前几天我遇到一件很小的事:需要写一个防抖函数,手已经放在键盘上,却一时想不起 clearTimeout 该放在哪一行。我愣了几秒,最后还是打开了 AI 对话框。
这件事本身不大,但让我有点不安。这个函数我写过几十遍,过去闭着眼睛就能敲出来。是什么时候开始,它变成了"需要问一下"的东西?
先说结论
AI 变强,和我们变弱,并不矛盾,两件事其实是同一件事的两面:AI 替我们做的事越多,我们自己练习的机会就越少。
编程能力是练出来的,不是"看会"的。AI 把"练习"这一步悄悄拿走了,剩下的只是"验收"。
能力是怎么悄悄流失的
1. 少了从零写起的过程
以前遇到一个需求,我们要自己拆解问题、查资料、试错、调试,最后写出来。这个过程很慢,但每一步都在建立"问题 → 方案"的连接。
现在是:描述需求 → 得到代码 → 看起来没问题 → 提交。中间最有价值的"思考和试错"被跳过了。就像看别人做菜的视频,看得再多,自己下厨还是会手忙脚乱。
2. 把"看懂"误当成"会了"
AI 给出的代码通常写得很漂亮,读起来很顺。于是我们产生一种错觉:我都看懂了,所以我会了。
但读得懂 和写得出是两种完全不同的能力。读懂只需要识别,写出来需要从空白里生成。一个人能看懂一篇英文文章,不代表他能写出同样质量的文章。
3. 失去了"卡住"的体验
遇到 Bug 时,以前会卡很久:打日志、下断点、猜原因、验证。这种卡住的痛苦,恰恰是在训练定位问题的能力。
现在我们习惯把报错直接丢给 AI,几秒钟就有答案。问题是解决了,但"为什么会这样"的理解并没有建立起来,下次遇到类似问题,还是只能再问一次。
4. 记忆和手感在退化
API 的拼写、常用写法的细节、某个工具的参数,这些原本靠反复使用形成的"肌肉记忆",因为随时可以问,就不再需要记住。
这在日常看来无伤大雅,但当网络不通、AI 给出错误答案,或者面试、白板、线上紧急排障时,没有这些底子就会很被动。
5. 判断力在被稀释
最危险的一点是:我们逐渐失去判断代码好坏的标准。
AI 的代码大多"能跑",但不一定合理:可能多余、可能有隐患、可能和项目风格不一致。如果自己没有足够的积累,就很难发现这些问题,只能选择相信。当你无法评判输出的时候,你其实已经把决定权交了出去。
这是不是说 AI 不该用?
不是。
计算器出现以后,没有人再去练习大数笔算,但数学家并没有消失,他们把精力放在了更重要的问题上。AI 也一样,样板代码、重复劳动、陌生 API 的查询,交给它是合理的。
真正的问题不在"用不用",而在于:我们让 AI 替代了哪一部分。
- 替代重复、低价值的部分:没问题,这是效率。
- 替代思考、判断、理解的部分:这才是能力流失的地方。
怎样把 AI 用成放大器
下面是我自己尝试后觉得有效的几个做法。
1. 先想,再问
动手问 AI 之前,先花几分钟自己想一个思路,哪怕是粗糙的。然后拿 AI 的方案和自己的对比,差异的地方就是最有价值的学习点。
2. 让 AI 解释,而不只是给答案
不要只问"怎么写",多问"为什么这样写""还有别的方案吗""各自的取舍是什么"。把它当成一位耐心的老师,而不是一台代码贩卖机。
3. 重要的代码,自己重写一遍
对核心逻辑,看完 AI 的实现后,关掉窗口,凭理解自己写一遍。写不出来的地方,就是没真正掌握的地方。
4. 保留"裸写"的时间
每周留出一点时间,关掉 AI,完整做一个小功能或者刷几道题。目的不是效率,而是维持手感,就像运动员不会因为有了车就不再跑步。
5. 对每一段 AI 代码负责
提交之前问自己三个问题:我能向同事讲清楚这段代码吗?它的边界情况是什么?如果它出问题,我知道从哪里查起吗?答不上来,就还没有"拥有"这段代码。
6. 把精力转移到更高层的能力
AI 擅长写实现,但不擅长理解业务、权衡取舍、设计架构、定义问题。这些能力恰恰是现在更值得投入的方向。写代码变得廉价,而知道"该写什么、不该写什么"变得更值钱。
一个简单的自检
如果你想知道自己是否在"退化",可以试试:
- 断网的情况下,你能独立完成一个常见需求吗?
- 随机抽一段你最近提交的 AI 代码,你能逐行解释它吗?
- 遇到 Bug,你的第一反应是分析,还是复制报错?
如果答案让你有点心虚,也不必焦虑,这只是说明该调整使用方式了。
小结
AI 让"产出代码"这件事变得前所未有的容易,但"成为一名好的开发者"并没有因此变容易,它只是换了一种方式变难。
工具越强,越需要我们保持清醒:别让 AI 替我们思考,只让它替我们打字。 把它当成放大器,你的能力会被放大;把它当成拐杖,久了,腿就真的走不动了。
我现在又把那个防抖函数手写了一遍。这次,我记住了 clearTimeout 该放在哪里。