Anthropic研究证实：过度依赖AI写代码，程序员调试与学习能力显著下降

咱们来聊一个当下程序员们普遍关心的话题。如果你正在写代码，或者你身边有程序员朋友，肯定对下面这个场景不陌生：遇到一个技术难题，或者需要实现一个新功能，第一反应往往不再是去翻阅官方文档或搜索技术论坛，而是直接打开一个 AI 聊天窗口，把需求描述一下，等待它生成一段“可用”的代码。

确实快，也的确方便，感觉工作效率瞬间被拉满。

但有没有那么一瞬间，你会隐隐感到一丝不安？这种将思考“外包”给 AI 的模式，长期以往，会不会让我们自身的真本事不知不觉打了折扣？

这并非杞人忧天。最近，知名 AI 公司 Anthropic（即 Claude 的创造者）就进行了一项严肃的实证研究，旨在探究 AI 辅助编程究竟会对开发者学习新技能产生何种影响。结果有些扎心，却又在意料之中。

一场精心设计的“编程考试”

为了弄清这个问题，Anthropic 的研究人员招募了 52 名有一定经验的软件工程师作为实验对象。实验要求是：学习一个他们从未接触过的 Python 库，并用这个库来完成几项编程任务。

参与者被随机分成了两组：

• AI 辅助组：可以随时随地求助 AI 助手，让它帮忙写代码、解释概念。
• 手动编码组：只能像过去那样，依靠自己阅读文档、独立思考和试错来解决问题。

任务完成后，所有人都要参加一场严格的闭卷测试，考核内容正是刚刚使用过的新库知识。这场测试非常关键，它不仅考察记忆，更评估了更深层次的综合能力，包括：

• 调试能力：面对一段有缺陷的代码，能否准确定位问题并理解其根源。
• 代码阅读能力：能否理解一段给定代码的功能和逻辑。
• 代码编写能力：能否从头开始编写代码来解决特定问题。
• 概念理解能力：是否真正掌握了该工具库背后的核心设计原理与工作机制。

可以说，这套评估体系旨在分辨参与者到底是“学会了”，还是仅仅“完成了任务”。

研究结果：效率增益微小，能力损失显著

激动人心的结果揭晓了，情况有些令人尴尬。

在最终的测试中，“AI 辅助组”的平均得分仅为 50 分，而“手动编码组”的平均得分达到了 67 分。两者之间存在着高达 17 个百分点的差距。这大致相当于从“良好”水平滑落至“及格”线附近。

更让人意外的是，尽管大家普遍认为使用 AI 会大幅提升效率，但研究发现，AI 组完成任务的平均时间仅比手动组快了大约两分钟，这个时间差在统计学上并不显著。

也就是说，为了换取那微不足道的两分钟“效率提升”，AI 组的参与者牺牲了对新知识近两成的掌握深度。这笔交易，怎么看都有些不划算。

研究还揭示了一个尤为值得警惕的现象：两组分数差距最大的部分，恰恰出现在“调试能力”上。 那些高度依赖 AI 的工程师，在识别和理解代码错误方面表现最差。这一点非常关键，因为在真实的工作场景中，AI 生成的代码绝非永远正确。人类工程师的终极价值，很大程度上正体现在这种审查、纠错和把控全局的复杂能力上。如果连这项核心能力都在退化，我们与单纯的“代码搬运工”还有何区别？

关键分歧：你把 AI 当作“拐杖”还是“导师”？

读到这里，你可能会想：那我们是不是应该抵制 AI，全面回归手动编程？

别急，研究的发现并没有这么简单粗暴。Anthropic 的科学家通过分析参与者与 AI 互动的录屏，得出了一个更有趣的结论：用不用 AI 并非问题的核心，关键在于“如何使用它”。

他们观察到，那些得分较低的工程师，通常表现出以下几种典型的“低效使用模式”：

1. 甩手掌柜式：全程只需一句指令：“帮我写个实现XX功能的代码”。对 AI 给出的结果照单全收，自己完全不加以思考和审查。他们完成任务最快，但学到的知识最少，测试分数自然垫底。
2. 渐进依赖式：开始时试图自己动手，但一旦遇到些许困难，便立刻转向 AI 求助。久而久之，形成了完全的依赖，将思考的责任彻底外包。
3. 迭代调试式：自己写了代码，运行报错后，不看错误信息，直接将整段代码和错误扔给 AI：“帮我看看哪里错了”。他们把 AI 当作一个自动化的错误修正器，而非帮助自己理解问题的学习伙伴。

不难发现，这些低分模式的共同点在于 “认知外包” 。使用者主动放弃了思考、试错和从挫折中学习的机会，只追求快速获得一个能运行的结果。

与之形成鲜明对比的是，那些同样使用了 AI 却取得了高分的工程师，他们的使用策略截然不同：

1. 先生成，后深究式：他们也会让 AI 生成代码，但拿到代码后，会仔细研读，并主动追问 AI：“为什么这里要使用这个函数？”、“能否解释一下这部分逻辑？”。他们将 AI 视为一位可以随时请教的专家，用它来深化自己的理解。
2. 代码与解释混合式：在提问时便极具策略性，他们会说：“请写一段实现此功能的代码，并解释其中的关键原理。”从一开始就将“获取代码”与“获取理解”绑定在一起，追求知其然，更知其所以然。
3. 概念探究式：这是最高阶的用法。他们几乎不让 AI 直接写代码，而是专注于提出概念性问题，例如：“在这个库中，处理并发的最佳实践是什么？”、“方法A和方法B的核心区别在哪？”。他们将 AI 当作一个知识渊博的顾问，获取高层次的指导，然后亲自动手实践。这种方式不仅解决问题速度快，而且因为亲手排除了所有错误，对知识的掌握最为扎实。

这些高分模式的共同核心在于，将 AI 视为增强自身思考能力的“杠杆”或“导师”，而非替代思考的“拐杖”。他们始终是学习过程的主导者，AI 是他们手中的一个强大辅助工具。

拥抱学习中的“必要困难”

这项研究揭示了一个我们既熟悉又常常试图回避的学习真理：真正的成长离不开认知上的努力，甚至离不开“被卡住”时的那种挣扎与痛苦。

研究发现，手动编码组的参与者遇到的错误数量远多于 AI 组。但正是这一次次独立面对、分析并解决错误的过程，让他们对知识的理解刻骨铭心，调试能力也得到了实打实的锤炼。

这就像健身，只有当你感受到肌肉的酸痛时，才知道它正在真正地生长。那些毫不费力完成的重复动作，带来的效果微乎其微。

在追求效率至上的今天，我们很容易将“顺畅无阻”等同于“高效”，将“卡顿挣扎”视为急需消除的障碍。但这项研究提醒我们，在学习和掌握新技能的领域，这种“必要的困难”恰恰是通往精通的必经之路。如果我们总是利用 AI 巧妙地绕开这些障碍，我们可能也同时绕过了最关键的成长环节。扎实的计算机基础正是应对这些困难、构建深刻理解的地基。

结论与建议：如何与AI正确共处？

那么，面对 AI 编程这把锋利的双刃剑，我们，尤其是处于技能成长期的开发者，究竟该如何应对？

首先，保持清醒的认知。明确 AI 在不同场景下的定位：对于你已驾轻就熟的领域，AI 可以是强大的生产力放大器，帮你处理重复性工作；但当你踏入一个全新的、需要深入学习的领域时，必须警惕它可能引发的“学习短路效应”。

其次，有意识地实践“高分用法”。下次向 AI 提问时，不妨多问一句“为什么”。在复制粘贴生成的代码前，花几分钟时间读懂每一行。甚至可以给自己设定挑战：只向 AI 询问核心概念和设计思路，然后逼自己独立完成编码。值得注意的是，像 Claude、ChatGPT 等主流 AI 工具，其对话模式本身就在鼓励探索性和解释性的互动，这本身就是一种良性的引导。

对于团队管理者而言，这项研究同样具有警示意义。在推动团队拥抱 AI 提效的同时，更需要思考如何为团队成员，特别是初级工程师，创造一个能够“安全地试错和挣扎”的成长环境。不能因为追求短期的项目交付速度，而牺牲了成员长期的、根本性的技能发展。毕竟，一个技术团队最坚实的基石，永远是那些能够驾驭复杂问题、能够有效审查和引领 AI 的真人专家。

总而言之，AI 的浪潮不可阻挡，它是能极大解放我们生产力的革命性工具。但工具终究是工具。是成为它的主人，利用它拓展智慧的边界；还是不知不觉沦为它的附庸，让自己的核心思考能力逐渐萎缩——这道选择题的答案，始终握在我们每一位开发者自己手中。

研究原文地址：https://www.anthropic.com/research/AI-assistance-coding-skills