AI时代的编程能力两极分化:你在哪一边?

前几天我在调试一个异步爬虫的时候，习惯性地把报错甩给了 Claude。它秒回了一段看起来挺完美的修复代码，我啪一下就粘进去了。结果呢？报错确实没了，但程序运行速度慢得像蜗牛。我盯着那段代码看了半天，愣是没发现它偷偷给我加了个全局锁。

那一刻我突然有点心虚：如果 AI 不在身边，我还能修好这个 bug 吗？

这种“技能焦虑”其实不是我一个人的。最近 Anthropic 专门做了一项研究，找了 52 名资深工程师，让他们学习一个叫 Trio 的 Python 异步库。结果非常扎心：AI 组的测验平均分只有 50%，而全靠手写的对照组拿到了 67%。

这 17% 的差距，在学术上相当于差了整整两个等级。说白了，AI 确实能帮你把活干完，但它也可能在不知不觉中把你“养废”了。

那个 17% 的鸿沟到底是怎么来的？

Anthropic 的这个实验设计得挺有意思。他们把工程师随机分成两组，一组可以用 AI，另一组只能查文档。任务是学习 Trio 库并完成一系列编程挑战。

实验结束后，大家参加了一个“闭卷考试”。结果发现，AI 组在写代码的速度上确实快了一点点，但在理解深度上被手写组甩开了几条街。

最离谱的是调试能力。手写组在遇到 bug 时，能很快定位到是哪个协程没对齐；而 AI 组的同学，很多人盯着报错信息一脸懵逼。我猜是因为他们在写代码的时候，大脑处于“半离线”状态，只负责搬运 AI 的产出，根本没去想底层的逻辑。

研究员发现，这种差距主要源于“认知努力”的缺失。手写组在被 bug 虐得死去活来的时候，大脑其实在疯狂建立知识索引。而 AI 组因为过程太顺了，大脑觉得“这题我会（AI 会）”，于是就停止了深度思考。

6 种交互模式：你是哪一种？

研究人员通过观察发现，同样是调教 AI，不同人的姿势完全不同。他们总结了 6 种模式，直接决定了你是进步还是退步。

先说那些“变废”的低分模式（平均分 < 40%）：

1. AI 委托（AI Delegation）：这是最偷懒的。直接把需求扔给 AI，生成了就跑。这种人分数最低，因为他们连代码在干嘛都不知道。
2. 渐进式依赖（Progressive Reliance）：刚开始还想自己写，写着写着遇到个坎，就彻底躺平交给 AI 了。
3. 迭代式调试（Iterative Debugging）：这种最坑。代码跑不通就喂给 AI 报错，AI 改了再跑，跑不通再喂。整个过程像是在玩“开盲盒”，速度极慢，最后啥也没学会。

再看那些“学会了”的高分模式（平均分 ≥ 65%）：

1. 生成后理解（Post-generation Understanding）：让 AI 写完，但必须逐行看懂，甚至会反问 AI：“为什么要用这个方法？”
2. 混合解释（Mixed Explanation）：要代码的同时，要求 AI 给出详细的逻辑解释。
3. 概念询问（Conceptual Inquiry）：这是最高级的。不让 AI 写代码，只问它：“Trio 里的 nursery 概念怎么理解？”然后自己动手写。这种人的分数最高，而且写代码的速度竟然也是最快的。

为什么调试能力成了重灾区？

说实话，我以前觉得 AI 找 bug 挺准的。但研究报告里提到一个细节：AI 组在调试时，往往会陷入一种“局部最优解”的陷阱。

比如 AI 建议你改个变量名修复了当前的报错，但它没告诉你这个改动会破坏整个系统的并发逻辑。手写组因为是一行行抠出来的，他们脑子里有一张完整的“逻辑地图”；而 AI 组脑子里只有一堆碎片。

这就好比你跟着导航开车，虽然能到目的地，但一旦导航断网，你连回家的路都找不着。

别让 AI 成了你的“智力拐杖”

话说回来，我们不可能退回到没有 AI 的时代。关键在于，你怎么把 AI 从“代笔”变成“助教”。

我现在的经验是，遇到新东西，先强迫自己手写 15 分钟。等真的卡住了，再去问 AI 概念，而不是直接要代码。如果非要 AI 生成代码，我也会在心里默念：这段代码现在是我的了，我必须对它的每一行负责。

其实就是那句话：Cognitive effort is important.那些让你感到痛苦、让你抓耳挠腮的时刻，才是你真正变强的时刻。

如果你发现自己最近写代码越来越顺，甚至有点“无脑”了，那可能就是变废的开始。

最后留个问题：你最近一次不靠 AI，独立解决的复杂 bug 是什么？欢迎在评论区聊聊你的“脱敏”经历。