次的问题。你偏离中位数越远,它就越差。那些困难的、没有文档的问题——那些能证明资深工程师薪资合理的问题——仍然需要深刻的理解。
当市场做出调整的时候。 2022 年以来初级开发者就业率下降 20% 并非偶然。那些只能借助 AI 交付、离开 AI 就不行的工程师,正在进入一个已经在重新定价专业知识价值的劳动力市场。
如果你用 AI 来跳过学习,你是在用未来的竞争力换一个稍微轻松一点的周二。
解法在于你如何提问,而不在于你是否提问
好消息是,同样的工具既能产生认知债务,也能培养更优秀的工程师。区别在于你向它们要求什么。
先形成假设,再去提问。 在请求修复之前,先写下两三句话说明你认为问题出在哪里。用模型的答案来验证你的理论,而不是取代它。
先要解释,再要代码。 在陌生领域,你的第一个提示应该是类似「解释一下这是如何工作的,有哪些替代方案,各自的权衡是什么」。只有在掌握了概念之后,再要代码。
在超出能力范围时开启学习模式。 Claude 有,ChatGPT 有学习模式,Gemini 有引导学习。是的,感觉更慢。这正是重点所在。
把 AI 的输出当作初级工程师的 PR 来对待。 读它,批评它,向它提出质疑。你会仅仅因为测试通过就合并吗?如果不会,这里也不要。
偶尔自己手动推导一遍。 拿一段模型为你写的代码,试着从头重新实现它。这是一个校准检查,告诉你自己悄悄失去了多少。
让模型教你它刚才做了什么。 在它写完一个巧妙的函数之后,问它用了哪些概念,以及你需要读什么才能理解这个设计选择。多一个提示,就能改变你从这次会话中带走的东西。
这些都不是什么大动作,只是在你已经在用的工具里做出的小小姿态转变。
两个指标,而不是一个
我开始在每次编程会话结束时问自己一个简单的问题:今天我学到了什么,还是只是关掉了几张工单?
有时候诚实的答案是「我只是关掉了几个 issue」,这没关系。如果这个答案连续出现好几个月,认知债务就在后台悄悄积累了。
「交付」和「学习」是两个独立的指标。你的经理和你的用户只会问第一个。第二个由你自己负责。
我宁愿交付 80% 本可以交付的,同时学到 100% 需要学的,也不愿反过来。经过多年积累,这两种策略会造就截然不同的工程师。
你不必在使用 AI 和持续学习之间做出选择。但你必须选择一种两者兼顾的工作流——因为默认设置不会替你做这个选择。工具随时准备好了,就等你了。你即将委托出去的下一个无聊任务,就是一个好的起点。
原文链接:Don’t Outsource the Learning by Addy Osmani(2026年5月16日)
延伸阅读: Anthropic 的技能形成研究、MIT 的《你的大脑与 ChatGPT》(arXiv 2506.08872)、CHI 2026 关于时间压力下 LLM 使用的论文、Stack Overflow 的 AI 与 Z 世代报告,以及作者此前关于理解债务和认知投降的文章。

