随着生成式人工智能（AI）深度融入软件工程领域，开发者在获取生产力增益的同时，其核心技能的习得正面临系统性挑战。Anthropic发布的最新研究报告《人工智能辅助如何影响编程技能的形成》（How AI assistance impacts the formation of coding skills）（https://arxiv.org/abs/2601.20245）指出，过度依赖AI会导致初学者在概念理解、代码阅读及调试能力方面出现显著退化。
一、 核心实验设计与产出悖论
该研究通过对52名软件工程师（主要为初级工程师）开展随机对照实验，观察他们在习得新型异步编程库（Python Trio）时的表现。实验将参与者分为AI辅助组与对照组，重点考察任务完成效率与技能掌握程度。
实验发现了一个显著的生产力悖论：在处理涉及新知识的学习型任务时，AI辅助并未带来预期的显著效率提升。虽然AI辅助组平均完成速度略快，但在统计学上并不显著。与之形成鲜明对比的是，AI辅助组在随后的技能掌握测试中得分较对照组低17%（相当于两个等级的差距）。这表明，在学习新技能阶段，AI的介入可能成为一种“成长的陷阱”。
二、 认知卸载与技能“空心化”风险
研究指出，AI对技能形成的负面影响主要源于“认知卸载（Cognitive Offloading）”现象。
- 调试能力的严重缺失：在所有测试维度中，调试（Debugging）能力的差距最为显著。对照组在独立解决错误的过程中深化了对底层逻辑的理解，而AI组由于通过AI直接修复错误，丧失了必要的逻辑磨炼。
- 概念理解的浅表化：AI生成的代码往往掩盖了库的复杂性，导致用户在未经深度思考的情况下完成任务，进而影响了对复杂系统设计模式的把握。
- 监督效能的下降：在网络安全和高风险应用场景中，人类工程师必须具备验证AI生成内容的能力。若技能形成阶段被AI“截断”，人类将失去识别AI幻觉和逻辑漏洞的基础能力，导致监督失效。
三、 AI交互模式的异质性分析
研究通过质性分析识别出六种AI交互模式，将其划分为“低分模式”与“高分模式”，这对企业人才培养具有重要参考价值：
- AI委派（AI Delegation）：完全依赖AI编写代码，虽速度最快，但几乎无技能留存。
- 渐进式依赖（Progressive AI Reliance）：从询问开始，最终滑向完全委派。
- 迭代式AI调试（Iterative AI Debugging）：利用AI反复盲目修补错误，而非理解错误根源。
- 生成后理解（Generation-then-Comprehension）：生成代码后，通过追加询问AI来理解其背后的逻辑。
- 混合代码-解释（Hybrid Code-Explanation）：要求AI在生成代码的同时提供详尽解释。
- 概念性咨询（Conceptual Inquiry）：这是最推荐的模式。用户仅向AI咨询概念，随后独立完成编码。这种模式在保证较高技能留存的同时，效率也位居前列。
四、 结论研判与建议
基于 Anthropic 的研究，可以看出 AI 对编程技能的影响并非简单的替代关系，而是对人类认知参与度提出了更高要求。
1. 强化“认知参与”的人才培养机制： 企业和教育机构应意识到，AI增强的生产力不应作为通往胜任能力的捷径。应鼓励初级开发者在使用AI时采用“概念性咨询”模式，通过主动增加认知负荷来防止技能萎缩。
2. 警惕高安全领域的AI依赖风险： 在关键信息基础设施和安全敏感行业，必须 审慎引入 Agent（智能体）类自动编程工具。这类工具会进一步减少了人类的参与度，其对开发者监督技能的破坏可能导致不可预计的安全风险。
3. 推动“学习友好型”AI产品的开发： 建议AI研发机构优化产品设计，内置“学习模式”或“解释优先模式”，引导用户从单纯的代码获取者转变为知识理解者。
AI辅助开发工具在提供短期产出效率的同时，可能损害长期的人才梯队建设和系统的安全性。我国在推进AI赋能软件产业进程中，应高度关注软件工程师技能形成的可持续性，确保技术进步与软件开发人才专业素养的同步演进。
