神话
人工智能将使学习编程成为历史。
现实
人工智能降低了代码语法的重要性，但却使逻辑和架构（理解）比以往任何时候都更加关键。我们正在从“建造者”转变为“架构师”，必须验证人工智能铺设的每一块砖。
软件工程人工智能编码计算机科学学习编程
代码生成与代码理解
在人工智能时代，生成功能性脚本与真正理解其逻辑之间的差距显著扩大。虽然代码生成能够立即提高生产力并解决“空白页面”问题，但代码理解是调试、保护和扩展复杂系统所必需的关键认知技能，而自动化工具可能会误解这些代码。
亮点
- 代码生成解决的是“如何”编写代码的问题，而代码理解解决的是“为什么”要编写代码的问题。
- “货物崇拜式编程”现象日益增多，越来越多的开发者在未经验证的情况下复制粘贴人工智能的输出结果。
- 理解能够优化大O复杂度，而人工智能往往为了追求简单的可读性而忽略了这一点。
- 生成式工具非常适合学习语法，但实际上可能会阻碍深度问题解决能力的培养。
代码生成是什么？
使用基于高级提示的自动化工具、模板或大型语言模型生成可执行源代码的过程。
- 依赖于对数十亿行现有开源数据进行模式匹配。
- 生成样板代码的速度比人类打字员快 10 到 50 倍。
- 经常引入看似合理但实际上会失败的“幻觉”或已弃用的库语法。
- 操作时缺乏对具体业务逻辑或安全环境的内在理解。
- 它就像一个强大的“副驾驶”，可以减轻记忆句法的认知负担。
代码理解是什么？
程序员构建的心理模型，用于追踪逻辑流程、管理系统状态以及预测系统不同组件之间的交互方式。
- 涉及“心理模拟”，即开发人员在脑海中执行代码以查找边界情况。
- 可以识别出技术上并非“语法错误”的架构缺陷。
- 对于重构来说至关重要，因为你无法安全地更改你不理解的东西。
- 需要掌握数据结构、内存管理和时间复杂度（$O(n)$）方面的知识。
- 构成技术债务管理和长期软件可维护性的基础。
比较表
| 功能 | 代码生成 | 代码理解 |
|---|---|---|
| 主要产出 | 立即可用的语法 | 长期系统可靠性 |
| 执行速度 | 近乎瞬时的 | 缓慢而沉稳 |
| 调试能力 | 低（反复试验） | 高（根本原因分析） |
| 安全风险 | 高（隐藏漏洞） | 低（人工验证） |
| 学习曲线 | 浅层（快速工程） | 陡峭（计算机科学基础） |
| 可扩展性 | 仅限小片段 | 能够构建整个架构 |
详细对比
黑匣子陷阱
代码生成通常就像一个“黑盒”，开发者得到的是一个可以运行的解决方案，却不知道它为什么有效。这会造成一种危险的依赖性：当生成的代码不可避免地出现问题时，开发者缺乏必要的底层理解来修复它。只有理解底层逻辑，才能从“代码使用者”转变为“软件工程师”。
句法与语义
代码生成工具精通语法——它们知道分号和括号应该放在哪里。然而，它们往往难以理解语义，也就是代码背后的实际含义和意图。一个对语义有深刻理解的人能够识别出生成的循环何时效率低下，或者变量名何时模糊了函数的用途，从而确保代码对其他人来说仍然易于阅读。
维护成本
生成的代码虽然易于创建，但如果作者不理解其原理，维护成本可能极其高昂。软件开发很少是“一次编写”就能完成的；它往往需要多年的更新和集成。如果对原始生成的代码块缺乏深入理解，添加新功能常常会导致“纸牌屋”效应，一次改动就可能使整个系统崩溃。
安全与边缘案例
人工智能生成器常常忽略一些经验丰富的开发者能够预见的隐蔽安全漏洞或极端情况。代码理解能力让你能够查看生成的代码片段，并提出诸如“如果输入为空会发生什么？”或“这是否会让我们面临 SQL 注入的风险？”之类的问题。生成提供框架，而理解则提供免疫系统。
优点与缺点
代码生成
优点
- + 消除语法错误
- + 节省大量时间
- + 非常适合样板
- + 降低准入门槛
继续
- − 安全漏洞
- − 助长懒惰
- − 产生遗留债务
- − 难以调试
代码理解
优点
- + 更易于调试
- + 更好的建筑
- + 安全实施
- + 职业生涯的持久性
继续
- − 发展缓慢
- − 高度集中精力
- − 起初令人沮丧
- − 耗时
常见误解
神话
如果代码通过了测试，我就不需要理解它。
现实
测试只能涵盖您预先设想的场景。如果不了解这些场景，您就无法预测生产环境中可能导致系统故障的“未知未知因素”。
神话
代码生成工具始终遵循最佳实践。
现实
人工智能模型会使用所有代码进行训练，包括糟糕的、过时的和不安全的代码。它们通常会建议最“常见”的实现方式，而这种方式往往并非“最佳”或最先进的方式。
神话
理解意味着记住库中的每一个函数。
现实
理解的关键在于概念——并发、内存、数据流和状态管理。你可以随时查阅具体的语法，但你无法“查阅”逻辑思维能力。
常见问题解答
作为新手，使用 ChatGPT 或 GitHub Copilot 可以吗？
这把双刃剑。虽然它能帮你克服令人沮丧的语法错误，但过早使用会阻碍你培养编程所需的“思维能力”。如果你使用人工智能解决问题，务必确保你能向他人解释输出的每一行代码。你是否尝试过“逆向工程”人工智能的答案，看看它是如何运作的？这是利用这些工具进行学习的最佳方法。
如何从编写代码过渡到真正理解代码？
尝试一下“无AI挑战”，这是一个小型项目。完全从零开始，仅使用官方文档构建一个项目。这会迫使你深入理解概念，而不仅仅是关注结果。此外，练习阅读GitHub上其他人的代码；如果你能在不运行代码的情况下理解复杂代码库的逻辑，那么你的理解水平就达到了专业水平。
代码自动生成会导致更多错误吗？
起初，语法完美似乎能减少 bug。然而，从长远来看，它往往会导致“逻辑 bug”（程序思维方式上的错误），而这些 bug 更难发现。因为开发者没有编写逻辑，所以他们不太可能在为时已晚之前发现生成算法中的细微缺陷。
我只要擅长编写提示代码生成器就能找到工作吗？
这种情况可能不会持续太久。公司聘请开发人员是为了解决问题，而不仅仅是输出文本。在技术面试中，你会被要求解释你的思路、优化代码并灵活处理各种极端情况。一个只会“快速响应”而不理解代码的工程师，就像一个只会使用自动驾驶的飞行员；他们平时表现良好，但一旦出现问题就束手无策了。
验证生成代码的最佳方法是什么？
务必进行人工代码审查。逐步梳理逻辑，并问自己：“这是最高效的方式吗？”、“是否存在安全风险？”以及“这是否符合我们项目的风格？”此外，还应该编写专门用于测试生成代码的单元测试。测试诸如空字符串或极大数字之类的极端情况，是检验人工智能逻辑是否合理的好方法。
随着时间的推移，代码理解能力会变得不那么重要吗？
事实上，它正变得越来越有价值。随着人工智能生成越来越多的代码，能够审核、修复和连接这些代码的人才将变得炙手可热。这就像数学一样：我们有了计算器，但仍然需要数学家来理解其基本原理，从而解决复杂的工程问题。
为什么生成的代码有时看起来如此奇怪或过于复杂？
人工智能模型通常会选择“统计平均值”路径，这可能涉及将训练过程中遇到的几种不同的编码风格融合在一起。这会导致“弗兰肯斯坦式代码”虽然能够运行，但却过于复杂或使用了不一致的命名规范。具备相关知识的开发者可以精简这些“冗余代码”，使代码更加优雅易读。
“橡皮鸭调试法”与代码理解有何关系？
“橡皮鸭”是一种经典的代码理解技巧，它指的是你逐行向一个无生命物体（比如一只鸭子）解释你的代码。这个过程是对代码理解能力的终极考验。如果你无法解释某一行代码的作用，那就说明你没有理解它。对系统自动生成的代码进行“橡皮鸭”测试要困难得多，因为你并非最初做出逻辑决策的人。
裁决
利用代码生成来加速工作流程并处理重复的样板代码，但永远不要提交你自己写不出来的代码。真正的精通在于将人工智能作为实现愿景的工具，而不是让工具来左右你的逻辑。
相关比较
LSAT备考与现实世界思维
尽管LSAT考试常被视为法学院入学的一道门槛，但它严苛的备考过程却培养出一种与日常逻辑截然不同的超强分析思维。现实世界的思考依赖于直觉和广阔的背景，而LSAT的逻辑则要求近乎机械的精确性，它能剥离外部假设，揭示论证的结构完整性。
STEM教育与博雅教育
在理工科（STEM）和人文科学之间做出选择，需要在技术专长和广泛的知识素养之间权衡。理工科侧重于通过实证数据和技术解决具体问题，而人文科学则培养批判性思维和文化素养，以应对复杂的人类系统。两条道路都能提供独特的长期职业优势。
标准化测试与实际应用
标准化测试与实际应用之间的争论焦点在于我们如何定义和衡量能力。标准化测试提供了一种统一、可扩展的指标，用于比较庞大的人群，而实际应用则侧重于学习者在复杂多变、难以预测的真实环境中执行任务和解决问题的能力。
标准化测试与形成性评估
标准化考试能够提供学生表现与国家基准对比的概览，而形成性评价则如同日常学习的导航系统。前者衡量课程的最终目标，后者则提供实时反馈，帮助学生在实际教学过程中应对挑战、提升理解能力。
成绩与学习：理解二者的区别
虽然成绩和学习常常被视为同一概念，但它们代表了教育中两条截然不同的道路。成绩是对特定阶段表现的标准化衡量，而学习则是获取技能和深入理解的持久过程。本文将探讨这两者如何相互作用，以及在现代教育中它们之间的分歧所在。