Playbook

AI 替你写,谁替你看

AI 都能写代码了,还学编程干嘛?——可你再想一层:AI 写的那段对不对、能不能上线,谁来看?传统那条"从底层一行行刷起、靠初级活儿熬经验"的路,最大的麻烦不是基本功没用了,而是 AI 把长判断力的那几级台阶给抽走了。新学法的核心就一句:基本功照打,但 AI 当私教、不当答案机,练的重心从"写得出"挪到"看得出对不对"。

问AI Coding 时代,对于传统的 CS / AI 的培养学习路径有什么挑战?新的学习实践是怎样的?现在最好的实践是什么? 读时~30 min

路线图

从"台阶塌了"走到"一条能走的新路"

五站,从看清挑战一路走到能上手的路线——下面这张图替你把顺序摆出来,正文一站一站说。

Roadmap. 横轴从"看清挑战"走到"落地路线"。橙色那站直接回答"现在最好的实践是什么"。

塌的不是基本功,是练习和初级活儿这两级台阶

你说传统怎么学编程?——先啃数据结构、算法,刷题,做小作业;毕业进公司当初级,接些"改个 bug、加个接口、写个 CRUD"的零活儿,在这些不起眼的活儿里慢慢长出手感和判断。这条路走了几十年。现在的麻烦是:AI 一来,恰恰把最底下这两级台阶给抽了。

先看数据。2025–2026 学年,美国四年制大学计算机与信息科学的入学人数掉了 8.1%,是所有学科里跌得最狠的;CS 本身更惨,掉 11.2%,研究生跌 14%,六成以上学校都报告了下滑¹³。🟢 high 计算机这个"金饭票"专业,头一回成了六年来掉得最快的那个,《华盛顿邮报》专门发文问"CS 专业是不是要消失了,该不该怪 AI"²。

更要命的是出口端。入门级软件工程岗位同比掉了约三成,顶级公司的初级开发招聘砍了约 25%⁴。🟡 med 为什么初级岗最先消失?因为初级工程师过去干的那些活——正好是 AI 现在最擅长的那一档。雇主对应届生的招聘预期,悲观到了 2020 年以来的最低点,而他们自己把这归因于 AI 接走了原本派给初级的任务⁴。

Fig 1. 判断力站在最上面，可它原本是靠下面两级一步步踩上去的。两级一塌，断层就出来了。

所以"挑战"这个词得说准:不是 AI 会写代码了、基本功作废了。是过去帮你把基本功熬成判断力的那条传送带——入门刷题、初级零活——一头被 AI 代答、一头被 AI 接走。台阶塌了,可顶上那级(判断力)反倒比以前更紧要。

先想一下

同样是"AI 让初级工作变少",为什么这对正在学的人,比对已经工作十年的资深,杀伤大得多?先在脑子里答一句,再翻。

试着先答

资深的判断力已经在台阶还没塌时长出来了——AI 对他是放大器。可新人是踩着这些台阶往上爬的过程本身被抽掉了:没有刷题的挣扎、没有初级零活的反复试错,判断力没有生长的土壤。同一件事,对存量是杠杆,对增量是断路。这也是为什么"会用 AI"四个字,救不了一个没打过地基的新人。

记住这一节:塌的是练习和初级岗这两级台阶,不是基本功本身——而顶上那级判断力,因为没了下面的台阶,反而更稀缺、更贵。

基本功不是没用了,是权重换了一批

咱们先把一个最容易听岔的话说清楚:说"基本功更值钱",不是说"还是老一套、闷头刷题就行"。是说——值钱的那批技能,从"能写出来"换成了"能看出对不对、该不该这么写"。

这事儿 Karpathy 现身说法最有意思。他自己的活法,一个月里就翻了个面:2025 年 11 月还是八成代码自己写,到 12 月,八成都丢给 agent 了⁸。🟢 high 他甚至把自己年初造的"vibe coding"这词都给毙了,一年后在 Sequoia 台上改口叫"agentic engineering"⁸。可你别误会,他不是说人没用了。他撂下的那句判断才是重点——"agent 干得越多,瓶颈越往你脑子里挪":做什么、为什么做,你还得拿主意;它写出来的东西,你还得去审、去抓错⁸。软件从 1.0 人手写、2.0 神经网络权重,走到 3.0 你拿大白话指挥模型⁹——变的是谁动手,没变的是谁负责。

把业界这一年的说法摞起来看,涨价和跌价的技能能拉成一张清单。🟢 high

技能	AI 前的权重	现在的权重
从零手写实现	核心、天天练	降为基础素养，像会用表格¹⁰
读懂别人/AI 写的代码	中等	飙升——你大部分时间在读，不在写
判断"这段对不对、该不该这么写"	资深才谈	第一天就得练，最稀缺¹¹
调试 / 定位"为什么错了"	熟练即可	重灾区，AI 用户最弱的一项⁶
把模糊需求翻成精确规格	产品经理的事	开发的核心活，AI 替不了¹⁰
系统设计 / 架构权衡	高阶	更高阶，且无法自动化

有句话我觉得点得最准:一次性的、用完即弃的代码生成,正在变成一种谁都能上手的基础技能,跟会用 Excel 一个量级;而能长期维护、扛得住的软件开发,仍然是一门要深耕和判断的专业¹⁰。换句话说,门槛不是消失了,是挪了——从"会不会写"挪到"看不看得出门道"。资深开发者写一篇博客的标题干脆就叫《判断力,是 AI 时代最重要的那个技能》¹¹。

反证

有人会说:Karpathy 自己讲过,vibe coding 让"任何会英语的人都能指挥 AI 写软件"——这不就说明基本功被抹平了吗?⁹ 证据是真的,门槛确实降到了自然语言。但别忘了同一个人一年后亲口把 vibe coding 判了"过时",换回了强调工程判断的 agentic engineering⁸。会英语能让你启动一个 demo,但让它上线、不崩、可维护,靠的还是判断力。所以本讲稿仍然倾向"基本功更值钱"——只是值钱的那一批换了。

记住这一节:别问"还要不要打基本功",问"打哪一批"——答案是读代码、判对错、调 bug、把需求翻成规格,这四样比以前贵得多。

最大的坑:把"学习"这件事本身也外包了

知道了该练什么,接下来这一节是全篇最要紧的一个坑——也是新手最容易掉进去的:你以为你在用 AI 学,其实你在用 AI 替你免掉学。这两件事看着一样,结果差一个时代。

Anthropic 做过一个挺狠的实验:让一组人用 AI 辅助编程,另一组纯手写,事后考一张卷子。结果用 AI 那组平均分低了 17%;而且分差最大的地方,正是调试题——也就是"看出代码哪儿错了、为什么错"这种能力⁵⁶。🟢 high 完全靠 AI 生成代码的人,卷子考得尤其差。

MIT 那个用 EEG 量脑子的研究是另一类任务(写作),但指向同一个方向:用 AI 的人,前额叶——管批判性思考和记忆形成那块——活跃度明显更低⁷。🟡 med 这块我得说实话:那研究是写作不是编程,而且研究者自己也澄清了,他们量的是"当下的脑区参与度",不是脑子真的萎缩,媒体标题里"AI 让你变傻"是夸张了⁷。但"把思考的挣扎外包出去、技能就长不出来"这条机制,两个研究是对得上的。

常见错答

你以为:"我让 AI 把代码写出来,然后我读一遍,就等于学会了。" 其实不是。读一遍"已经对的答案",和自己卡住、试错、最后想通,是两种完全不同的脑力活动——前者几乎不留痕迹。真正长本事的,恰恰是你卡住的那段挣扎。把挣扎免了,知识也跟着免了。

那条分界线,一线教编程的人总结成一句话,我觉得是这篇里最该背下来的:"要 learn with AI,不要 learn from AI。"——用 AI 来帮你理解代码,你会变强;用 AI 来帮你跳过理解,你会变成它的附庸¹⁵。🟢 high 同样一个工具,姿势差一点,半年后人差一截。

记住这一节:AI 能替你免掉写代码,但你不能让它顺手把"学习"也免了——卡住的那段挣扎,正是判断力长出来的地方。

把 AI 当不知疲倦的私教,不当答案机

道理讲完了,这节落到手上:同一个 ChatGPT / Claude,怎么用才是"私教"而不是"答案机"?差别全在你怎么提问、怎么给自己留验证关。

三个把 AI 调成私教的姿势

第一,先想后问。遇到一道题,先自己写、自己卡,卡死了再问 AI——而且别问"帮我写出来",问"我这么想哪儿不对""给我一个提示别给答案"。第二,让它当陪练不当代笔:把你写的代码贴给它,让它挑刺、问你"这里边界情况想过没",而不是让它重写。第三,逼它讲为什么:它给的每段代码,追问一句"这一步为什么这么写、不这么写会怎样",把它的答案当成可以反驳的对象,不是圣旨。一线建议把每条 AI 输出都当成"大概率对,用前先验证"——查文档、跑测试,这个验证过程本身就是学习¹⁵。🟢 high

大学里也是这么应对的。CMU 干脆开了门新课叫《Effective Coding with AI》(和 AI 一起高效写代码),不禁 AI,而是讲清楚它哪儿帮得上、哪儿帮倒忙,让学生自己拿捏¹²。🟢 high 同时他们把基础课改了:加重小测的分量、课堂上当场重写作业、翻转课堂演示解题过程,关键是——留一道"无 AI 的关卡"。研究证实,只要在最后用"不许用 AI 的小测"来验证理解,平时允许 AI 辅助练习并不会削弱掌握度¹³。🟢 high 这套"平时放开练、关键处闭卷验"的设计,自学的人完全可以照搬。

你来补

你想用 AI 学一个新框架(比如 React)。下面这个自学闭环,关键一步留空了,你来补——补上它,这套学法才算闭合:

① 让 AI 讲清楚核心概念 → ② 跟着写一个小功能、卡住就问提示(不要答案) → ③ ? → ④ 把不熟的点记下来,隔几天重来一遍。

对答案

第 ③ 步:关掉 AI,凭记忆把这个小功能重写一遍(或做一道相关的闭卷小测)。 为什么是它最关键?因为前两步你都有 AI 兜底,真正检验"是不是自己会了"的,只有这道无 AI 的关卡——这正是 CMU 和那项研究里"闭卷小测"起的作用¹³。少了第 ③ 步,你只是"看懂了",没"学会"。

记住这一节:私教和答案机用的是同一个 AI,区别只在于——你有没有给自己留一道"关掉 AI 也能过"的关卡。

一条 2026 你今天就能走的学习路线

把前面四节摞起来,落成一条具体的路。它不玄,核心就是:地基不许跳,但每一层都配一道"无 AI 验证关",越往上越偏判断力。

四层,按顺序爬

地基层(别让 AI 碰):数据结构、算法、一门语言的核心、Git、命令行、一点点计算机系统。这一层刻意手写、刻意卡,AI 只用来"讲明白概念",不用来"写出答案"。地基是后面所有判断力的锚——Simon Willison 也说,真正让 AI 工具用得顺的,恰恰是那二十几年攒下的底子¹⁴。🟡 med
项目层(放开用 AI,但你主导):开始用 AI 高速做真东西——但你定架构、你拆任务、你审每一段。把 AI 当"已经熟悉这套代码的聪明同事",告诉它做什么、为什么,让它去想怎么做¹⁴。Willison 自己就靠提示 LLM 攒了 80 多个小工具,边做边学,一周加好几个¹⁴。🟢 high 数量在这一层很重要:做得多,手感和判断才上得来。
判断层(刻意练,这是新稀缺):专门练 code review 和调试。每天读 AI 写的代码,逼自己问一句"这儿会不会有边界 bug、有没有安全坑、跟系统别处冲不冲"——这种架构层面的审查,新手最爱跳过,老手最当回事¹⁰。说白了,AI 让你跑得快,可提得越快、翻车也越响:底下没有审查的习惯垫着,那点速度全得还回去⁴。🟡 med
规格层(把模糊翻成精确):练"把一个含糊的业务需求,翻译成 AI 能准确执行的精确规格"。这座连接业务和技术的桥,是现在最值钱的活,也最替不掉¹⁰。

举个具体的

同一个应届生,两种活法。甲:简历上写"精通 AI 编程",但只会让 Cursor 一把梭,代码一报错就抓瞎。乙:GitHub 上挂着五六个自己主导、AI 协作做出来的真项目,能讲清每个架构为什么这么定、踩过哪些坑。2025 年的数据里,三个月内拿到 offer 的 CS 学生,78% 有过硬的 GitHub 作品集 / 实习 / 专项认证之一;只靠一纸学位的,这个比例只有 31%¹。🟡 med 甲乙的差,不在用不用 AI,在判断力有没有作品撑着。

记住这一节:地基手写打牢、项目放量做真、判断刻意练 review、规格练翻译——四层顺序不能倒,每层都留一道无 AI 验证关。

综合判断

所以,到底该怎么学

回到你最初那三问,我挨个给你短答案。挑战是什么?——不是基本功作废了。是 AI 把"刷题入门"和"初级零活"这两级台阶抽走了,新人没了那条把基本功熬成判断力的传送带。CS 入学和初级招聘一块儿跳水,就是这么来的¹⁴。新实践是啥?——一句话,把 AI 从答案机调成私教:先自己想、卡住再问提示,让它当陪练、逼它讲为什么,关键处永远留一道"关掉 AI 也能过"的关卡¹³¹⁵。那现在最好的实践呢?——四层,按顺序爬:地基自己手写、项目放开量做、判断天天练 review、需求练着翻成规格。越往上越靠判断力——而判断力,正是这年头最贵、AI 最替不掉的那样东西¹⁰¹¹。

一句话收口:AI 替你写,但谁替你看?——把自己练成那个"看得出对不对"的人,这条路在 AI 时代不仅没断,反而比以前更值钱。 什么时候这套不成立?如果将来 AI 强到连"判断对错"也稳稳替你做了(目前还远没到,它的智能仍是"参差不齐"的),那这套就得重写——但到那天,要重新学的就不止是程序员了。

关键不确定性

这几处我说实话也没全把握

就业数据会不会反弹。初级岗 -30%、招聘 -25% 这些是 2025–2026 的快照⁴,经济周期和 AI 落地节奏都在变,几年后是继续恶化还是触底回升,我不敢打包票。
"卡住的挣扎"到底有多关键,量级存疑。Anthropic 的 17% 和 MIT 的 EEG 指向一致⁶⁷,但都是较短期、特定任务的研究;"长期、真实学习里到底掉多少",还没有特别硬的纵向证据。方向我信,精确数字别太当真。
四层路线的"顺序"有多刚性。这是综合业界共识 + 我自己的判断,不是哪个对照实验跑出来的最优解¹⁰¹⁴。有人地基没打完就靠项目反推也成了——因人而异,别当成铁律。

自测

读完盖住,试着答这几题

本文说传统学习路径"塌了",塌的具体是哪两级台阶?为什么这对新人比对资深杀伤更大?

试着先答
塌的是"入门练习"(被 AI 代答)和"初级岗位零活"(被 AI 接走)这两级,不是基本功本身。对新人杀伤更大,是因为判断力本来要踩着这两级才长得出来;资深的判断力在台阶塌之前已经长成,AI 对他是杠杆,对新人是断路。
"learn with AI" 和 "learn from AI" 差在哪?用一句话说清。

试着先答
with 是用 AI 帮你理解(它当私教,你保留思考的挣扎),from 是用 AI 帮你跳过理解(它当答案机,你把学习也外包了)。前者变强,后者变附庸。
应用题:你妹妹大一,想"反正 AI 能写,我直接学 Cursor 一把梭就行,数据结构太枯燥跳过"。用本文框架,给她一句最关键的劝。

试着先答
关键劝:地基(数据结构/算法/调试)恰恰是唯一不能让 AI 碰、得自己手写打牢的一层——因为判断力(看出 AI 写得对不对)全靠它当锚。跳过地基,你就只会"启动 demo",一报错就抓瞎,而"看出对错"才是 AI 时代最值钱、招聘最认的能力。可以用 AI,但顺序不能倒、地基不能跳。

把这几题截图，过两三天再凭记忆答一遍 —— 记得住才算真学会。

引用

Sources

Built In — Computer Science Degrees Are Losing Popularity in the AI Era(含 Handshake 作品集 vs 学位数据) — https://builtin.com/articles/computer-science-degree-decline-ai
The Washington Post — Computer science majors are disappearing. Is AI to blame? — https://www.washingtonpost.com/technology/2026/04/13/computer-science-major-ai/
Yahoo Finance — CS was once a 'golden ticket', now the biggest enrollment drop in 6 years(National Student Clearinghouse 数据) — https://finance.yahoo.com/sectors/technology/articles/computer-science-once-golden-ticket-140500823.html
IEEE Spectrum — AI Shifts Expectations for Entry Level Jobs — https://spectrum.ieee.org/ai-effect-entry-level-jobs
Anthropic — How AI assistance impacts the formation of coding skills(一手研究) — https://www.anthropic.com/research/AI-assistance-coding-skills
InfoQ — Anthropic Study: AI Coding Assistance Reduces Developer Skill Mastery by 17%(调试题差距最大) — https://www.infoq.com/news/2026/02/ai-coding-skill-formation/
The Conversation — MIT researchers say using ChatGPT can rot your brain. The truth is more complicated(EEG 研究 + 澄清) — https://theconversation.com/mit-researchers-say-using-chatgpt-can-rot-your-brain-the-truth-is-a-little-more-complicated-259450
Analytics Drift — Karpathy Declares Vibe Coding Obsolete, Introduces Agentic Engineering at Sequoia AI Ascent 2026 — https://analyticsdrift.com/andrej-karpathy-agentic-engineering-software-3/
Latent Space — Andrej Karpathy on Software 3.0: Software in the Age of AI — https://www.latent.space/p/s3
SoftwareSeni — The Four Essential Skills Every Developer Needs in the AI Era(disposable vs durable code) — https://www.softwareseni.com/the-four-essential-skills-every-developer-needs-in-the-ai-era-...
Jim Grey — Judgment is the skill that matters most in the AI era — https://dev.jimgrey.net/2026/05/27/judgment-is-the-skill-that-matters-most-in-the-ai-era/
CMU 15-113 — Effective Coding with AI(课程主页) — https://www.cs.cmu.edu/~113/
The Tartan (CMU) — AI's impact on education at CMU and beyond(基础课改革 + 闭卷小测) — https://the-tartan.org/2026/02/09/ais-impact-on-education-at-cmu-and-beyond/
Simon Willison — How I use LLMs to help me write code(把 agent 当熟悉代码的同事 / simonw/tools) — https://simonw.substack.com/p/how-i-use-llms-to-help-me-write-code
freeCodeCamp — How to Become an Expert in AI-Assisted Coding(learn with AI, not from AI / 验证习惯) — https://www.freecodecamp.org/news/how-to-become-an-expert-in-ai-assisted-coding-a-handbook-for-developers/