一个扎心的场景:你让 AI 帮你写了个排序算法,代码跑通了,功能上线了。但下次面试官问起快排的时间复杂度,你脑子里只剩一片空白。这不是你笨,而是你踩中了 AI 时代学习最大的坑——把“完成工作”当成了“学会东西”。

在 Craft 大会上,软件工程师 Chelsea Troy 提出了一个反直觉的观点:**在 AI 时代,想提升编程技能,恰恰要学会“慢下来”**。她把软件工程的工作分成两种模式:一种是“搞定事情”(doing stuff),比如写代码、修 bug、部署上线;另一种是“搞清楚事情”(figuring stuff out),比如理解系统为什么这么设计、某个报错背后的原理是什么。

我们本能地喜欢“搞定事情”的快感,于是拼命用 AI 加速这个过程。但问题在于,**“搞定事情”往往依赖于“搞清楚事情”**。如果你不理解系统的运作机制,AI 给你的代码一旦出错,你连怎么改都不知道,只能继续把错误抛回给 AI,陷入“复制-粘贴-报错-再复制”的死循环。你越快,就越卡在原地。

Troy 的核心观点是:**促进学习的活动,本质上都是“低效”的**。它们需要你全神贯注,需要你直面“我不懂”的挫败感。那种困惑、沮丧的情绪,恰恰是大脑建立认知能力的必要燃料。你坐在那里,对着一个搞不懂的报错冥思苦想,这个过程虽然痛苦,但你的大脑正在疯狂地建立新的神经连接。而 AI 直接把答案喂给你,等于跳过了这个“烧脑”的过程,认知能力自然无从提升。

这背后有扎实的认知科学支撑。Troy 提到了几个关键概念:

**间隔重复(Spaced Repetition)**:技能的形成,需要“专注的注意力”和“高质量的睡眠”交替进行。睡眠是大脑巩固记忆的关键时期。所以,与其让 junior 开发者一天之内死磕一个难题,不如把学习任务拆散,分散到几天里,让大脑在几次睡眠中慢慢消化。

**结果预测(Outcome Prediction)**:这是最实用的一条。大脑在“猜测”之后,对信息的吸收效率会大幅提升。具体做法很简单:学习一个新系统时,每看完一步,先停下来问自己:“根据我目前掌握的信息,下一步应该是什么?为什么?”然后带着你的猜测继续看,去验证。哪怕猜错了,这个“猜”的动作也会让你的记忆深刻得多。这比被动地看文档、看视频有效得多。

**格式多样化(Format Diversification)**:很多人觉得自己是“动觉学习者”,看文档学不会,非得动手敲一遍才行。Troy 指出,这其实是个错觉。真相是,你通常已经通过读、听、看接触过这个信息了,动手尝试是第二次或第三次接触,这时候信息才真正“粘”在你脑子里。所以,学习新东西,别只盯着一种资料,换个角度、换个形式再看一遍,效果会好得多。

InfoQ 在会后对 Troy 进行了专访,她进一步点破了 AI 时代学习困境的根源。

**最大的认知障碍,不是大脑变了,而是工作节奏变了。** 我们的认知结构没变,但“永远在加速”的工作期望,让“慢下来学习”变成了奢望。当“坐下来慢慢啃”成了职业发展的非选项,开发者只能被迫走捷径,而一旦走了捷径,就再也回不去那个学习目标了。这已经成了系统性问题,需要管理者向上管理,主动为团队留出学习空间。

**对 junior 开发者,最大的问题是把“工作完成”和“学习目标达成”混为一谈。** Troy 举了个绝妙的例子:她在课堂上让 25 个学生写一个算术语言编译器,并不是因为她需要 25 份编译器。这个编译器本身毫无实用价值,它是个“玩具问题”,目的是让学生通过设计过程,获得对后续课程中更复杂设计问题的亲身经验。Claude 当然能瞬间写出这个编译器,但那完全错过了重点——**重点从来不是编译器本身,而是通过设计它,学会如何思考更难的问题**。

所以,衡量学习效果的关键指标,不是“作业成品”的质量,而是**学习者作为实践者,在思维上发生了怎样的改变**。这个改变,才是真正的 KPI。

这对我们有什么实际启发?

如果你是个独立开发者,下次遇到问题,别急着把需求丢给 AI。先自己动手查文档、写个粗糙的版本,卡住了再问 AI。把 AI 当成“对答案”的工具,而不是“抄作业”的工具。

如果你是团队里的 senior,想带 junior,别只看他们提交的代码。要花精力去观察他们**实际的工作过程**——他们卡在哪里、为什么卡住、是怎么搜索的。然后针对这些真实的行为做辅导,而不是基于你对“junior 应该怎样”的刻板印象。

AI 确实改变了软件工程技能学习的版图,但正如 Troy 所说,我们解决问题的生物学和心理学机制,并没有那么快改变。理解工具如何工作很重要,但理解**我们自己如何学习**,并据此训练自己和辅导他人,才是 AI 时代真正的核心竞争力。慢下来,才能快起来。

Accelerating Performance by Incrementally Integrating Rust into Existing Codebas
Accelerating Performance by Incrementally Integrating Rust into Existing Codebas
阅读原文 → 返回 AI 技术文档

内容与图片版权归原作者所有 · 原文: https://www.infoq.com/news/2026/10/software-engineering-skills/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global