别再一键贴代码！Anthropic点名3种「用AI不退化」真方法

新智元报道

编辑：peter东

【新智元导读】在AI编程时代，效率飙升却隐藏危机：Anthropic最新研究揭示，使用AI助手虽能快速生成代码，但开发者在概念理解、代码阅读和调试能力上显著落后。独立解决问题才是技能之钥，AI若不当用，将成「懒惰陷阱」。

2026年初，Anthropic研究揭开了AI辅助编程对技能学习的潜在风险，使用AI助手完成编程任务的开发者，在概念理解、代码阅读和调试能力上显著落后于独立解决问题的同行。

技能退化

AI编程让人难以锻炼调试能力

在AI编程助手日益普及的今天，软件工程领域生产力显著提升。然而，代价是什么？

假设你是一个程序员，现在要用一个新的库来进行开发。

之前你遇到问题，只能接入网络搜索引擎和文档；现在能访问基于GPT-4o的AI编程助手。你会觉得哪一种更有利于你掌握这个库？

在这项研究中，被试者需要学会一个小众的Python异步编程库Trio，每个受试者都是初次使用该库进行编程。

被试者被随机分为两组。一组只用搜索学习，一组只通过大模型问答学习。

图1：实验设计方案

任务完成后，被试者接受了一项精心设计的技能评估测验，涵盖概念理解、代码阅读和调试能力三个方面，以衡量他们对Trio库的掌握程度。

与普遍认知相反，AI辅助并未显著缩短任务完成时间（图2左边）。尽管AI助手能够直接生成完整正确的代码解决方案，但实验组的平均完成时间并未显著优于对照组。

图2：人们使用AI与否与编程速度和技能评估得分

为何会这样？细分后发现，这源于参与者使用AI方式的巨大差异：

• 一部分参与者完全委托AI生成代码，确实大幅提高了效率；

• 另一部分参与者花费大量时间与AI交互，甚至有人单次查询就耗时6分钟，抵消了效率优势。

更值得关注的是技能评估结果：AI使用组在测验中的表现明显较差，得分平均低4.15分，而满分为27分。

AI使用组的调试能力与不使用AI组的差距最为明显，代码阅读能力的差距相对较小。这表明，独立解决问题的过程中遇到的错误和调试经历，对技能形成至关重要。

为何调试能力差距最大？那是因为没有使用AI的参与者平均遇到3个错误，而使用AI的平均仅遇到1个错误。

这些错误，尤其是与Trio库直接相关的错误，迫使开发者深入理解库的工作原理，从而促进了学习。

三种学习路径：

用了AI仍保有高技能

通过对使用AI组的行为进行细致分析，从中识别出六种不同的AI交互模式，宛如六条截然不同的学习路径。

其中三条路径通向技能退化，而另外三条则成功保持了技能形成水平。

四名参与者将任务一股脑地委托给AI，他们完成任务最快，但技能得分最低。就像把整个学习过程外包给了机器，自己成了旁观者。

另外四名参与者开始时还算谨慎，只问一两个问题，但很快陷入了渐进式依赖的陷阱。随着任务难度增加，他们最终完全放弃了独立思考，将所有代码生成交给AI。

最令人惋惜的是那些迭代式调试者。他们频繁向AI求助，每次遇到问题就粘贴错误信息，依赖AI提供解决方案。表面上看起来很努力，实际上却错过了最重要的学习机会——独立解决问题的过程。

图3：不同类型的AI使用方式

然而，故事还有另一面。研究人员发现了三种成功的交互模式，这些参与者在AI辅助下不仅完成了任务，还真正掌握了新技能。

两名称为「生成后理解型」的参与者先让AI生成代码，但不会简单复制粘贴。相反，他们会停下来，通过AI询问代码的工作原理，就像有个私人导师在旁解释。

三名「混合代码解释型」参与者更加聪明。他们在请求代码生成的同时，主动要求AI提供解释。「请生成代码，并解释为什么这样实现」，这样的提问方式让他们在获得解决方案的同时，也理解了背后的逻辑。

最成功的是七名「概念查询型」参与者。他们只向AI询问概念性问题，然后依靠自己的理解编写代码。这种方法虽然会遇到更多错误，但正是这些错误成为了最好的老师。

图4：6种不同类型使用AI的方式的完成时间和技能得分

高技能形成模式的共同特点是参与者保持了认知参与度，而不是将思维过程完全外包给AI。概念查询型参与者尤其成功，他们平均成绩达到86%，同时完成任务的速度也较快。

而对照组参与者由于没有AI辅助，在任务过程中遇到了更多错误，包括与Trio库核心概念直接相关的错误。解决这些错误的过程迫使开发者深入理解库的工作原理。而学习中遇到的困难尤其是错误，对技能形成具有不可替代的价值。

相比之下，AI组参与者往往一键修复错误，错过了从错误中学习的机会。一位参与者在反馈中坦言：「使用AI助手让我变得懒惰，没有像平时那样仔细阅读Trio库的介绍和代码示例。」

用好AI

AI是解释工具而非代码生成器

随着企业和开发者越来越多地采用AI代码生成与人工监督相结合的工作流程，确保人类监督者具备必要的技能来验证和调试AI编写的代码至关重要。开发者必须寻找维持深度学习与技能精进的平衡点，避免陷入“快而不精”的职业陷阱。

使用AI后，编程技能下降最大的是调试能力，这意味着如果开发者最初使用AI时技能形成受到抑制，他们可能缺乏验证和调试AI编写代码的必要技能。这里是只测试了一个库的学习，如果是对于那些从学编程开始，就只是依赖AI而不自我锻炼能力的，不当使用AI带来的影响只会更加深远。

在时间约束和组织压力下，初级开发者可能会过度依赖AI以最快速度完成任务，牺牲真实的技能发展。这种趋势从长期来看可能削弱行业的技术能力。

然而，研究也指出了解决方案。有三种与AI的交互模式能促进技能形成，这意味着AI可以成为学习的有力辅助工具，关键在于如何使用。保持认知参与度，将AI视为解释工具而非代码生成器，可以兼顾效率和学习效果。

而这不仅需要个人主动更改自己的习惯，还需要专门设计用于教育的AI进行系统提示词，让使用者不只是复制AI生成的代码。

而除了编程能力，像写作、数值分析、估算等实用技能，是不是也会因为使用了AI，导致缺少从犯错中学习的经历，而难以培养起对应能力了，这是一个更值得研究与关注的问题。

参考资料：

https://arxiv.org/abs/2601.20245

https://www.anthropic.com/research/AI-assistance-coding-skills