Vibe Coding，是怎么「玩廢」程序員的？

當大腦不再負重，技術肌肉就開始萎縮。

作者｜Moonshot

編輯｜靖宇

「自然語言就是新的編程語言?！惯@句話在過去一年里被無數人奉為圭臬。

特斯拉前 AI 總監 Andrej Karpathy 帶火的 「Vibe Coding」（氛圍編程）更是讓這種狂熱達到了頂峰——你不需要懂語法，不需要管實現，只要對著 AI 喊出需求，然后 Check 一下感覺（Vibe）對不對就行了。

聽起來，程序員的門檻似乎要被抹平了。

但就在上周，大模型領域的「優等生」、Claude（也是最受歡迎的 Vibe Coding 模型之一）的母公司 Anthropic 居然自己跳出來，給這股熱潮潑了一盆冰水。

圖源：arxiv

他們發了一篇題為《AI 如何影響技能形成》的硬核論文，告訴我們一個殘酷的真相：如果你在學習新東西時過度依賴 AI，你不僅不會變快，你的核心能力還會出現顯著退化。

甚至，你可能正在變成一個「半廢」的工程師。

01

人是輕松了，腦子也廢了

Anthropic 的研究員這次很較真，他們找來 50 多位有經驗的 Python 程序員，搞了一場「閉卷考試」。

考題是讓大家去學一個從來沒用過的冷門 Python 庫：Trio，來完成一系列異步編程任務。這完美模擬了程序員在工作中經常遇到的場景：老板突然讓你用一個你沒見過的工具/框架去解決問題。

程序員被分成了兩組：

「手動組」： 只能看官方文檔，用 Google 搜索，嚴禁使用 AI。

「AI 組」： 配備了一個基于 GPT-4o 的強大 AI 助手，可以隨時提問、讓它寫代碼、修 Bug。

任務結束后，所有人都參加了一場原本用于檢驗「學習成果」的考試。

考試內容包括編程語法、對代碼邏輯的理解、閱讀代碼的能力，以及調試（Debugging）能力。

大家的第一反應肯定是：AI 組肯定秒殺「土法煉鋼」組吧？畢竟這可是 GPT-4o 級別的輔助。

但實驗結果出來后，所有人都沉默了。

無 AI 組問答得分普遍高于 AI 輔助組｜圖源：Anthropic

最明顯的結果是：成績不好。數據顯示，使用了 AI 的那組人，考試得分平均比手寫組低了 17%。

論文中特別提到，分差最大的領域在于調試（Debug）。

這并不意外，畢竟 Vibe Coding 最大的弊端就在于，用戶不知道那堆代碼是怎么跑起來的，排查和調試都無從下手。

「好吧，我承認我變菜了，但我至少變快了啊！」這可能是很多 Vibe Coding 愛好者的最后防線。

很遺憾，Anthropic 的數據再次打臉。報告顯示，在完成任務的總耗時上，AI 組和手動組在統計學上沒有顯著差異：AI 組平均 23 分鐘，手動組平均 24.7 分鐘。

為什么會這樣？我們不是有 AI 加持嗎？論文指出了一個被忽視的時間成本：

「交互稅」。

有些程序員為了讓 AI 寫出完美的代碼，花了大量時間在「寫提示詞」上。數據顯示，有人甚至花了 11 分鐘在跟 AI 聊天，或者在一項 35 分鐘的任務里，花了 30% 的時間在構思怎么問問題。

「時價比」不高，花費的時間并沒有轉換成得分｜圖源：Anthropic

再結合上 Vibe Coding 最短的短板——Debug 困難。AI 組很容易陷入試錯式調試（Iterative Debugging） 的循環：AI 生成代碼-報錯了-把報錯丟給 AI：「解決一下這個 bug」-AI 再生成-又報錯了……

最后整個工程變成了不可逆轉的「屎山黑箱」（「屎山代碼」指一種混亂、難以理解和維護的代碼狀態，「黑箱」則指不知道內部結構的系統）。

在這個過程中，時間一分一秒流逝，而程序員的大腦處于一種「掛機等結果」狀態，既沒有節省時間，也沒有學到東西。

到這兒你可能對 Vibe Coding 祛魅了？別急，這篇論文最精彩的部分，在于它通過錄屏分析，把使用 AI 的程序員分成了六種流派。

研究員發現，雖然 AI 組平均分低，但組內方差極大。

有的人「廢」了，有的人卻「超神」了。區別全在于怎么用 AI。

02

代碼沒編好，

用戶畫像倒是有了

第一類用戶都可以歸為「AI 廢人」的低分低能組，考試得分極其慘烈，平均分都在 40% 以下（不及格）。

這一大類里還能細分為三個小類，分別是：

• 甩手掌柜型 (AI Delegation)：直接把題目復制給 AI，「幫我寫個函數解決這個問題」，然后 Ctrl+C / Ctrl+V，直接交卷。他們任務完成速度確實最快（平均 19.5 分鐘），但學到的東西幾乎為零，我奶奶來做都能行。

• 半途而廢型 (Progressive AI Reliance)：剛開始還想自己試試，寫了兩行發現報錯，心態崩了：「算了，AI 你來吧?！谷缓髲氐滋善健?/p>

• 盲目試錯型 (Iterative AI Debugging)：這是最典型的「無腦 Vibe」。遇到 Bug 不看回溯，直接把報錯扔給 AI。AI 給出的代碼看都不看就運行，不對再扔。這是也是最慘的一群人。浪費了大量時間后拿了個低分，完全成了 AI 的「人肉測試員」。

第二類用戶就樂觀多了，雖然用了 AI，但考試成績甚至能和手寫組持平（65% - 86%），尋找到了人機共生的解決方案。

拿 AI 作「輔助駕駛」的三類人得分更高｜圖源：Anthropic

這一大類里也能細分為三個小類：

• 打破砂鍋型 (Conceptual Inquiry)：他們幾乎不讓 AI 寫代碼。 他們只問概念：「為什么要用 await？」「這是什么原理？」搞懂了原理，再自己手寫。這是真正的「把 AI 當導師」，而不是當實習生，而且這種 Vibe Coding 也得需要用戶真的「懂行」、「會問」。

• 先斬后奏型 (Generation-Then-Comprehension)：讓 AI 寫代碼，但在復制粘貼之前，他們會追問：「解釋一下這行代碼為什么這么寫？」這么一句，就能讓 AI 先自審一遍，自己也能看到 AI 的編程思路，把 AI 的輸出轉化為了自己的知識。

• 混合雙打型 (Hybrid Code-Explanation)：融合了上面兩個類型的特點，會寫「請寫出代碼，并解釋每一步的邏輯?！惯@種提示詞，強制 AI 輸出推理思維鏈，讓自己跟上 AI 的思路，也便于去 Debug。

為什么用的是同一個 AI，人和人的差距這么大？

或許并不是 AI 廢掉了程序員，而是我們自己在「偷懶」的誘惑面前，主動選擇了繳械投降。

03

Vibe Coding 的代價是

Anthropic 的這篇報告，其實觸及了一個心理學概念：

認知卸載（Cognitive Offloading）。

即當工具足夠強大時，我們會下意識地把原本需要大腦處理的計算、記憶、邏輯推演任務，「卸載」給工具，就像自動駕駛一樣。

在 AI 時代，我們正在把「理解力」卸載給大模型。

論文里用了個比喻：AI 就像一副「外骨骼」，當你穿著它時，你力大無窮，能搬起千斤重。但問題在于，肌肉的生長需要負重和撕裂，如果你長期穿著它不脫下來，你的肌肉就會因為缺乏刺激而萎縮。

研究認為，過度依賴 AI 會直接跳過思考過程｜圖源：Anthropic

這篇論文中有一個非常不起眼、但細思極恐的數據：報錯數量。

手動組在做任務時，平均每人遇到了 3 次報錯。所以他們被迫停下來，盯著紅色的報錯信息，去查文檔、去思考「為什么類型不匹配」、「為什么線程沒掛起」。

而 AI 組平均每人只遇到了 1 次報錯，大多數時候，AI 給出的代碼不僅能跑，而且跑得極其順滑。

AI 組的報錯顯著少于無 AI 組｜圖源：Anthropic

這聽起來是 AI 的優點？不，Anthropic 的研究員指出，這恰恰是問題的根源。

論文明確寫道：「遭遇并獨立解決錯誤，是技能形成的關鍵一環?！?/p>

手動組之所以學得好，是因為他們經歷了「摩擦」。每一次報錯，都是現實世界給思維的一次「阻力」。正是為了克服這種阻力，大腦被迫建立了深刻的心理表征（認知心理學術語，指當外部信息進入人腦之后，它會被我們的大腦加工，以一種特別的結構儲存在大腦中）。

而 AI 組的體驗就太「平滑」了。但代價是，你失去了對地面的「抓地力」：脫下外骨骼，路都不會走了。

這種「AI 過于平滑」的通病，不僅僅存在于編程中，正在蔓延到我們生活的方方面面。

在編程里，它消除了 Debug 的痛苦，讓你誤以為自己掌控了系統；在創作里，它消除了構思的枯燥，讓你誤以為自己擁有了創意；在人際關系里，它甚至也在消除「摩擦」。

就像很多 AI 成癮的問題，都源自于 AI 永遠情緒穩定，永遠秒回，永遠順著你的話說，這種極致的「平滑關系」，何嘗不是一種 Vibe Social。

04

「我行我上」的幻覺

Vibe Coding 最迷人也最危險的地方，在于它制造了一種「快樂但無知」 (Happy but Ignorant) 的幻覺。

論文中提到了參與者們微妙的心理變化：AI 組的參與者普遍覺得任務「更容易」，「手動組」則覺得任務很難，過程很痛苦。

但反轉來得很干脆：那些覺得「容易」的人，在隨后的測試中一塌糊涂；而那些覺得「困難」的人，雖然過程煎熬，但自我報告的「學習和成長感」 卻更高，分數也更高。

所以Vibe Coding 讓你在寫代碼的過程中感覺自己是個天才，直到代碼報錯的那一刻，你才發現自己只是個「睜眼瞎」。

在面對「未知」時，AI 是公平的，它會平等地「廢掉」每一個試圖偷懶的大腦，無論這個大腦曾經多么睿智。

研究人員按照編程經驗將參與者分成了三層：1-3 年、4-6 年、7 年以上。

結果數據顯示，在所有經驗層級中，不使用 AI 的組，考試得分都高于使用 AI 的組。

哪怕是資深工程師，在 AI 輔助下得分也低于無 AI 組｜圖源：Anthropic

這意味著，即使你是入行 7 年以上的老鳥，在面對一個全新的技術領域時，如果過度依賴 AI，你的學習效果依然會大打折扣。

當然了，Anthropic 的這篇論文也不是讓我們因噎廢食，退回到手寫代碼的時代。

它更像是一份「AI 時代生存指南」。想要不被 AI「廢掉」，我們需要改變使用習慣，從報告中的「高分高能組」那里取經：

比如多問「為什么」，少說「幫我做」；哪怕是 AI 生成的代碼，也要像審視同事的代碼一樣，逐行閱讀，理解代碼邏輯；珍視 Debug 的機會，下次遇到 Bug，試著先自己分析 5 分鐘，而不是 5 秒鐘后就截圖發給 ChatGPT。

AI 確實能讓我們跑得更快，但前提是，你得知道路在哪里，以及車壞了該怎么修。

畢竟，當自動駕駛失效的時候，只有那個還沒忘記怎么握方向盤的人，才能救全車人的命。

*頭圖來源：Deeplearning AI Community

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你怎么看現在大部分代碼

都有 AI 生成這件事？

黃仁勛：如果我現在是學生，比專業更重要的是先學 AI。

點贊關注極客公園視頻號，