这周编程社区在吵的，其实是同一件事。
知乎上"刚学编程就习惯让AI直接写代码，会不会把基础能力练废？"是这两天才冲热榜的新问题。“下一代程序员离开AI还能独立工作吗？“下面的高赞回答上来就是"没有下一代程序员了，我们是最后一代”，说 vibe coding 的下一步是"许愿式编程”，连编码经验都不用留，评论区跟了一百多条。知乎
9月30日，JetBrains 中国官方账号翻译上线了一条《被 Vibe Coding 抚平的大脑褶皱，还能救回来吗？》，专门讲大模型在编程学习上带来的"元认知"陷阱。而在小红书，“文科生入门 Vibe Coding”“0 基础做出第一个 App"这类笔记动辄两三万赞、三万多收藏，收藏比高得反常——这些内容是准备学的人在囤"以后要照着做的攻略”。哔哩哔哩小红书
吵归吵，阵营其实就三个：放弃基础派（编码经验没用了，想象力品味才重要）、手敲派（坚持古法编程，拒绝 AI 碰键盘）、中间派（用 AI 但别放手）。微博上 9 月 12 日宝玉 xp 那条五百多赞的长文反驳的就是第一个前提："程序员除了写代码啥也不会"这个说法本身不成立——代码只是软件的中间产物，需求澄清、可验证规格、发现"AI 写错了但测试没测出来"的地方、生产环境稳定性，这些从来不在"敲键盘"里。微博
有意思的是，三个阵营都在论证"写代码这件事该不该外包"，几乎没人把问题往下压一层：AI 把代码交到你手上的那一刻，你凭什么判断它写得对不对？这才是"练废"之争真正值钱的问法。而这一层，恰好有三组别人替你做完的数字可以算清。
三组数字：快慢之争和信任之争，答案是分开的
第一组：GitHub 对 95 名专业开发者的随机对照实验。同一个 JavaScript HTTP Server 任务，用 Copilot 的一组平均 1 小时 11 分钟完成，没有用的一组平均 2 小时 41 分钟，快了约 55%。注意任务属性：边界清晰、一个人熟不熟影响不大。知乎
第二组：METR 在 2025 年做的反向实验。16 名资深开发者，246 个真实任务，全部是他们平均已经维护了约 5 年的成熟开源项目。开发者预期 AI 能让自己快 24%，结果实测慢了 19%；更扎心的是，实验结束后这些人仍然主观觉得 AI 让自己快了 20% 左右。生成速度提升了，总交付时间反而变长——因为你花在"读它写的、验它写的"上的时间超过了它替你敲的时间，而你还感觉不到。知乎
第三组：Stack Overflow 2025 年全球开发者调查。84% 的受访者在用或计划用 AI 编程工具，渗透率确实没有悬念了。但表示信任 AI 输出准确性的只有 33%，不信任的有 46%，而且经验越深的开发者越谨慎。调查中排在最前面的痛点不是"AI 完全写错"——写错不可怕，直接报错你马上知道有问题——而是 66% 的开发者最头疼"差一点就对了"的答案，另有 45% 的人表示调试 AI 生成的代码反而更耗时。知乎Stack Overflow
把三组放在一起，矛盾就解开了：它们量的不是同一件事。GitHub 实验量的是"简单明确的任务上，AI 是不是好士兵"——答案是，省一半时间。METR 量的是"资深者在自己最熟的大型项目上，把活全交给 AI 是不是更快"——答案是，没有，而且你的体感会骗你。隐藏变量是任务复杂度和上下文熟悉度。社区里"刚开始觉得 AI 编程很厉害，用久了就不行了"的高赞讨论，说的其实就是同一件事：新手期碰到的多是 HTTP Server 式任务，进阶后碰到的是你自己项目里盘根错节的上下文，AI 的边际收益随复杂度掉头往下。
“差一点就对了”：练废之争里唯一真正危险的东西
把 66% 那个数字翻译成现场语言：AI 交给你一段代码，能跑，过了你随手写的两个测试，变量命名漂漂亮亮，注释都很规范。它只是在空数组、超长字符串、重复点击、数据量翻十倍、依赖超时这五种情况下会炸——而这五种情况你的测试一个都没覆盖。然后它进了主干，三周后在客户身上炸了。
谁来发现它？只能是知道"哪里可能出问题"的人。而"知道哪里可能出问题"这件事，目前没有任何证据表明能靠看教程和记 prompt 获得：没有亲手追过一次内存泄漏，你不会理解为什么一段看起来完全正常的代码会让服务慢慢崩掉；没有自己复现过一次偶发并发 bug，你不会明白一个"十次里有九次不出错"的 bug 为什么值得查三天。这就是所谓"基础"的真实定义——基础不是语法手敲能力，是你自己踩坑换来的失败经验库。METR 那个 19% 的感知差距说的也是同一件事：当判断力和写代码一起外包出去，你连"自己在变慢"都感知不到。
所以"练废"这个焦虑，一半是真的，一半是找错了对象。真的那半：如果你从需求到上线全程只让 AI 动手、自己只做验收动作的简化版（跑通就合并），判断力确实得不到成长；假的那半：担心的若是"语法忘了、手敲不熟"，那部分恰恰是 AI 时代最不值钱的。编码能力可以下放，判断能力不能下放。
给三种人的分法：不是站队，是分工
零基础、刚学 0–6 个月：别退出手敲，但也别拒绝 AI——把 AI 当讲解员和审查员，别当代工。每个小功能先自己写完跑通，哪怕丑、哪怕慢，再把自己版本和 AI 版本放一起读 diff：你的坑你的错 AI 通常都会"正确无误"地犯一遍，对照着读，比单看任何一版都涨得快。这半年刻意要攒的是失败经验，不是产出。
6 个月–2 年、已经日常用 AI：重复代码、搭框架、补接口、生成测试、查 API、改格式——这些脏活累活继续放心外包，GitHub 实验证明的就是这部分红利。但三件事别给出去：需求是什么、怎么验证、出错从哪查。给 AI 代码立一条硬规矩：先让它把边界条件的测试补出来，测试全绿之前不许合并。你自己过一遍手再合并的代码，和点一下"接受"就合并的代码，半年后是两种工程师。
所有用 AI 写代码的人：每次接手一段 AI 代码，扫六个点——空值/空数组/超长输入怎么处理的；并发和重复提交有没有考虑；错误是被吞了还是被上抛了；数据量翻十倍会先崩在哪；权限和敏感信息怎么处理的；diff 是不是真的逐行读过而不是扫了一眼。六个点不需要你多会写，需要你会想"它可能怎么错"。
证据说到哪，结论就到哪
得把边界说清：METR 实验只有 16 人、测的是当时的模型版本，样本不大，结论挪不到"AI 在所有人身上都拖慢"；Stack Overflow 的数据是自我报告，信任率不等于实测准确率。证据只支持到这里：AI 编程工具在边界清晰的任务上提速是真的，在你最深的项目上"体感快、实测慢"也是真的；它会大量生产"差一点就对"的代码，而发现差别的只能是有失败经验的人。后续值得盯的信号：明年 SO 调查的信任率会不会随模型能力回升、METR 会不会用新模型复测、秋招和实习笔试里哪些公司开始明示"允许使用 AI 工具"——允许与否，就是企业版"判断力还剩下什么"的投票。
至于"练废"本身，把这场架算完之后结论其实不复杂：AI 时代该学的不是少写，而是换个东西学——手敲交给 Tab，"知道它哪里会错"留给自己。这个留不住，才算真练废。
