Vibe Coding，是怎么「玩废」程序员的？

当大脑不再负重，技术肌肉就开始萎缩。

作者｜Moonshot

编辑｜靖宇

「自然语言就是新的编程语言。」这句话在过去一年里被无数人奉为圭臬。

特斯拉前 AI 总监 Andrej Karpathy 带火的 「Vibe Coding」（氛围编程）更是让这种狂热达到了顶峰——你不需要懂语法，不需要管实现，只要对着 AI 喊出需求，然后 Check 一下感觉（Vibe）对不对就行了。

听起来，程序员的门槛似乎要被抹平了。

但就在上周，大模型领域的「优等生」、Claude（也是最受欢迎的 Vibe Coding 模型之一）的母公司 Anthropic 居然自己跳出来，给这股热潮泼了一盆冰水。

图源：arxiv

他们发了一篇题为《AI 如何影响技能形成》的硬核论文，告诉我们一个残酷的真相：如果你在学习新东西时过度依赖 AI，你不仅不会变快，你的核心能力还会出现显著退化。

甚至，你可能正在变成一个「半废」的工程师。

01

人是轻松了，脑子也废了

Anthropic 的研究员这次很较真，他们找来 50 多位有经验的 Python 程序员，搞了一场「闭卷考试」。

考题是让大家去学一个从来没用过的冷门 Python 库：Trio，来完成一系列异步编程任务。这完美模拟了程序员在工作中经常遇到的场景：老板突然让你用一个你没见过的工具/框架去解决问题。

程序员被分成了两组：

「手动组」： 只能看官方文档，用 Google 搜索，严禁使用 AI。

「AI 组」： 配备了一个基于 GPT-4o 的强大 AI 助手，可以随时提问、让它写代码、修 Bug。

任务结束后，所有人都参加了一场原本用于检验「学习成果」的考试。

考试内容包括编程语法、对代码逻辑的理解、阅读代码的能力，以及调试（Debugging）能力。

大家的第一反应肯定是：AI 组肯定秒杀「土法炼钢」组吧？毕竟这可是 GPT-4o 级别的辅助。

但实验结果出来后，所有人都沉默了。

无 AI 组问答得分普遍高于 AI 辅助组｜图源：Anthropic

最明显的结果是：成绩不好。数据显示，使用了 AI 的那组人，考试得分平均比手写组低了 17%。

论文中特别提到，分差最大的领域在于调试（Debug）。

这并不意外，毕竟 Vibe Coding 最大的弊端就在于，用户不知道那堆代码是怎么跑起来的，排查和调试都无从下手。

「好吧，我承认我变菜了，但我至少变快了啊！」这可能是很多 Vibe Coding 爱好者的最后防线。

很遗憾，Anthropic 的数据再次打脸。报告显示，在完成任务的总耗时上，AI 组和手动组在统计学上没有显著差异：AI 组平均 23 分钟，手动组平均 24.7 分钟。

为什么会这样？我们不是有 AI 加持吗？论文指出了一个被忽视的时间成本：

「交互税」。

有些程序员为了让 AI 写出完美的代码，花了大量时间在「写提示词」上。数据显示，有人甚至花了 11 分钟在跟 AI 聊天，或者在一项 35 分钟的任务里，花了 30% 的时间在构思怎么问问题。

「时价比」不高，花费的时间并没有转换成得分｜图源：Anthropic

再结合上 Vibe Coding 最短的短板——Debug 困难。AI 组很容易陷入试错式调试（Iterative Debugging） 的循环：AI 生成代码-报错了-把报错丢给 AI：「解决一下这个 bug」-AI 再生成-又报错了……

最后整个工程变成了不可逆转的「屎山黑箱」（「屎山代码」指一种混乱、难以理解和维护的代码状态，「黑箱」则指不知道内部结构的系统）。

在这个过程中，时间一分一秒流逝，而程序员的大脑处于一种「挂机等结果」状态，既没有节省时间，也没有学到东西。

到这儿你可能对 Vibe Coding 祛魅了？别急，这篇论文最精彩的部分，在于它通过录屏分析，把使用 AI 的程序员分成了六种流派。

研究员发现，虽然 AI 组平均分低，但组内方差极大。

有的人「废」了，有的人却「超神」了。区别全在于怎么用 AI。

02

代码没编好，

用户画像倒是有了

第一类用户都可以归为「AI 废人」的低分低能组，考试得分极其惨烈，平均分都在 40% 以下（不及格）。

这一大类里还能细分为三个小类，分别是：

• 甩手掌柜型 (AI Delegation)：直接把题目复制给 AI，「帮我写个函数解决这个问题」，然后 Ctrl+C / Ctrl+V，直接交卷。他们任务完成速度确实最快（平均 19.5 分钟），但学到的东西几乎为零，我奶奶来做都能行。

• 半途而废型 (Progressive AI Reliance)：刚开始还想自己试试，写了两行发现报错，心态崩了：「算了，AI 你来吧。」然后彻底躺平。

• 盲目试错型 (Iterative AI Debugging)：这是最典型的「无脑 Vibe」。遇到 Bug 不看回溯，直接把报错扔给 AI。AI 给出的代码看都不看就运行，不对再扔。这是也是最惨的一群人。浪费了大量时间后拿了个低分，完全成了 AI 的「人肉测试员」。

第二类用户就乐观多了，虽然用了 AI，但考试成绩甚至能和手写组持平（65% - 86%），寻找到了人机共生的解决方案。

拿 AI 作「辅助驾驶」的三类人得分更高｜图源：Anthropic

这一大类里也能细分为三个小类：

• 打破砂锅型 (Conceptual Inquiry)：他们几乎不让 AI 写代码。 他们只问概念：「为什么要用 await？」「这是什么原理？」搞懂了原理，再自己手写。这是真正的「把 AI 当导师」，而不是当实习生，而且这种 Vibe Coding 也得需要用户真的「懂行」、「会问」。

• 先斩后奏型 (Generation-Then-Comprehension)：让 AI 写代码，但在复制粘贴之前，他们会追问：「解释一下这行代码为什么这么写？」这么一句，就能让 AI 先自审一遍，自己也能看到 AI 的编程思路，把 AI 的输出转化为了自己的知识。

• 混合双打型 (Hybrid Code-Explanation)：融合了上面两个类型的特点，会写「请写出代码，并解释每一步的逻辑。」这种提示词，强制 AI 输出推理思维链，让自己跟上 AI 的思路，也便于去 Debug。

为什么用的是同一个 AI，人和人的差距这么大？

或许并不是 AI 废掉了程序员，而是我们自己在「偷懒」的诱惑面前，主动选择了缴械投降。

03

Vibe Coding 的代价是

Anthropic 的这篇报告，其实触及了一个心理学概念：

认知卸载（Cognitive Offloading）。

即当工具足够强大时，我们会下意识地把原本需要大脑处理的计算、记忆、逻辑推演任务，「卸载」给工具，就像自动驾驶一样。

在 AI 时代，我们正在把「理解力」卸载给大模型。

论文里用了个比喻：AI 就像一副「外骨骼」，当你穿着它时，你力大无穷，能搬起千斤重。但问题在于，肌肉的生长需要负重和撕裂，如果你长期穿着它不脱下来，你的肌肉就会因为缺乏刺激而萎缩。

研究认为，过度依赖 AI 会直接跳过思考过程｜图源：Anthropic

这篇论文中有一个非常不起眼、但细思极恐的数据：报错数量。

手动组在做任务时，平均每人遇到了 3 次报错。所以他们被迫停下来，盯着红色的报错信息，去查文档、去思考「为什么类型不匹配」、「为什么线程没挂起」。

而 AI 组平均每人只遇到了 1 次报错，大多数时候，AI 给出的代码不仅能跑，而且跑得极其顺滑。

AI 组的报错显著少于无 AI 组｜图源：Anthropic

这听起来是 AI 的优点？不，Anthropic 的研究员指出，这恰恰是问题的根源。

论文明确写道：「遭遇并独立解决错误，是技能形成的关键一环。」

手动组之所以学得好，是因为他们经历了「摩擦」。每一次报错，都是现实世界给思维的一次「阻力」。正是为了克服这种阻力，大脑被迫建立了深刻的心理表征（认知心理学术语，指当外部信息进入人脑之后，它会被我们的大脑加工，以一种特别的结构储存在大脑中）。

而 AI 组的体验就太「平滑」了。但代价是，你失去了对地面的「抓地力」：脱下外骨骼，路都不会走了。

这种「AI 过于平滑」的通病，不仅仅存在于编程中，正在蔓延到我们生活的方方面面。

在编程里，它消除了 Debug 的痛苦，让你误以为自己掌控了系统；在创作里，它消除了构思的枯燥，让你误以为自己拥有了创意；在人际关系里，它甚至也在消除「摩擦」。

就像很多 AI 成瘾的问题，都源自于 AI 永远情绪稳定，永远秒回，永远顺着你的话说，这种极致的「平滑关系」，何尝不是一种 Vibe Social。

04

「我行我上」的幻觉

Vibe Coding 最迷人也最危险的地方，在于它制造了一种「快乐但无知」 (Happy but Ignorant) 的幻觉。

论文中提到了参与者们微妙的心理变化：AI 组的参与者普遍觉得任务「更容易」，「手动组」则觉得任务很难，过程很痛苦。

但反转来得很干脆：那些觉得「容易」的人，在随后的测试中一塌糊涂；而那些觉得「困难」的人，虽然过程煎熬，但自我报告的「学习和成长感」 却更高，分数也更高。

所以Vibe Coding 让你在写代码的过程中感觉自己是个天才，直到代码报错的那一刻，你才发现自己只是个「睁眼瞎」。

在面对「未知」时，AI 是公平的，它会平等地「废掉」每一个试图偷懒的大脑，无论这个大脑曾经多么睿智。

研究人员按照编程经验将参与者分成了三层：1-3 年、4-6 年、7 年以上。

结果数据显示，在所有经验层级中，不使用 AI 的组，考试得分都高于使用 AI 的组。

哪怕是资深工程师，在 AI 辅助下得分也低于无 AI 组｜图源：Anthropic

这意味着，即使你是入行 7 年以上的老鸟，在面对一个全新的技术领域时，如果过度依赖 AI，你的学习效果依然会大打折扣。

当然了，Anthropic 的这篇论文也不是让我们因噎废食，退回到手写代码的时代。

它更像是一份「AI 时代生存指南」。想要不被 AI「废掉」，我们需要改变使用习惯，从报告中的「高分高能组」那里取经：

比如多问「为什么」，少说「帮我做」；哪怕是 AI 生成的代码，也要像审视同事的代码一样，逐行阅读，理解代码逻辑；珍视 Debug 的机会，下次遇到 Bug，试着先自己分析 5 分钟，而不是 5 秒钟后就截图发给 ChatGPT。

AI 确实能让我们跑得更快，但前提是，你得知道路在哪里，以及车坏了该怎么修。

毕竟，当自动驾驶失效的时候，只有那个还没忘记怎么握方向盘的人，才能救全车人的命。

*头图来源：Deeplearning AI Community

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你怎么看现在大部分代码

都有 AI 生成这件事？

黄仁勋：如果我现在是学生，比专业更重要的是先学 AI。

点赞关注极客公园视频号，