AI 辅助如何影响编程技能的形成
Hacker News 摘要原标题：How AI assistance impacts the formation of coding skills
Anthropic 的最新研究探讨了 AI 辅助如何影响编程技能的形成。虽然之前的观察性研究表明 AI 能让部分工作任务提速 80%，但过度依赖 AI 可能会导致认知卸载，即人们减少思考，将任务完全交给 AI。这引发了一个核心担忧：这种做法是否会阻碍开发者在工作中提升技能，或导致他们无法理解自己构建的系统。
研究设计
研究团队进行了一项随机对照试验，招募了 52 名主要为初级水平的软件工程师。这些参与者都具备 Python 基础，但对本次测试中使用的 Python 库 Trio 并不熟悉。
试验分为三个阶段：热身练习、核心编码任务（使用 Trio 开发两个功能）以及随后的测验。参与者被分为两组：
• AI 辅助组：在编码时可以使用侧边栏的 AI 助手，助手拥有代码库访问权限，并能根据要求生成代码。
• 手动编码组：不使用 AI，完全独立编写代码。
评估体系重点关注四种编程能力：
• 调试：识别和诊断代码错误的能力。
• 代码阅读：理解并验证代码逻辑的能力。
• 代码编写：选择正确的方法编写代码。
• 概念理解：掌握工具和库背后的核心原则。
主要研究发现
研究结果显示，使用 AI 辅助虽然在效率上略有提升，但显著降低了学习者对知识的掌握程度：
• 掌握度下降：AI 组在随后的测验中平均得分比手动组低 17%，这相当于两个等级的成绩差距。
• 调试能力差距最大：两组在调试题上的得分差距最为明显，说明过度依赖 AI 会严重削弱开发者判断代码错误的能力。
• 效率提升有限：AI 组完成任务的平均时间仅比手动组快约 2 分钟，且这一差异在统计学上并不显著。
• 交互方式决定结果：使用 AI 的方式直接影响了知识保留。那些单纯让 AI 代写代码的人得分最低，而那些利用 AI 进行概念咨询的人表现更好。
AI 交互模式分析
研究通过对屏幕录像的定性分析，识别出了不同的 AI 使用模式及其对学习的影响：
低分交互模式
• AI 委派：完全依赖 AI 编写代码。虽然速度最快，但几乎没有学到知识。
• 渐进式依赖：起初尝试独立思考，但最终将所有编写工作交给 AI。
• 迭代式 AI 调试：虽然问了很多问题，但主要是让 AI 解决错误，而不是为了理解错误原因。
高分交互模式
• 生成后理解：先让 AI 生成代码，随后针对生成的代码提问以加深理解。
• 混合代码解释：在要求 AI 生成代码的同时，要求其提供详细的原理解释。
• 概念咨询：仅向 AI 询问概念问题，然后坚持由自己手动编写代码。这种模式在所有高分模式中速度最快，整体速度仅次于完全委派。
结论与建议
研究结论指出，在工作场所积极引入 AI 会带来权衡问题。为了追求速度而过度依赖 AI 的初级开发者，可能会以牺牲技能成长为代价。如果开发者缺乏验证 AI 生成代码的底层技能，那么长期的生产力可能会受到威胁。
管理者在部署 AI 工具时应保持审慎，考虑采用能够促进工程师在工作中持续学习的系统设计。对于个人而言，认知上的努力——甚至是遇到困难时的痛苦思考——对于掌握技能至关重要。目前主流的大型语言模型服务（如 Claude 或 ChatGPT）都提供了学习和解释模式，旨在帮助用户在提高效率的同时不放弃技能培养。
Anthropic 表示，这只是研究人机协作影响的第一步。未来的研究将进一步探索 AI 对编程以外领域的影响，以及这种效应在长期内是否会随开发者经验增加而消失。
原文：https://www.anthropic.com/research/AI-assistance-coding-skills