在AI时代避免技能退化

Avoiding Skill Atrophy in the Age of AI

作者：Addy Osmani（Google Cloud AI 总监）｜ 2025-04-25

AI 编码助手的崛起引发了一个悖论：我们可能正在提高生产力，但如果不够小心，就有因技能退化而失去核心竞争力的风险。每次你让 AI 解决本可以自己解决的问题，都是在用长期理解换取短期生产力。

There's a paradox at the heart of AI-assisted development: the better AI tools get at writing code, the less practice developers get at writing code themselves. And skills that aren't practiced deteriorate.

批判性思维正在成为牺牲品吗？

2025 年微软和卡内基梅隆大学的一项研究发现，人们越依赖 AI 工具，参与的批判性思维就越少，使得在需要时更难调动这些技能。对 AI 能力的高度信心导致人们心理上退居二线——”放开方向盘”。

这种”长期依赖”导致”独立解决问题能力减弱”。更值得注意的是，有 AI 辅助的工作者对同一问题产生的解决方案多样性更低——由于 AI 倾向于提供同质化的答案。

批判性思维面临三大障碍：

• 意识障碍 — 过度依赖 AI，尤其是在日常任务中
• 动机障碍 — 时间压力、工作范围限制
• 能力障碍 — 难以验证或改善 AI 响应

一位工程师坦言：在 12 年的编程生涯后，AI 的即时协助让他”在自己的技艺上变得更差”。他描述了一种逐渐衰退：第一停止阅读文档 → 调试技能减弱 → 最终深度理解消失。

A 2025 Microsoft-Carnegie Mellon study found the more people rely on AI tools, the less critical thinking they engage in, making it harder to summon these skills when needed. High confidence in AI leads people to mentally step back — “taking hands off the wheel.”

技能退化是如何运作的

这个循环直接且自我强化：

2. 更少的练习 — AI 处理了你过去手动做的任务
4. 更弱的能力 — 你独立完成这些任务的能力下降
6. 更多的依赖 — 随着技能变弱，你更加依赖 AI
8. 更更少的练习 — 循环加速

“我们不是通过 AI 成为 10 倍开发者——我们正在成为 10 倍依赖 AI。”

The cycle is straightforward and self-reinforcing: less practice → less competence → more dependence → even less practice. We're not becoming 10x developers through AI — we're becoming 10x dependent on AI.

你的技能正在退化的微妙信号

1. 调试绝望 — 你跳过调试器，每个异常都直接扔给 AI。不再自己追踪根因。

2. 盲目复制粘贴 — 粘贴无法解释、无法从头实现、出 bug 也调不出来的代码。它能跑，但你不知道为什么。

3. 架构与全局思维减弱 — 不愿处理高层架构规划，难以看到全局，缺乏系统级思维。

4. 记忆与回忆能力减弱 — 基本 API 或语法因 AI 自动补全而被遗忘。你曾经倒背如流的东西。

Debugging Despair: skipping the debugger entirely, sending every exception to AI. Blind Copy-Paste: pasting code you can't explain. Architecture erosion: reluctance to handle high-level planning. Memory decay: basic APIs forgotten due to AI autocomplete.

哪些核心技能面临退化风险

调试（Debugging）— 最危险的技能

AI 一般能比手动调试更快地定位和修复 bug。但当 AI 搞不定的时候——它总有搞不定的时候——你需要深度调试能力：读 stack trace、形成假设、隔离变量、使用调试器、推理状态变化。

系统设计（System Design）

当 AI 逐组件生成代码时，很容易丢失全局视图。系统设计——组件如何交互、边界在哪里、数据如何流转——需要 AI 辅助但无法替代的全局思维。

问题分解（Problem Decomposition）

把复杂问题拆解为可管理的部分是基本功。如果你总是把整个问题扔给 AI 并接受它返回的任何东西，你就失去了自己分解问题的能力。这很关键，由于问题分解也是你评估 AI 方案是否合理的依据。

⚙ 底层理解（Low-Level Understanding）

理解底层原理——内存管理、网络协议、数据库查询计划、浏览器渲染管线——让你能在根本层面推理性能和正确性。AI 的抽象层正在侵蚀这种理解。

代码阅读（Code Reading）

如果 AI 写了你大部分代码，你花在读别人代码上的时间就会减少——而正是通过读代码，你学习模式、惯用法和架构方法。代码阅读是一种随时间复利增长的技能，荒废就会退化。

Five core skills are at risk: Debugging (most endangered), System Design (holistic thinking), Problem Decomposition (evaluating AI approaches), Low-Level Understanding (fundamental reasoning), and Code Reading (compounding knowledge).

过度依赖的长期风险

• 批判性思维危机 — 当 AI 不够用时，无法处理新问题或紧急情况
• 自我实现的预言 — 不加批判地使用 AI 可能导致自我降级为无关紧要的角色
• 团队动态受影响 — 过度依赖 AI 减少了指导机会和知识传递
• 代码质量风险 — AI 生成的错误可能被忽略，导致 bug 和安全漏洞

“如果整整一代程序员从未体验过独立解决问题的满足感，我们最终可能会得到一支只能在 AI 指导下运作的按钮推手队伍。”

Long-term risks: critical thinking crisis, self-fulfilling prophecy of irrelevance, reduced mentorship opportunities, and code quality risks from unreviewed AI output. “If a whole generation never experiences the satisfaction of solving problems independently, we may end up with teams of button-pushers who can only function with AI guidance.”

保持技能敏锐的七大策略

以下策略协助你在享受 AI 提升生产力的同时，保持核心竞争力：

1. 每周无 AI 编码

定期留出时间，在没有 AI 辅助的情况下编写代码。可以是副项目、编程挑战，甚至工作中故意手动实现的功能。目标不是效率——是保持从零开始解决问题的能力。

Set aside regular time to write code without any AI assistance. Side projects, coding challenges, or intentionally manual features. The goal isn't efficiency — it's maintaining your ability to solve problems from scratch.

2. 彻底审查所有 AI 输出

不要只看一眼就合并。读每一行代码，问自己：我能写出来吗？我理解它为什么有效吗？需求变更时我能修改它吗？如果任何一个答案是”否”，停下来先学习再继续。

Don't just glance at AI-generated code and merge it. Read every line. “Could I have written this? Do I understand why it works? Could I modify it if requirements changed?” If any answer is no, stop and learn before proceeding.

3. 教导他人

教学是维护和深化理解最有效的方法之一。给初级开发者解释概念、写博客、创建文档。如果你解释不清楚，说明你理解得不够深入——这是进一步学习的信号。

Teaching is one of the most effective ways to maintain and deepen understanding. Explain concepts to junior devs, write blog posts, create docs. If you can't explain it, you don't understand it well enough — and that's a signal to study more.

4. 定期深度钻研

选一个你日常使用的技术，深入下去。读源码、理解内部实现、从头搭建一个玩具版本。这种深度理解是区分”使用框架的开发者”和”精通框架的开发者”的关键。

Pick a technology you use daily and go deep. Read the source code. Understand the internals. Build a toy version from scratch. This kind of deep understanding separates a framework user from a framework master.

5. 构建 T 型技能

T 型技能在 AI 时代特别重大：

• 竖线：核心领域的深度专长。这是让你不可替代的技能。通过刻意练习来维护，即使 AI 能处理常规工作。
• 横线：相邻领域的广泛了解。AI 让跨领域工作更容易，但浅层了解不够。你需要足够的深度来评估 AI 在这些领域的输出。

T-shaped skills: deep expertise in your core area (vertical — what makes you irreplaceable) + broad familiarity with adjacent areas (horizontal — enough depth to evaluate AI output in those domains).

6. 先理解，再委派

一个关键原则：先理解，再委派给 AI。如果你从未手写过数据库迁移，就无法判断 AI 的迁移是否正确。如果你从未调过内存泄漏，就不知道 AI 的”修复”实则只是创可贴。

这并不意味着你凡事都要先手动做一遍。而是你需要足够的理解力成为一个合格的评估者。就像管理团队：你不需要能做每个团队成员的工作，但你需要足够理解才能评估他们的工作。

Understand before delegating to AI. You need enough understanding to be a competent evaluator. Think of it like managing a team: you don't need to do every member's job, but you need to understand it well enough to evaluate their work.

7. 维护调试技能

调试值得特别关注，由于它是出问题时最可能救你的技能——而出问题只是时间问题。

• bug 出现时，先尝试自己诊断
• 练习不依赖 AI 翻译来阅读错误信息和 stack trace
• 定期使用调试工具（浏览器 DevTools、debugger、profiler）
• 当 AI 修了 bug，确保你理解根因，而不仅仅是修复
• 偶尔通过阅读代码而非使用工具来调试——这构建你对系统的心理模型

Debugging deserves special attention. When a bug appears, try diagnosing it yourself first. Practice reading error messages without AI translation. Use debugging tools regularly. When AI fixes a bug, understand the root cause, not just the fix.

结语：保持敏锐

软件行业正在 AI 引领代码生成的情况下快速前进，但每个人都必须走一条细线——决定什么让渡给机器，什么留给自己。

使用 AI 来放大你的能力，而不是取代它们。保持对事物如何以及为什么工作的好奇心。让 AI 成为你的协作者，而不是拐杖。

“明天最好的开发者，将是那些没有让今天的 AI 让他们忘记如何思考的人。”

“Stay fit. Use the forklift. But never stop going to the gym.”

下次想让 AI 编写整个功能时，提醒自己：动手写一点，保持心智肌肉活跃。AI 时代最好的开发者不是用 AI 最多的人，也不是用 AI 最少的人——而是战略性使用 AI 同时维护核心技能的人。

The developers who will thrive aren't the ones who use AI the most or the least. They're the ones who use AI strategically while maintaining the foundational skills that make them effective engineers — with or without AI.

原文链接：Avoiding Skill Atrophy in the Age of AI — Addy Osmani's Substack, Apr 25, 2025
相关书籍：Vibe Coding: The New Rules of Software Engineering — O'Reilly（Addy Osmani 新书）