AI-translated from English; not yet reviewed by a fluent editor.

# AI 能写代码，谁来学会修复它？

> 编码任务可能已经完成，作者却还不理解整个系统。两项实验引出了一个务实问题：团队如何让初级开发者学会解释、诊断并调整 AI 辅助完成的工作？

By BIG CHANGE Editorial

Published: 2026-09-22T16:40:55.934Z
Updated: 2026-09-22T16:40:55.934Z
Canonical: https://bigchange.ai/blog/ai-coding-skills-learning-apprenticeship

![An automated arm assembles abstract interlocking modules while a junior developer studies orange pathways inside an opened module.](https://bigchange.ai/api/media/file/ai-coding-learning-apprenticeship-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Automation can deliver a finished implementation before a newcomer has traced how it works. This conceptual scene represents the need to build understanding alongside AI-assisted output; it is not a product interface, study result or forecast of inevitable deskilling.

一名初级开发者可以请 AI 助手使用一个自己不熟悉的库，获得可运行的代码，然后继续做下一件事。功能可能已经就绪，开发者却还不明白它为何奏效。等到代码出错、需求变化，或有人需要判断助手给出的修复是否安全时，这一点就很重要。

软件工程师 Alexandru Nedelcu 在一篇[9 月 22 日发表的文章](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)中提出了这项担忧。他认为，开发者通过阅读代码、作出选择并承担错误后果来培养判断力。他预测一些公司会公开宣布反对使用 AI 的政策；这只是观点，并非已经观察到的行业转变。另一项在 1 月发表的实验则把学习问题收窄成一个可检验的问题：程序员借助 AI 完成任务后，立即理解了什么？[Anthropic 的研究介绍](https://www.anthropic.com/research/AI-assistance-coding-skills)

## 重大变化

- **变化内容：**AI 让人更容易提交已经完成的软件，却没有亲自推演其中的逻辑。新人还没练习过解释或修复代码所需的判断，AI 就可能先给出实现方案。
- **为何重要：**管理者今天或许能获得更多产出，却可能削弱初级员工成长为明天能诊断故障的开发者所需的路径。任务涉及陌生概念时，这种风险最突出；在熟悉的工作中，AI 帮助仍可能很有价值。
- **关注事项：**团队或许会开始把学习视为交付的一部分，专门留出时间来解释、诊断和调整 AI 辅助完成的工作。如果这样做，招聘考核和编程产品就可能在速度之外，也重视可展示的理解能力。

## 完成一项任务与学会一项技能，是两种不同的结果

在[一项针对 52 名程序员的随机对照研究](https://arxiv.org/abs/2601.20245)中，参与者使用一个名为 Trio、此前不熟悉的 Python 库完成两项编码任务。一半人在编码环境中可以使用 AI 助手，另一半则不能。他们事先知道随后会有测验。测验在任务完成后不久进行，考查概念理解、代码阅读和调试能力。

AI 组平均得分为 50%，而未使用 AI 的组为 67%，相差 17 个百分点，并非相对下降 17%。差距最大的是调试题。AI 组平均快约两分钟完成任务，但这一时间差在统计上并不显著。这些结果来自参与者短暂接触一个库并立即接受测试，并不衡量开发者的职业发展或生产系统的质量。[研究人员的结果与局限](https://www.anthropic.com/research/AI-assistance-coding-skills)

研究人员还观察了参与者如何使用助手。有些人基本把代码编写和调试都交给助手；另一些人则会要求解释或亲自推敲概念。参与更深入的模式往往得分更高，但这些小组是在事后划分的。随机分配的是能否使用 AI，而不是具体与 AI 对话的方式。要求 AI 解释可能有助于学习者，但这项研究无法证明某种提示或工作流程能避免学习差距。[论文中的交互分析](https://arxiv.org/html/2601.20245v2)

出错往往正是新人了解一个库有哪些预设的时刻。如果助手包办了最初的实现和修复，开发者接触这些预设的机会可能就会减少。这是调试能力差距的一种可能解释。

## 速度仍然重要，任务不同，答案也不同

在其他条件下，AI 辅助也能提升编码速度。在[一项受控的 GitHub Copilot 实验](https://arxiv.org/abs/2302.06590)中，95 名专业自由职业者被分配去构建一个 JavaScript HTTP 服务器。在完成任务的人中，Copilot 组平均约用 71 分钟，而对照组约用 161 分钟，完成时间缩短了 55.8%。研究人员没有测试这些程序员之后学到了什么。任务是一个范围明确的实现工作，并非先学习一个陌生库、再参加理解测验。

这两项研究发现对管理者都可能有用。如果有经验的开发者用 AI 清理重复工作，节省的时间可能是真实的。如果工作目标是学习一个新系统，那么就应分别检验产出速度和理解程度。一刀切地禁止 AI 会放弃潜在收益，却仍未回答人们该如何学会监督这类工作。

Nedelcu 的文章比这项实验提出了更进一步的观点。他认为，可维护性要经过数月或数年才会显现，而经验来自对错误负责。该研究没有衡量长期可维护性，也没有证明 AI 使用者会完全停止学习。他提出的有价值问题在于组织如何安排工作：如果团队越来越多地把练习机会交给 AI，未来的故障排查者又将从哪里获得实践？[Nedelcu 的文章](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)

## 让学习者在代码运行后证明自己学到了什么

一种实际做法是，先给新人一项 AI 辅助完成的任务，然后在把它视为学习成功之前，要求其独立进行一次简短检验。这是我们提出的练习，并非任何一项研究验证过的干预措施：

1. **解释：**不询问助手，说明代码中陌生的部分为何有效、依赖哪些假设，以及什么情况会导致失败。资深工程师可以根据这次实际改动追问一个问题。
2. **诊断：**在安全的测试分支中引入一个小而现实的故障。让学习者找到原因，并说出哪条观察结果排除了一个看似合理但错误的修复方案。重点是推理，而不是记住一条命令。
3. **调整：**改变一项需求，再让学习者修改实现和测试。他们可以使用 AI，但应能说明新行为为何合理，并指出还有哪些内容需要验证。

例如，助手写出一个新的异步操作后，审核者可以问：如果操作中途被取消，会发生什么？开发者应能追踪执行路径，并针对变化后的需求进行测试。代码审查可能发现缺陷，却仍未让学习者具备应对下一个问题的能力。这项建议检验的是：知识是否与交付的代码一同传递。

这不必把每张日常工单都变成考试。团队可以只在使用陌生库、遇到反复出现的故障，或初级同事以后需要负责的工作中安排这项练习。它需要带薪时间，也需要熟悉系统的审核者。如果管理层只统计合并的任务数和节省的时间，这些成本可能最先被削减。即使今天的产出有所上升，这样做也会让培训问题更难解决。

## 学徒培养问题也延伸到招聘和产品设计

初级岗位往往兼有交付任务和受监督的实践机会。当候选人可以展示出色的成品功能，却不必展示自己的推理过程时，AI 就改变了这种安排。雇主可以请候选人解释并修改一小段工作，而不是把精致的代码仓库当成其独立技能的证明。这是建议采取的招聘方式，并非当前招聘趋势的证据。考核应检验岗位真正需要的能力，而不是要求所有申请者都在不使用工具的情况下工作。

编码产品也面临相关选择。助手可以优化快速给出答案，也可以让用户更容易检查假设、提出概念问题，并在看到解决方案前尝试改动。研究中观察到的交互模式说明，值得尝试第二种设计，但并未证明某种特定界面更有教学效果。对雇主而言，相应的采购问题是：工具能否帮助员工学会审查并修改其输出，而不只是看它能生成多少代码。

短测验无法告诉我们谁会在五年后成为专家，但它确实表明，在陌生任务中，代码被接受并不能替代理解能力的证据。既想要自动化、又希望下一代具备能力的团队，需要为实践留出空间，并检验当答案变化时，人们能做些什么。

## Sources

- [Alexandru Nedelcu：AI 没有智慧，你也不会有](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you) — Nedelcu 的文章认为，工程判断力是在阅读、作出决定并承担错误后果的过程中形成的。关于可维护性的主张以及反对 AI 政策的预测属于观点，而非经过测量的结果。
- [Anthropic：AI 辅助如何影响编码技能的形成](https://www.anthropic.com/research/AI-assistance-coding-skills) — 研究人员介绍了针对 52 人的 Trio 随机实验：即时测验中 AI 组得分为 50%，对照组为 67%，相差 17 个百分点；完成时间的小幅差异不显著。交互模式属于观察性发现，研究也未衡量长期职业发展。
- [Shen 与 Tamkin：AI 如何影响技能形成](https://arxiv.org/abs/2601.20245) — 研究论文提供了任务、参与者、随机分组和评估细节。2 月修订版纠正了表格中的笔误。本文据此将因果结论限定为“能否使用 AI”对即时理解的影响，而不把它扩展为已被证明有效的提示方法。
- [Peng 等人：AI 对开发者生产力的影响](https://arxiv.org/abs/2302.06590) — 在另一项受控 Copilot 研究中，使用 AI 的专业自由职业者更快完成了 JavaScript 服务器实现任务；55.8% 的时间缩短比例针对完成任务的参与者。该研究没有测试学习情况，任务也不同于使用 Trio 完成的陌生库练习。