第一幕：众说纷纭的光谱
RC 咨询了近 3000 名校友，避开宏大的政治议题，聚焦于实际影响。一个惊人的发现是：即使是经验丰富、能力卓越的程序员，对 AI 当前的价值也存在着巨大的分歧。
AI 效用观点光谱（概念示意）
范式革新者
“我的工作流已彻底改变，我现在主要审阅 AI 代理提交的 PR。”
甚至有人开始采用“语音编程”。
怀疑论者
“极其自信，但几乎总是错的。”
认为现有 LLM 帮助不大，预计未来几年变化甚微。
我们发现，现实中的讨论远比网络上的主流论述更细致、更复杂。
第二幕：解构效用
为什么看法如此不同？RC 发现了影响程序员对 AI 工具感知的三个关键因素。
1. 经验与时效性
对 LLM 使用的深度、广度和最近使用时间显著影响判断。
在 AI 领域，“很久以前”可能仅仅意味着几个月前。
2. 编程工作的类型
模型训练数据中表示是否充分？涉及多少样板代码？
Web 开发和数据脚本比系统编程更容易受益。
3. 项目背景与规模
是在进行小型的绿地项目（Greenfield），还是在维护大型组织的庞大旧代码库？
前者更容易看到 AI 的效用。
不同领域的 AI 效用感知对比（概念图）
注：此图表基于 RC 校友的定性反馈，展示了对当前 LLM 工具效用的相对感知。
第三幕：学习的悖论
AI 是一把双刃剑：它能提供前所未有的便利，但也带来了削弱深度理解的风险。关键在于，AI 消除的是必要还是不必要的“摩擦”？
“电动自行车”比喻 🚴⚡️
如果目标是：快速到达目的地
LLM（电动自行车）具有明显优势。它们可以让你更快地探索和熟悉新领域。如果目标仅仅是产出代码，它们无疑会加速这一过程。
如果目标是：成为更强的骑手
如果目标是深入参与编程工作以成为更好的程序员，你越是依赖它们，就越会剥夺自己通过深入参与过程而获得的益处。
实践中的平衡：模式切换与超级导师
🚀 交付模式 (Shipping Mode)
- 目标：效率与产出。
- AI 使用：重度依赖 LLM 生成代码。
🧠 学习模式 (Learning Mode)
- 目标：深度理解，技能固化。
- AI 使用：有意关闭代码生成工具，拥抱必要的“摩擦”。
👨🏫 导师模式 (Tutoring Mode)
LLM 作为个性化导师极具价值。它们允许学习者毫无顾忌地提出无数“愚蠢的问题”，快速入门新领域，消除了社交障碍。
— 某位帮助推出 ChatGPT 的 RC 校友
第四幕：永恒的基石
尽管工具和观点在不断变化，但所有校友——无论是 AI 的拥护者还是怀疑者——都一致认同：有些核心能力依然至关重要。
深刻的系统理解
建立心智模型（Mental Models），理解操作系统、网络协议等深层原理的能力，比以往任何时候都更重要。
判断力与鉴赏力
AI 总会给你一个“Yes”，但这个“Yes”常常是谎言。懂得质疑、挑战 AI 输出并亲自验证（知道如何说“不”）的能力至关重要。
抽象层级的切换
优秀程序员的标志是在不同的抽象层级之间自由切换，并在多个层面上理解系统，这是 LLM 目前难以做到的。
RC 的教育理念基于“自主学习 (Unschooling)”先驱 John Holt 的思想：“我们无法给予他人我们的心智结构；他们必须构建自己的。”
第五幕：RC 的指南针
AI 时代的三大自我指令
1. 在能力边缘工作
(Work at the edge of your abilities)
真正的成长发生在“能做到”和“几乎能做到”的边界。
AI 时代的严谨性 (Rigor)
LLM 可以帮助你扩展能力边缘，但也可能在你“能产出的”和“能理解的”之间造成鸿沟。
RC 立场：使用 AI 工具学习时，你需要更加严谨，确保理解跟上产出。
2. 锻炼你的意志力
(Build your volitional muscles)
只有当你自己选择时，工作才变得有意义。
AI 时代的自主性 (Agency)
LLM 擅长快速给出答案，但不擅长知道你关心什么问题。只有你能决定什么对你重要。
RC 立场：使用 AI 工具来增强你的自主性（能动性），而不是取代它。
3. 慷慨地学习
(Learn generously)
RC 的主要价值在于人。
AI 时代的社区 (Community)
当观点差异巨大时，需要为尊重的分歧留出空间。向他人提问通常使双方受益，不要让能量流入“技术虚空”。
RC 立场：对不同的观点保持开放，不带偏见或教条。对周围的人保持好奇和友善。
放大你的抱负，
而非放弃你的自主。
无论你选择拥抱还是避免 AI，要成为一名优秀的程序员，你都必须建立自己的心智结构。
掌握你的工具，而非被工具掌握。