大家好，这里是最佳拍档。
AI 编程浪潮与 Anthropic 的审视
最近一年，AI在编程领域的应用彻底刷新了行业认知，“自然语言就是新的编程语言”这句话被无数从业者奉为圭臬。由特斯拉前AI总监安德烈·卡帕西带火的 Vibe Coding（Vibe Coding: 仅凭感觉确认AI生成代码是否符合预期的编程方式），更是将这种AI编程的狂热推到了顶峰。在很多人看来，Vibe Coding似乎让编程这项原本需要长期积累的技能变得触手可及，你不需要精通编程语言的语法，不需要深究代码的底层实现，甚至不需要具备系统的编程思维，只要对着AI工具说出你的需求，然后凭借感觉确认结果是否符合预期，一行行代码就会自动生成。这种模式下，程序员的职业门槛仿佛被彻底抹平，就连零基础的新手都能借助AI快速完成看似复杂的编程任务。
但是，就在所有人都沉浸在AI带来的编程便利中时，Anthropic却在2026年1月底发布了一篇题为《AI如何影响技能形成》的论文，给这股AI编程的热潮泼了一盆冷水。这篇论文通过随机对照实验，揭露了一个残酷的真相：如果在学习新的编程知识、接触新的技术领域时过度依赖AI，程序员不仅无法实现真正的效率提升，自身的核心编程能力还会出现显著的退化，久而久之，甚至会变成一个失去独立思考和解决问题能力的“半废”工程师。今天，我们就来解析一下这篇论文，看看Vibe Coding究竟是如何影响程序员的技能形成，而我们又该如何在AI时代正确处理人机关系，守住作为程序员的核心竞争力。
实验设计：AI 与手动组的对决
首先，我们来看看Anthropic的研究团队究竟做了一个怎样的实验。为了模拟程序员在实际工作中最常遇到的场景，比如突然被要求使用一款从未接触过的工具或框架来解决问题，研究团队找来了50多位拥有实际项目经验的Python程序员，设计了一场接近于闭卷考试的实验。实验的核心任务是让这些程序员学习一款相对冷门的Python异步编程库 Trio，并且完成一系列对应的异步编程任务。之所以选择Trio库，是因为它属于Python高阶网络编程范畴，能够有效检验程序员的快速学习能力和代码实践能力，完全符合职场中接触新技术、解决新问题的真实场景。
研究团队将这些程序员随机分成了两个组别，两组人员的编程经验、技术水平在统计学上没有显著差异，确保了实验的公平性。第一组被定义为手动组，这组程序员在完成任务的过程中，只能通过查阅Trio库的官方文档、使用Google进行关键词搜索的方式获取信息，被严格禁止使用任何AI辅助工具。第二组则是AI组，研究团队为他们配备了基于GPT-4o打造的强大AI助手，这组程序员可以在任务的任何阶段向AI提问、让AI直接生成代码、甚至让AI帮忙调试代码中的Bug，拥有Vibe Coding的全部操作权限。在所有程序员完成指定的异步编程任务后，研究团队为所有人组织了一场专门的学习成果测试，测试内容全面覆盖了Trio库的编程语法、代码逻辑的理解能力、代码阅读能力，以及最能体现程序员核心素养的调试能力，力求全方位检验两组人员对新工具的掌握程度。
实验结果：效率幻觉与能力退化
在实验开始前，几乎所有人都理所当然地认为，配备了GPT-4o的AI组会在任务完成效率和学习成果测试中全面碾压只能依靠“土法炼钢”的手动组。毕竟GPT-4o在代码生成、问题解答方面的能力已经得到了行业的广泛认可，有这样的工具加持，AI组的优势似乎不言而喻。但是当实验结果正式出炉时，与大家的预期却截然相反。数据显示，在最终的学习成果测试中，使用了AI辅助的程序员考试得分平均比手动组低了17%，而且这种分数上的差距并非均匀分布，在所有测试维度中，调试能力的分差是最大的。
面对这样的结果，很多Vibe Coding的支持者可能会有这样的辩解：就算学习效果差了一点，至少AI辅助让编程的效率变高了，节省了大量的时间，这也是职场中最看重的一点。但是遗憾的是，Anthropic的实验数据再次打破了这种幻想。研究报告显示，在完成Trio库相关编程任务的总耗时上，AI组和手动组在统计学上并没有显著差异，AI组的平均耗时为23分钟，而手动组的平均耗时仅为24.7分钟，只有区区1.7分钟的差距。要知道，AI组可是有GPT-4o的全程辅助，为什么最终的耗时并没有出现明显的优势？
AI 编程的“交互税”与“调试困境”
研究团队在论文中给出了答案，那就是被很多人忽视的时间成本——交互税（Interaction Tax: 程序员为了让AI精准理解需求并生成符合预期的代码，需要花费大量时间构思和撰写提示词，以及反复沟通调整的过程。）。所谓的交互税，指的是程序员为了让AI精准理解自己的需求、生成符合预期的代码，需要花费大量的时间和精力，构思并且撰写提示词，甚至需要反复与AI沟通、调整需求描述，这个过程本身就会消耗大量的时间。实验数据显示，部分AI组的程序员，仅仅是为了让AI生成一段符合要求的代码，就花费了11分钟与AI进行沟通，还有的程序员在一项总耗时35分钟的任务中，竟然有30%的时间都用在构思如何向AI提问上。
除了交互税，Vibe Coding的另一个短板——调试困难，也进一步加剧了时间的消耗。AI组的程序员在遇到代码报错时，很容易陷入一种“试错式调试”的恶性循环：让AI生成代码，运行后出现报错，不做任何分析就把报错信息直接丢给AI，让AI重新生成代码，再次运行又出现新的报错，然后重复上述过程。在这个循环中，整个编程工程会逐渐变成一个不可逆转的屎山黑箱。我们经常会听到屎山代码这个词，指的是代码结构混乱、逻辑不清晰、难以理解和维护的状态；而黑箱则意味着程序员完全不清楚系统的内部结构和运行逻辑。更可怕的是，在这个过程中，程序员的大脑始终处于一种挂机等待结果的状态，既没有真正节省时间，也没有从中学到任何有价值的知识和技能，只是成为了AI的操作手。
AI 使用者的六种流派：废人 vs. 高能
到这里，相信很多人已经对Vibe Coding产生了质疑，但是这篇论文的价值远不止于此。研究团队最精彩的发现，是通过对AI组程序员的操作过程进行全程录屏分析，根据他们使用AI的不同方式，将其划分成了六种截然不同的流派。研究人员发现，虽然AI组的整体平均分远低于手动组，但是组内的分数方差极大。简单来说，同样是使用AI辅助编程，有的人的测试成绩惨不忍睹，而有的人的成绩却能和手动组持平甚至接近，两者的差距天差地别。而造成这种差距的核心原因，并不是程序员本身的技术水平，而是他们使用AI的方式不同。
具体来说，这六种流派可以被清晰地分为两大类别。第一类是属于“AI废人”的低分低能组，这部分程序员的考试得分极其惨烈，平均分都在40%以下，处于不及格的水平。而这一大类又能细分为三个具体的类型：
- “甩手掌柜型”（AI Delegation）: 这类程序员的操作方式非常简单直接，就是把实验的任务要求原封不动地复制给AI，只留下一句“帮我写个函数解决这个问题”，然后将AI生成的代码直接复制粘贴，完成任务后直接交卷。从数据来看，这类程序员的任务完成速度确实是最快的，平均仅用19.5分钟就能完成任务，但是他们对Trio库的掌握程度几乎为零，整个过程中没有进行任何思考，完全是AI在主导一切，用一句通俗的话来说，“我奶奶来做都能行”。
- 半途而废型（Progressive AI Reliance）: 这类程序员最初还想依靠自己的能力完成任务，会尝试自己写几行代码，但是一旦遇到报错或者无法解决的问题，心态就会立刻崩溃，随即放弃自主思考，“算了，还是让AI来吧”，然后彻底躺平，将后续的所有工作都交给AI。
- 盲目试错型（Iterative AI Debugging）: 这是最典型的无脑Vibe Coding。这类程序员在遇到代码Bug时，连报错信息的回溯都不会看，更不会尝试分析报错的原因，而是直接把报错信息扔给AI。AI给出新的代码后，看都不看就直接运行，一旦再次报错，就继续将新的报错信息丢给AI，反复循环。这部分程序员是整个实验中最惨的一群人，他们不仅浪费了大量的时间，最终还拿到了极低的分数，全程都在充当AI的人肉测试员，没有任何收获。
与低分低能组形成鲜明对比的，是第二类高分高能组。这部分程序员虽然同样使用了AI辅助，但是他们的考试成绩能达到65%到86%，甚至能和手动组的成绩持平。换句话说，他们真正找到了人机共生的正确方式，让AI成为了自己的“助力”而非“主力”。而这一类同样可以细分为三个具体的类型：
- 打破砂锅型（Conceptual Inquiry）: 这类程序员的核心特点是，几乎不会让AI直接生成代码。他们使用AI的唯一目的，是解决自己在学习过程中遇到的概念性问题，比如“Trio库中为什么要用await关键字？”“结构化并发的核心原理是什么？”“Nursery机制是如何管理并发子任务的？”他们会先通过AI搞懂所有的底层原理和核心概念，然后依靠自己的能力手写代码完成任务，真正把AI当成了导师而非实习生。而这种使用方式，也要求程序员本身具备一定的专业素养，知道该问什么问题，该从哪个角度切入学习，也就是所谓的，“懂行、会问”。
- 先斩后奏型（Generation-Then-Comprehension）: 这类程序员会让AI直接生成代码，但是他们并不会像甩手掌柜型那样直接复制粘贴，而是在使用代码之前，向AI提出一个关键问题，比如“请解释一下这行代码为什么这么写？”“核心逻辑是什么？”就是这一句简单的追问，不仅能让AI对自己生成的代码进行一次自审，更重要的是，程序员能通过AI的解释，了解到AI的编程思路和底层逻辑，将AI的输出转化为自己的知识，真正做到了“知其然，也知其所以然”。
- 混合双打型（Hybrid Code-Explanation）: 这类程序员融合了前两种类型的核心特点。他们在向AI提出需求时，会直接写出这样的提示词：“请根据需求写出对应的代码，并详细解释每一步的逻辑和设计思路。”这种提示词的设计，强制让AI输出自己的推理思维链，而程序员则会跟着AI的思维链进行思考，不仅能理解代码的逻辑，还能学习到AI的编程思路，同时也为后续的调试工作打下了坚实的基础，让调试不再是无迹可寻的黑箱操作。
认知卸载：AI 时代的“外骨骼”隐忧
看到这里，相信大家都会有这样的疑问：同样是使用基于GPT-4o打造的AI助手，为什么不同程序员的学习效果会有如此大的差距呢？答案其实很简单：并非AI本身废掉了程序员，而是一部分程序员在偷懒的诱惑面前，主动选择了缴械投降，放弃了作为程序员最核心的能力——独立思考和逻辑推演。他们把AI当成了逃避思考的避风港，而另一部分程序员则始终保持着主动认知的习惯，把AI当成了提升自己的工具，这也是两者差距的核心所在。
Anthropic的这篇研究报告，不仅是揭示了Vibe Coding的弊端，更重要的是，它触及了一个经典的心理学概念——认知卸载（Cognitive Offloading: 当外部工具强大到一定程度时，人类会不自觉地将原本需要大脑处理的计算、记忆、逻辑推演等认知任务，卸载给外部工具的行为。）。所谓认知卸载，指的是当外部工具足够强大时，人类会下意识的把原本需要自己的大脑处理的计算、记忆、逻辑推演等认知任务，卸载给外部工具，就像我们在开车时使用自动驾驶功能，把驾驶的任务卸载给汽车的智能系统一样。而在AI时代，尤其是在Vibe Coding的模式下，我们正在把编程中最核心的理解力卸载给大模型。我们不再需要理解代码的逻辑，不再需要记忆语法规则，不再需要推演程序的运行过程，因为这一切都可以由AI来完成。
研究团队在论文中用了一个非常贴切的比喻来形容这种现象：AI就像一副外骨骼（Exoskeleton: An external structure that augments physical capabilities, here used metaphorically for AI augmenting cognitive abilities.）。当你穿上这副外骨骼时，你会感觉自己力大无穷，能够轻松搬起千斤重的物体，完成原本无法完成的工作。但是问题在于，人类肌肉的生长需要依靠持续的负重和肌肉撕裂后的修复。如果你长期穿着外骨骼而不脱下来，你的肌肉会因为缺乏足够的刺激而逐渐萎缩，最终失去原本的力量。编程能力的培养也是如此，程序员所谓的技术肌肉，也就是代码理解能力、逻辑推演能力、调试能力，需要依靠持续的思考、尝试、犯错和解决问题来锻炼。而如果长期依靠AI，把原本属于自己的认知任务卸载给AI，这些核心能力就会像缺乏锻炼的肌肉一样，逐渐退化甚至消失。
摩擦的力量：错误是技能形成的催化剂
在这篇论文中，有一个看似不起眼、但是细思极恐的数据，那就是两组程序员在完成任务过程中的报错数量。实验数据显示，手动组的程序员在完成Trio库相关编程任务时，平均每人遇到了3次报错；每次遇到报错，他们都被迫停下来，盯着屏幕上的红色报错信息，查阅官方文档、搜索相关资料、反复思考报错的原因。而AI组的程序员，平均每人只遇到了1次报错，大多数时候，AI生成的代码不仅能直接运行，而且运行得极其顺滑，几乎不会出现任何问题。
看到这里，可能有人会认为，报错少是AI的一大优势，能让编程过程更加顺畅。但是Anthropic的研究人员却指出，这恰恰是问题的根源。论文中明确写道：“遭遇并独立解决错误，是技能形成的关键一环。”手动组的程序员之所以能在最终的测试中取得更高的分数，真正掌握Trio库的使用方法，就是因为他们在学习过程中经历了足够的摩擦。每一次报错，都是现实世界给程序员的思维带来的一次阻力，而正是为了克服这种阻力，程序员的大脑才会被迫进行深度思考，进而建立起深刻的心理表征（Psychological Representation: 外部信息进入人脑后，经过加工处理，以一种独特的结构储存在大脑中，这种结构能让我们快速理解和处理相关信息。）。心理表征是认知心理学中的一个专业术语，指的是当外部信息进入人脑之后，会被大脑进行加工处理，最终以一种独特的结构储存在大脑中，这种结构能让我们快速理解和处理相关信息。对于程序员来说，解决报错的过程，就是建立关于代码和技术的心理表征的过程，而这种心理表征，正是形成核心编程能力的关键。
而AI组的程序员，虽然体验到了极其平滑的编程过程，却也因此失去了建立心理表征的机会，就像一个长期穿着外骨骼的人失去了对地面的抓地力，一旦脱下外骨骼，就连路都不会走了。当他们脱离AI的辅助，需要独立面对编程问题时，就会变得手足无措，因为他们的大脑中没有建立起对应的心理表征，既无法理解代码的逻辑，也无法排查和解决问题。
AI 的平滑效应：超越编程的广泛影响
不过，这种AI过于平滑所带来的问题，不仅仅存在于编程领域，也正在逐渐蔓延到我们生活的方方面面。在创作领域，AI消除了构思的枯燥和创作的瓶颈，让我们误以为自己拥有了无限的创意，却忽略了创意本身需要长期的积累和思考。在人际关系领域，AI的出现甚至开始消除人与人之间的摩擦，很多人沉迷于和AI的交流，因为AI永远情绪稳定，永远秒回消息，永远顺着你的话说。这种极致的平滑关系，其实也是一种Vibe Social，但它却让我们失去了处理真实人际关系中矛盾和冲突的能力。
AI 时代程序员的生存之道
Vibe Coding最迷人，同时也最危险的地方，就在于它为程序员制造了一种“快乐但无知”的认知幻觉。在实验过程中，研究团队记录了所有程序员的主观感受，结果发现了一个非常有趣的现象：AI组的程序员普遍觉得这次的Trio库编程任务很容易，完成过程非常轻松；而手动组的程序员则普遍觉得任务很难，整个完成过程充满了痛苦和煎熬。但反转也来得非常干脆：那些主观觉得任务容易的AI组程序员，在随后的学习成果测试中表现一塌糊涂；而那些觉得任务困难、经历了诸多煎熬的手动组程序员，不仅在测试中取得了更高的分数，而且在后续的自我报告中，他们的学习和成长感也远高于AI组的程序员。
这种认知幻觉，让很多程序员在Vibe Coding的模式下，产生了一种“我行我上”的虚假自信。他们会觉得，在AI的辅助下，能够轻松完成各种编程任务，于是便误以为自己的编程能力得到了提升，觉得自己是个编程天才。但是这种自信是建立在AI的基础上的，一旦代码出现AI无法解决的问题，或者脱离AI的辅助，他们就会立刻发现，自己其实只是个对代码一无所知的“睁眼瞎”。更值得注意的是，这种认知幻觉和能力退化的现象，并不会因为程序员的从业经验丰富而消失。Anthropic的研究团队也考虑到了这一点，他们按照编程经验，将所有参与实验的程序员分成了三个层级：1到3年的初级程序员、4到6年的中级程序员，以及7年以上的资深程序员，然后分别统计不同经验层级中，AI组和手动组的测试成绩。实验结果显示，在所有的经验层级中，不使用AI辅助的手动组考试得分都显著高于使用AI辅助的AI组。哪怕是拥有7年以上编程经验的资深工程师，在面对Trio库这个全新的技术领域时，如果过度依赖AI，他们的学习效果依然会大打折扣。这个结果再次印证了论文的核心观点：AI辅助带来的生产力提升，并不是获得真正专业能力的捷径，过度依赖AI，会让任何经验水平的程序员在学习新技术时失去独立思考的能力，进而影响技能的形成。
说到这里，可能很多人会产生一种误解，认为Anthropic的这篇论文，是在否定AI在编程领域的价值，呼吁大家放弃使用AI，退回到纯手写代码的时代。但是事实并非如此。研究团队在论文中明确表示，AI确实能为编程工作带来显著的生产力提升，尤其是对于新手程序员来说，AI能帮助他们快速入门，解决一些基础的编程问题，这一点是毋庸置疑的。这篇论文的真正价值，并不是让我们因噎废食，而是为我们提供了一份AI时代的程序员生存指南，告诉我们如何正确地使用AI，如何在借助AI提升效率的同时，守住自己的核心竞争力，避免被AI给废掉。而这份生存指南的核心，其实就是从那些高分高能组的程序员身上总结出的正确的AI使用方式。
首先，要改变自己的提问方式，多问“为什么”，少说“帮我做”。把AI当成自己的导师而非苦力。遇到问题时，先尝试自己思考，实在无法解决时，再向AI提问概念性、原理性的问题，而不是直接让AI替自己完成工作。其次，即使让AI生成了代码，也不要直接复制粘贴使用，而是要像审视同事写的代码一样，逐行阅读AI生成的代码，理解每一行代码的逻辑和设计思路，必要时让AI对代码进行详细解释，把AI的知识转化为自己的知识。最后，要珍视每一次调试的机会。当代码出现报错时，不要第一时间就把报错信息丢给AI，而是试着先自己分析5分钟，尝试找到报错的原因。哪怕最终还是需要依靠AI解决问题，这个自主分析的过程，也是对自己编程能力的锻炼。
AI就像一辆性能卓越的汽车，能让我们在编程的道路上跑得更快、更远。但前提是，我们必须自己掌握驾驶的技巧，知道路在哪里，更知道当汽车出现故障时，该如何修理。如果我们只是把方向盘交给AI，让AI全程代驾，那么即使我们走了很远的路，也依然不会开车。当AI这个代驾失效的那一刻，我们就会陷入寸步难行的境地。对于程序员来说，AI永远只是一个工具，而真正的核心竞争力，永远是那些无法被AI替代的能力，包括独立思考的能力、逻辑推演的能力、解决复杂问题的能力，以及持续学习的能力。在AI时代，真正优秀的程序员，或许将是那些能让AI成为自己的最佳拍档，在AI的辅助下不断提升自己的人。只有守住独立思考的底线，让自己的技术肌肉始终保持锻炼的状态，才能在AI浪潮中站稳脚跟，不被时代淘汰。
感谢收看本期视频，我们下期再见。