工程師心態該怎麼培養？最放心用 AI 的新手，表現反而最差

一篇主張用 AI 寫程式會阻礙專業養成的長文，本週引起了很大爭議。作者 Lars Faye 的論點是，用好 AI 需要資深工程師的判斷力，而 AI 正好繞過了培養開發者的判斷力。
（前情提要：史丹佛研究：AI 沒有讓整體就業崩盤，但新鮮人就業變更難）
（背景補充：Lovable 8 個月估值翻倍衝 133 億美元，是三巨頭估值倍數中最貴的一個）

一篇標題「AI 寫程式會阻止專業養成」的長文，本週在 Hacker News 爆紅，讓開發者社群吵得不可開交。作者 Lars Faye 是一位有數十年資歷的工程師，他自己每天也在用 AI 工具。他的論點不是要大家別用 AI，而是提醒一件容易被忽略的事，AI 幫你把程式寫完的同時，也順手拿走了你變強所需要的那些「痛苦摩擦」。

他把這篇文章的副標寫成「長期技能養成需要持續的摩擦」。整篇要處理的問題只有專家該怎麼培養？

Faye 在文章裡用了一個自創詞「熟練協調者悖論」，意思是把 AI agent 用好，你得寫得出規格、看得懂架構、一眼認出輸出哪裡不對。這些是有年資的工程師才長得出來的判斷力。但持續讓 AI 代勞，正好會讓這些判斷力停止成長。

他觀察到的現象是，現在從這些模型身上獲益最多的，是那些在 AI 工具出現之前就累積了十幾二十年經驗的人。任何一個資深工程師都會告訴你同一件事，那些底子是依照時間磨出來的。

新手需要專家的判斷力，才用得上專家的工具

Faye 把卡在中間的這群人叫做專家級新手，在 LLM 風行之後，入行的開發者沒有年資紅利，卻被要求（或規定）用 AI 工具加速產出。

目前公司的立場會很矛盾，一邊說不用 AI 就會被你的同事甩開，2023 年那句「AI 不會取代你，但用 AI 的人會」講到現在。另一邊又說 vibe coding 是死路，要往資深軟工走、要寫得出好規格、每一行輸出都要看懂才能推出去。

問題就在這裡，現在的 AI 工具要求你「已經是專家」，這個工具卻不會讓你變成專家。

Faye 用煮菜來說明這件事，如果他想學做菜，他可以站在旁邊看大廚工作，然後一直問、一直問。一個月後他能把完美的三分熟肋眼講得頭頭是道，卻從來沒有真的煎過一塊牛排，如果真的動手幾乎一定會煎過頭。

寫程式也是一樣，那些沒有日誌可查的錯誤、某個寫法在量大時才會浮現的效能差異、寫到一半發現架構撐不住只好整段重寫，這些事情本身就是訓練。他說德文裡有個很好的字可以描述這種東西，Fingerspitzengefühl，指尖感。就是那種看一眼就覺得「這個大概會出事」的肌肉記憶。避開了前期痛苦掙扎的過程，這種直覺就長不出來。

指南針永遠指北

Faye 認為用 LLM 學新東西，學習關係是倒過來的。傳統上是老師領著學生走，換成 LLM 之後變成學生先出手，模型回應，學生再修正方向，他把這種反過來的關係叫做倒轉學習。

這個模式很脆弱，因為 LLM 對提示詞的形狀極度敏感。當你踏進不熟悉的領域，你不知道自己不知道什麼，也就問不出那個真正該問的問題。他的比喻是，像是永遠指向北方的指南針，不管你站在哪裡它都讓你知道北方在哪裡，但你不知道自己在哪裡。

Faye 的判斷是，模型缺的不是知識，是判斷力、同理心與教學意圖。它給的解法不是從理解長出來的，是從訓練資料的模式裡內插出來的。這台無限答案機很誘人，一旦你陷進生成好的解法，你就只能繼續靠它把事情做完，而那段本來會讓你長出心智模型的摩擦就消失了。他還補充，資深工程師也會被「污染」。

最放心用 AI 的新手，表現反而最差

Faye 引用的是 2024 年 ACM 計算教育研究會議（ICER）的論文《The Widening Gap》，James Prather 等九位研究者逐一分析新手實際寫程式時的行為，JetBrains 最近又把這份研究拿出來引用。

結論跟受試者的自我感覺完全相反。他們以為自己多了一個私人家教，數據顯示他們並沒有那樣用，甚至是相反的用法。

重度依賴 AI 的那組經常跳過規劃階段，因為推理過程是 Copilot 做的。做完之後帶著研究者說的「能力的錯覺」，而不是真的理解。最放得開、最有自信的那幾個新手，跳過了解題流程裡的關鍵步驟，然後就迷路了。

節制使用的那組則長出了研究者稱為「負向專業」的能力，也就是有辦法忽略 AI 給的錯誤或沒用的建議。他們拿 AI 加速的，是自己本來就打算寫的東西。整份研究裡表現最好的新手，是大幅節制或乾脆不用 AI 的那群人。

賓州大學另一份研究追蹤了 1,000 名用 LLM 學數學的學生，結果是把 AI 當拐杖的那組，最後比只有課本的學生差了 17%。

Stack Overflow 2025 年開發者調查則給了產業端的數字。訪了 48,945 人，其中 26,004 位是專業開發者，84% 的人正在用或打算用 AI 工具，比 2024 年的 76% 再往上跳。但對輸出準確度「高度信任」的只有 3.1%，「高度不信任」的有 19.6%。

拆開年資看，還在學寫程式的人高度信任比例 6.1%，是所有族群裡最高；十年以上的資深開發者只有 2.5%，高度不信任的比例則是 20.7%，兩項都是極端值。越沒有能力驗證輸出的人，越願意相信它。

「把AI當作家教」

這篇文章真正的重點在後半，Faye 沒有叫任何人戒掉 AI，他給的建議是換一種用法。

想在程式上變強的人，應該大幅忽略這些模型的程式碼生成能力，改用它們的另外一面。把 LLM 當成互動式的文件、可以隨時追問的教材、蘇格拉底式的陪練對手，而不是答案產生器。

這個建議有實驗支撐，同樣是賓州大學那份研究，他們另外測了一個「家教版」的 GPT，學生遇到困難時它不直接給答案，而是引導學生自己走完。這一組在練習階段的表現大幅超前，關鍵差別在於認知工作被推回到學生自己身上。摩擦還在，痕跡才留得下來。

Faye 用抽象層來解釋為什麼順序很重要。想學 Java 的人不該從 Spring Boot 開始，想打好 JavaScript 基礎的人不該從 React 開始，想把 CSS 練到很強的人不該從 Tailwind 開始。他說 LLM 可以算是終極的那一層抽象。他借用了一句話，抽象層幫我們省下工作的時間，但省不下學習的時間。

比較實用的是他給的一份自我檢查清單。每次要按下生成之前，可以先問自己這幾個問題。

• 我是在用這個模型加深理解，還是在繞過理解
• 如果現在要我稽核並驗證這段輸出，我說不說得清楚它到底在做什麼
• 我有沒有先做功課，知道自己該問什麼問題
• 我有沒有用其他方式交叉驗證過這個做法，例如讀官方文件、一般搜尋、Stack Overflow
• 這是重複過一百次的例行工作，還是需要我自己做決策判斷的任務

他也提醒，把 AI 當家教這件事本身有風險。它一樣會產生幻覺，不能當成唯一的學習來源。如果你沒有能力稽核生成程式碼的正確性，你也沒有能力稽核生成概念的正確性。

另外一個判斷標準是分辨卡關的種類。Faye 說「痛苦地卡住」是好事，要學會區分有生產力的掙扎與沒生產力的掙扎，然後忍住不要滑回去直接要答案。他引用 TDD 之父 Kent Beck 的說法，寫程式本身就是鞏固理解的好方法，你寫得越多，對那個領域的理解就越深。

他很清楚這條路難走，因為你選擇慢一點、笨一點的方式，代價是短期產出比不上同事，而整個生態系正在往反方向推。AI 被公司強制導入，被塞進各種 IDE，有些工具甚至預設把程式碼檢視收起來，除非你自己去點開。他也肯定如果一間公司真的認為所有任務都該全交給 AI，那間公司會自己學到教訓。

軟體專業會斷代嗎？

Faye 把整件事的賭注講得很清楚。如果模型能生程式碼、能從訓練資料裡的模式做系統設計、能 debug 掉自己造出來的問題，那學這些知識還有什麼意義？這正是目前這場數兆美元等級的賭注押的東西，專業養成的斷層沒關係，LLM 已經準備補上位置。

如果整個產業繼續盯著程式碼行數與燒掉的 token，而專業養成的路上人越來越少，Sam Altman 那個把智慧當水電按錶賣給大家的願景就會成真。到那時候，一個人坐下來要開始寫程式，手邊沒有 AI 就會卡死在那裡。

這些討論的另一頭，是這個世界已經在發生的事。Fortune 上週報導，北京一位 40 歲的程式設計師費兆軍，老闆問了一句 AI 是不是很快就能取代寫程式的人，兩週後他和大約 160 位同事一起被裁。中國工業企業使用 AI 模型的比例，一年內從 9.6% 跳到 47.5%。

費兆軍自己的評價是，中級工程師的工作在多數情況下確實可以被取代。他還說了一句話，大概是這整場討論最誠實的話：就算這是一場最後會取代所有人類的災難，現階段你也只能跟著大家一起用。

📍相關報導📍

Meta 想用 AI 取代六成人力，但資安事故頻傳、員工不滿爆發後急踩煞車

這個「付錢就能排第一」的 Vibe-coding 網站爆紅，Outbid 三天狂賺 20 萬美元

Cursor 新推程式碼託管服務 Origin，想挑戰 GitHub 霸主地位