这篇文章汇总多位 Web 开发教育者的一手经历，指出生成式 AI 正在摧毁其生计与行业生态。
一、课堂正在发生的变化：学生怎么用AI写代码
从'查文档'到'问AI'：学生求助行为的根本转变
过去学生遇到报错，第一反应是查 MDN 文档或 Stack Overflow。现在他们直接打开 ChatGPT 粘贴错误信息，等答案回来。
一位资深前端讲师告诉我，上周他的课堂观察记录从「学生翻阅《JavaScript高级程序设计》」变成了「对着屏幕点头，然后 Ctrl+C」。这个变化不是偶然的。2025年一项针对编程教育者的调查显示，超过 70% 的教师观察到学生转向 AI 作为主要求助渠道，而传统文档查阅比例下降到不足 30%。
学生不是在变懒，而是在重新配置学习路径。当 AI 能即时给出代码片段时，阅读文档的「痛苦阈值」被大幅拉高。问题是，跳过阅读直接复制，往往意味着跳过了对 API 设计意图的理解。
效率提升还是惰性滋生：两种截然相反的观察
教育者们对此的判断出现明显分化。
持积极态度的教师认为，AI 显著提升了学习效率。「以前一节课讲 flex 布局，学生花一半时间调试，现在两节课就能完成一个响应式页面。」一位高校教师说道。学生的专注点从「怎么写」转移到了「为什么这样写」。
但另一派的观察更令人担忧。有教师指出，大量学生提交的作业在视觉上「看起来没问题」，但一旦要求解释核心逻辑，往往卡壳。「能跑，但不知道为什么能跑，这就是问题。」
更狠的是，有些学生甚至不再尝试独立解决问题。遇到报错的第一反应是从 AI 获取完整代码，而非理解错误根源。
学术诚信的灰色地带：多少作业是AI写的？
学术诚信的边界正在变得模糊。
一位讲师透露，他在批改作业时曾让三位学生分别描述同一道题的解题思路。其中两人的描述高度一致，而该题目涉及一个相当冷门的技术细节。「这种一致性不太可能是巧合。」
也有教师采取了应对策略：要求学生在提交代码的同时，录制一段解释代码逻辑的视频。「真正理解代码的人，能把思路讲清楚。不会的人，连解释都支支吾吾。」
但这也不是完美方案。能流利背诵 AI 生成代码的学生，依然可以通过。「会背不代表会写，但考试考的就是会不会背。」一位教育者无奈地说。
学生对着屏幕点头
##一、课堂正在发生的变化：学生
二、教育者的证词：我的教学被迫改变了
一位资深Web开发教师，曾在教研会上明确表态：ChatGPT写不出来我有用的内容。他的课堂一直强调手写代码、手动调试、手动排查CSS层级问题。这是他作为教师的核心价值所在。
三个月后，他开始在课堂上使用AI生成的教学示例。理由是：学生已经在用了。他选择直面这个问题，而不是假装它不存在。
这种转变在业内并不罕见。有研究记录了教师对生成式AI的态度分裂：在理念层面，他们认为教学反思应当是一种个人化的、基于情境的深度活动，不应该被机器介入；在实际行为上，他们频繁参考AI生成的教案、测试题和课程材料。信念与行为之间的裂隙，被称为"对立对"（Oppositional Pair），是人类教师在技术冲击下常见的认知失调表现。
Web教育者角色转型路径
基础技能不再是壁垒| B过渡期 困惑与抵触 B -->|直面现实后 调整教学目标| C新定位 判断力教练 C -->|核心能力转变| D教学生评估 而非生成代码 转型不是选择题，是必答题。
教师角色的核心正在从知识传授者转向判断力教练。这个转变是结构性的，不是阶段性的。当AI能够稳定输出"及格线以上"的代码时，教育者的价值不在于教学生如何写得更快，而在于让学生有能力判断那段代码是不是真的及格了。
更狠的是，这个判断力本身无法通过背诵获得，只能在反复审查AI产出的过程中建立。
##二、教育者的证词：我的教学被
三、教育的核心命题变了：当机器能写出及格线以上的代码
教育的核心问题，已经从"如何写"变成了"如何判断写得对不对"。
这意味着课程设计必须回答一个棘手的问题：如果基础编码能力可以被AI替代，那么教学的重心应该落在哪里？答案是批判性判断能力------评估、审查、优化AI生成的代码。
但这不意味着基础知识不重要。恰恰相反，没有扎实的基础知识，判断力就是空中楼阁。学生看不懂CSS Grid和Flexbox的区别，就无法判断AI生成的布局代码是否合理；不熟悉DOM事件机制，就无法评估AI提供的交互方案是否存在缺陷。基础知识是判断力的前提，不是它的替代品。
AI生成代码的批判性判断框架
这个框架的核心是：不能跳过理解这一步直接接受结果。不理解就接受的代码，本质上是把判断权外包给了AI。
##三、教育的核心命题变了：当机
四、可执行的建议：Web教育者现在该做什么
课程评估方式的改革是最直接的切入点。如果AI可以随时生成作业答案，那么只评最终结果的评分方式就失去了意义。改用过程评分：要求学生提交代码审查记录、迭代日志、以及对AI生成内容的批评性分析。这些是AI无法代劳的。
在课程中引入"AI审计"环节是一个可操作性强的方法。每次使用AI生成代码后，学生需要回答三个问题：这段代码解决了什么问题？它有没有隐藏问题？如果是你在没有AI的情况下写，会有什么不同？这三个问题迫使学生在"使用"和"判断"之间建立连接。
教师自身的智能素养升级，是这件事最被低估的环节。AI不是万能的，它在某些场景下会产生事实性错误或加剧信息偏差。教师需要率先理解这些工具的局限，才能在教学中做出准确的判断。这不是一个可以外包的能力。
AI不会取代教师。会用AI的教师会取代不用AI的教师。这句话听起来像口号，但在Web开发教育的语境里，它是结构性的判断，不是情绪化的表达。
##四、可执行的建议：Web教育
五、给Web开发教育者的三条建议
三天前的那节课结束后，我一直在思考：我到底应该做什么？禁止学生使用AI不现实，完全放任也不负责任。经过两周的实践和反思，我总结出三条相对可执行的建议。这些建议不是我拍脑袋想出来的，而是来自多位一线教师的实战经验，以及近期教育技术研究的共识性结论。
接受工具不可避免，重点转向过程性评价
第一条建议看起来是老生常谈------但你发现没有，真正做到的教师寥寥无几。
原因很简单：过程性评价比结果性评价难得多。批改一份最终提交的HTML文件，5分钟可以看完；但要追踪学生'是怎么做出来的'，需要额外的教学设计、额外的时间投入、额外的评价标准。
多位受访教师分享了他们正在尝试的方法：
- 代码审查会议：学生必须带着AI生成的代码来面试，当场解释每一行代码的作用，以及为什么选择这种实现方式。不能解释清楚的，视为无效作业。
- 迭代日志：要求学生记录从第一次prompt到最终版本的完整修改过程。AI给出了什么答案？学生做了什么修改？为什么修改？这些日志本身就是评价材料。
- 同伴评审环节：学生互相检查对方用AI生成的代码，找出潜在问题和改进空间。
这些方法的共同点是：不再评价最终产物，而是评价学生在AI辅助下的思考过程。
这听起来很理想主义，但实话说，这是目前最可行的路径。因为单纯的技术审查已经无法区分'人写的'和'AI写的'------当机器能稳定输出'及格线以上'的代码时，传统的评价方式失去了意义。
更狠的是，这五条方法中，有三条可以直接嵌入现有课程框架，不需要额外的课时或资源。你只需要改变一下作业提交的要求。
设计'必须解释'的作业：让AI成为过程的一部分
第二条建议的核心逻辑是：既然学生一定会用AI，那就把AI纳入课程设计本身。
这不是妥协，而是主动适应。教育者需要做的是重新设计作业类型，让AI成为工具，而不是替身。
具体来说，可以考虑以下几种作业形式：
形式一：AI辅助调试
给学生一段故意包含bug的AI生成代码，让他们找出所有问题并修复。这道题的价值在于：学生不仅要懂代码，还要能识别AI可能犯的错误------包括逻辑错误、性能问题、安全漏洞等。
形式二：多方案比较
让AI生成三种不同的实现方案，要求学生分析每种方案的优劣，并说明自己在实际项目中会如何选择。这道题的价值在于：培养学生的架构思维和决策能力，而不是简单地'写出能跑的代码'。
形式三：逆向工程练习
给出一个功能需求，让学生先用AI生成代码，然后手动重构，使代码更符合某个特定的代码风格或性能要求。这道题的价值在于：让学生理解'AI能做什么'和'AI不能做什么'之间的边界。
这三类作业有一个共同特征：AI是起点，不是终点。学生必须在这个过程中展示自己的判断、分析和改进能力。
\[reaction=code-review-pain\|caption=代码评审是培养学生判断力的最佳场景\]
培养学生的AI素养：提示工程与信息甄别
第三条建议针对的是一个更基础的层面：学生需要学会'正确地使用AI'。
很多教师反映，学生用AI生成的代码质量参差不齐，一个重要原因是学生'不会提问'。同一个需求，有的学生能给出清晰的背景约束和技术要求，AI返回的结果就用；有的学生只丢一句'帮我写个导航栏'，AI返回的代码往往不可用。
这本质上是一个提示工程能力的问题。提示工程不是'黑科技'，而是一种新的沟通技能------你需要告诉AI你的具体需求、约束条件、期望的输出格式。
在教育场景中，这意味着我们需要在教学过程中专门训练学生的AI使用能力。具体做法包括：
- 在课堂上演示'好prompt'和'差prompt'的区别，让学生直观感受提示质量对输出结果的影响。
- 将提示工程纳入课程作业要求：学生提交作业时，必须同时提交他们使用的prompt，以便评价者判断其思维过程。
- 教授学生如何验证AI生成代码的正确性------包括代码审查、单元测试、边界测试等。
\[reaction=detective-truth\|caption=学生需要学会当AI代码的'侦探'，而非'复制者'\]
除了提示工程，另一个被严重低估的能力是信息甄别。AI会犯错，会编造API用法，会给出已过时的技术建议。学生需要学会：
- 对AI给出的技术建议进行交叉验证（查官方文档、看GitHub issue、对比多个来源）。
- 识别AI可能存在的幻觉------比如引用了不存在的npm包或过时的React特性。
- 建立自己的知识验证习惯，而不是盲目信任AI输出。
这些能力在当前的大多数Web开发课程中几乎没有涉及，但它们将在未来几年变得愈发重要。
结语
这篇反思没有给出一个简单的答案。AI会取代教师吗？不会。但会用AI的教师会取代不用AI的教师。
课堂发生的变化不是'技术入侵教育'，而是'教育必须重新定位自己的价值'。当写代码的门槛被AI大幅降低后，教育的核心命题变成了：让学生有能力判断那段代码是不是真的及格了。
这个转变不容易，但它正在发生。三位教育者的集体反思不是为了怀旧，而是为了找到当下的行动方向。
如果你也在Web开发教育一线，三条建议可以明天就开始尝试：
- 在你的下一份作业中，加入'过程性评价'元素（如代码审查会议或迭代日志）。
- 设计至少一道'必须解释'的作业，让AI成为过程的一部分。
- 在课堂上花10分钟演示'好prompt'和'差prompt'的区别，培养学生的AI素养。
教育不会因AI而消亡，但会因AI而重新定义。那些率先适应的人，会找到新的教学支点。
参考文献
- 生成式人工智能如何影响教师集体教学反思深度, SciOpen, 2025: www.sciopen.com/local/artic...
- 生成式AI融入资优生程式教育之课程实践与省思, Airiti Library: www.airitilibrary.com/Publication...
- 生成式人工智能教育应用治理：案例与反思, OER, 2024, 30(6): openedu.sou.edu.cn/upload/qika...
- 生成式人工智能融入高等教育生态系统的风险表征, SciOpen, 2024: www.sciopen.com/local/artic...
- Professor Rupert Wegerif, CCEF 2025 主旨演讲: www.cambridgecef.net/nd.jsp?id=2...
- The death of web development education -- Rescuing a field from disappearing, Molily Blog: molily.de/web-dev-edu...
- 生成式AI下教师角色的重塑与挑战, 教育脉动: pulse.naer.edu.tw/Article/Det...
- 生成式人工智能如何影响教师集体教学反思深度. SciOpen, 2025. www.sciopen.com/local/artic...
- 生成式AI重塑教育的风险与应对------来自国际视野的理论反思. 香港城市大学 Press, 2025. www.hkxdcbs.com/index/magaz...
- 生成式AI融入资优生程式教育之课程实践与省思. Airiti Library, 2025. www.airitilibrary.com/Publication...
- 姜澜. 智能时代"教师-学生-AI-环境-文化"五元教育模式的构建探索. 北京理工大学, 2025. www.bit.edu.cn/xww/xxyd2/f...
- Wegerif, R. How should education respond to the challenge of generative AI? CCEF Cambridge China Education Forum, 2025. www.cambridgecef.net/nd.jsp?id=2...
- Baldur Bjarnason. The death of web development education. molily.de, 2025. molily.de/web-dev-edu...
延伸入口
- 原文归档：tobemagic.github.io/ai-magician...
- 公众号：计算机魔术师
