别被骗了，AI Coding可没那么神！22名软件开发者道出了这些弊端

唯有变化才是永恒。——赫拉克利特

软件的产出速度，从未像今天这么快。以 ChatGPT、GitHub Copilot 为代表的大语言模型（LLM）驱动代码生成器和编程助手，正在重塑软件开发者的工作方式。LLM 不再只是工具，而是一个随时待命的虚拟搭档。AI Coding 正在成为全球科技巨头和初创企业的战略焦点。

然而，尽管沉浸在 AI Coding 中的软件开发者们将工作效率提高了 26 %，但也不得不思考一个新的问题：当 AI 可以生成实用代码，我们还在“开发”什么？当效率被 AI 极致放大，创造力与思考是否正在被稀释？

日前，莫纳什大学、新加坡管理大学团队通过实际访谈 22 名软件开发者，探讨了 LLM 对软件开发的影响，以及如何管理这种影响。

论文链接：https://arxiv.org/pdf/2511.06428

结果显示，LLM 有助于提高开发速度、维持开发流程、促进创业等，但也存在导致损害开发者声誉、影响个性（如懒惰）、阻碍开发者提升技能等风险。

此外，研究团队还提出了一套关于如何最佳使用 LLM 进行软件开发任务的建议。

研究方法

为了理解软件从业者在采用 LLM 进行软件工程活动时的真实感受，研究团队采用了社会技术扎根理论（STGT）方法。

该研究共分三轮，基于 22 位软件从业者的访谈数据进行收集与分析。在第一轮中，研究团队采访了 6 位初级开发者；在第二轮中，他们采访了 13 位初级与有经验的开发者，以提炼核心概念与类别；在第三轮中，他们又进行了 3 场访谈，以验证和完善理论。

图｜研究方法的全流程概述

就 LLM 使用情况而言，多数参与者使用过多种 LLM 工具， 其中 ChatGPT 最常被使用。大多数参与者使用 LLM 的时间超过一年，约 59% 的参与者每天与 LLM 至少交互 6 次。

图｜受访者使用 LLM 的情况

研究结果

基于上述方法，研究团队根据个人、团队、组织和社会层面，识别和分类了采纳 LLM 进行软件开发任务的益处和弊端。分别如下：

LLM 如何帮助软件开发者进步？

个人层面，LLM 有效提升了软件开发者的开发效率和学习能力。。LLM 能自动生成样板代码、修复语法、提供即时反馈，帮助开发者节省时间、减少中断并保持“心流”状态。

同时，LLM 也是学习与反思的工具——开发者能借助它理解陌生代码、掌握新语言、比较不同解法。LLM 还能够为开发者提供心理支持，让他们敢于提问，不怕暴露自己的无知，从而增强信心与主动性。

图｜LLM 对个人开发者的积极影响

团队层面，LLM 减少了开发者之间的协作干扰与沟通成本。新手小白能够先借助 LLM 解决问题，再向同事求助，团队的运转更高效。LLM 还能提供“第二意见”，帮助团队跳出惯性思维，提升整体创造力。

组织层面，LLM 节约了软件开发公司的时间和成本。LLM 能够加快整体调试、排错与代码审查等流程，特别是对中小型企业而言，能以更少的人力完成更多的任务。

社会层面，LLM 促进了创新创业。许多开发者用 LLM 快速完成原型设计、学习商业与技术知识，降低了创业门槛。LLM 甚至可以作为日常生活中的智能顾问，帮助解决时间规划和信息检索等问题。

LLM 如何阻碍软件开发者发展？

当然，基于 LLM 的 AI Coding 也并非没有弊端。

例如，许多软件开发者发现，LLM 在生成代码或提供建议时容易出现错误或“幻觉”，反而拖慢了进度，还需要花额外时间验证结果。而且，频繁的上下文切换、提示分解和反复修正也让工作量不减反增，

过度依赖 LLM 也可能削弱开发者的代码理解力与学习动力。一些开发者提到，长期使用 LLM 会导致自己变得懒惰、冷漠，甚至对自身能力失去信心；新手则更容易陷入“让 AI 替我思考”的陷阱，导致技能停滞。更严重的是，当 LLM 生成错误代码时，责任仍由开发者承担，影响个人声誉。

图｜LLM 对个人开发者的负面影响

此外，由于担心 LLM 输出的代码涉及版权或许可问题，部分软件开发公司会明令禁止员工使用 LLM。而且，LLM 生成代码中可能隐藏漏洞，引发安全隐患。

值得一提的是，成本问题也是一大阻力——频繁调用 LLM 需要付费，增加了企业的运行负担。

最后，LLM 的普及也让一些人面临失业的风险。虽然高精尖开发者依旧重要，但依赖经验和重复性工作的技术岗位正变得岌岌可危。

软件开发者如何正确使用 LLM？

那么，既然 AI Coding 是未来的一大趋势，开发者如何“既要又要”呢？

根据访谈结果，研究团队发现，许多开发者会在不同 LLM 之间反复试用，直到找到最契合自己工作需求的 LLM。

通过这种比较，他们逐渐认识到 LLM 并非“智能体”，而只是基于统计的工具，于是选择使用不同 LLM 解决不同问题，例如，用 ChatGPT 处理需求沟通，用 Copilot 辅助编码，这反映了软件工程向“代理式”系统演进的趋势。

此外，不少开发者更倾向让 LLM 参与代码优化而非直接生成，从而保持对逻辑与结构的控制。他们甚至出于隐私考虑，选择在本地运行模型，哪怕牺牲部分便捷。

当前，软件开发者需要与 LLM 维持一种成熟的关系：既信任其能力，又保持理性距离，用人机协作的方式扩展自己的边界，而不是被取代。

总之，无论使用什么工具，在软件开发工作中都离不开“直觉”。这里的“直觉”不是模糊的感觉，而是开发者在长期经验积累中形成的快速判断能力。它是一种经验性思维，帮助开发者在复杂和不确定的情境下做出决策。

这种基于经验的直觉在开发者与 LLM 协作时，起到了“安全阀”的作用：当 LLM 提供错误或误导性的建议时，帮助开发者识别出问题、避免盲从模型的输出。

那么，另一个问题来了，当开发者越来越依赖 LLM 生成的代码或建议，他们的直觉是否会被侵蚀呢？

整理：潇潇

如需转载或投稿，请直接在本文章评论区内留言