AI 辅助如何影响编程技能的形成

概述

Anthropic 研究人员进行了一项随机对照试验，考察 AI 编程辅助究竟是帮助还是阻碍软件开发者的技能发展。研究揭示了一个重要的权衡：虽然 AI 稍微加快了任务完成速度，但显著降低了学习效果。

核心发现

主要结论：使用 AI 辅助的参与者在理解测试中的得分比手动编程者低 17%——相当于近两个字母等级的差距。AI 组的评估平均分为 50%，而手动编程组为 67%（Cohen's d=0.738，p=0.01）。

速度权衡：AI 带来的时间节省微乎其微（大约快两分钟），未达到统计显著性。

关键技能差距：最大的表现差距出现在调试问题上，表明"理解代码何时出错以及为何失败的能力可能是一个特别值得关注的问题。"

研究设计

参与者：52 名初级软件工程师，有常规 Python 经验但不熟悉测试中使用的 Trio 库。

任务结构：

• 热身阶段
• 两个使用 Trio 的编程任务（异步编程概念）
• 理解测试

评估类型：

• 调试（识别代码错误）
• 代码阅读（理解）
• 代码编写（实现方法）
• 概念理解（核心原理）

交互模式

低分方法（平均分 <40%）：

• AI 委托：完全依赖代码生成
• 渐进式 AI 依赖：先提问，然后完全委托
• 迭代式 AI 调试：用 AI 解决问题而非澄清问题

高分方法（平均分 65%+）：

• 生成后理解：生成代码后追问解释
• 混合代码解释：在请求生成代码的同时要求解释
• 概念性询问：只问概念性问题，独立解决错误

启示

研究表明，有意识地使用 AI 至关重要。积极与 AI 工具互动的开发者——提出澄清性问题、请求解释、保持独立解决问题的能力——比那些将 AI 视为自动化解决方案提供者的人保留了更多的知识。

职场考量：管理者应建立系统，确保工程师在工作中持续学习，特别是在日益自动化的代码环境中保持监督能力。

局限性

该研究测量的是即时理解而非长期记忆保留，样本量相对较小，且专注于编程任务。关于长期影响、软件开发之外的适用性，以及 AI 辅助与人工辅助的差异等问题仍有待研究。

结论

"如果初级工程师的技能发展因使用 AI 而受阻，生产力提升的代价可能是丧失验证 AI 所写代码所需的能力。"战略性部署需要在效率与持续的专业技能发展之间取得平衡。