Chelsea Troy 指出 AI 加速产出但未加速技能，工程师需通过“降挡”学习掌握系统本质

一句话结论

Chelsea Troy 指出生成式 AI 虽加速了任务交付，但无法替代慢节奏的认知训练，工程师必须通过主动预测和间隔重复等方式“降挡”学习，才能真正内化技能并指导初级开发者。

关键要点

• 软件工程包含“摸索规律”和“执行任务”两种模式，AI 加速了执行任务，但要想学会“摸索规律”必须刻意慢下来。
• 促进学习的活动在设计上往往低效且令人挫败，这种不适感（困惑与沮丧）是构建认知能力所必需的。
• 神经科学的“间隔重复”和“结果预测”策略能有效加深记忆和内化信息，优于盲目依赖 AI 生成代码。
• “格式多样化”（format diversification）指通过多种不同格式接触同一信息能显著提升学习效果。
• 在课堂或职场中，完成工作任务（如编写编译器）的优先级应让位于达成学习目标，重点在于思维方式的改变而非练习成果的质量。

背景与事实

在 Craft 大会上，软件架构师 Chelsea Troy 发表了题为“AI 时代的程序员进阶”（Leveling up as a Programmer in the Age of AI）的演讲。Troy 强调，软件和工具可以加速工作成果的交付，但未必能支持技能的培养。工程师必须理解系统是如何运作的，才能真正学到东西。她指出，软件工程主要包含两种模式：“摸索规律”（figuring stuff out）和“执行任务”（doing stuff）。当我们需要执行任务时，通常会加快速度，但 Troy 认为，如果想要真正掌握“摸索规律”的能力，就必须慢下来。如果执行任务依赖于前期的摸索，那么试图加快速度反而会让自己陷入停滞；我们必须先“降挡”（慢下来），才能继续前进。

Troy 进一步解释了那些能促进学习的活动在设计上往往是低效的。它们需要高度的注意力和投入，而且往往是在我们感到自己不擅长的事情上“雪上加霜”。Troy 解释道，我们必须直面那些让我们感到挫败的事物，并且去努力克服它，正是这种不适感（困惑与沮丧）才是我们构建认知能力所必需的。她把工具当作加速产出（outcome）的催化剂，认为这通常不利于技能的培养。即使有 AI 可用，我们依然需要理解我们试图修改的系统是如何运作的。

为了更科学地培养技能，Troy 引入了神经科学中的“间隔重复”（spaced repetition）概念。她认为，技能培养如果归结到最核心的本质，就需要高度集中的注意力，并穿插高质量的睡眠。她建议可以通过将学习过程分散到几次高质量的睡眠周期中，来帮助初级同事加深记忆。此外，她提出了“结果预测”概念：如果我们先尝试猜测答案，就能更好地内化信息；只有当大脑已经处于思考状态时，学习才会真正发生。Troy 解释说，当你学习某事物的运作原理时，可以在每一步都停下来问自己：“根据我目前已知的信息，我认为下一步应该是什么？为什么？”，做出了预测之后，继续学习，去看看真正的答案是什么。通过停下来问自己这个问题，你可以极大地提高内化答案的概率。

Troy 还提到了“格式多样化”（format diversification）的概念：当人们以多种不同的格式接触同一信息时，学习效果要优于反复以同一种格式接收信息。她指出，人们之所以认为自己是“动觉型学习者”（kinesthetic learners），是因为他们先阅读、聆听或观看了相关内容，然后才去尝试并弄坏它。真正让知识扎根的，是他们第二次（有时是第三次）接触该信息的方式。在演讲结束后，InfoQ 对 Chelsea Troy 进行了采访。Troy 表示，生成式 AI 改变了软件工程技能培养的现状，但人类解决问题的生物学和心理学机制并没有发生如此迅速的改变。为了有效地使用工具，了解工具是如何运作的固然有帮助，但更关键的是要了解我们自己是如何运作的。我们必须持续训练自己，并用符合我们学习方式的方法和策略来指导初级同事。

影响分析

对于中文开发者与从业者而言，这一观点带来了深刻的实践警示。目前，大量初级开发者将生成式 AI 视为“代写代码”的黑盒工具，导致他们在解决复杂系统问题时，缺乏对底层逻辑的深入理解。Troy 的分析表明，这种“跳过摸索直接执行”的捷径，在长期职业发展中会导致技能天花板迅速显现。当系统出现 AI 难以处理的边缘情况或复杂 bug 时，缺乏认知根基的开发者将陷入停滞。因此，开发者在 AI 时代需要重新建立“学习护栏”，即在利用 AI 加速编码的同时，必须保留专门用于“降挡”思考的时间，主动预测代码行为并验证其正确性，而非仅仅接受 AI 的输出。这种转变要求从业者从“代码产出量”的焦虑中解脱出来，转向以“思维模式改变”为核心的职业成长路径。

对于技术团队管理者和资深工程师，Troy 的建议也提供了管理上的新视角。管理者不能仅仅以任务完成速度和代码行数来考核初级员工，而需要识别并保护那些看似低效但高价值的学习时刻。在指导初级同事时，资深开发者应关注其实际工作表现，针对性地指出其思维模式的偏差，并鼓励其通过间隔重复和格式多样化等方式内化知识。这意味着，团队的知识库建设不应仅仅包含代码片段，更应包含“为什么这样写”的认知过程。通过建立这种以学习为导向的团队文化，企业才能确保持续的技术竞争力，避免在 AI 浪潮中沦为单纯的“应用层”劳动力，而失去核心系统设计能力。

适用边界

该结论主要适用于需要长期职业成长、处理复杂系统架构或解决非标准化问题的软件工程师。对于完全重复性、低复杂度的基础代码编写任务，或者在严格时间截点（deadline）压力下的紧急交付场景，Troy 建议的“降挡”学习策略可能不适用，因为此时效率优先于深度理解。此外，对于非编程技术岗位，虽然“间隔重复”和“结果预测”等认知策略仍具参考价值，但文中具体关于编译器作业和 AI 代码生成的语境并不直接适用。因此，在评估自身学习策略时，需要区分“探索型工作”与“执行型工作”，不能盲目地将低效的学习方法应用于所有工作环节。

孤本观察

Troy 提出的“编译器是玩具问题”的观点，实际上将 AI 时代的编程范式从“工具操作”重新定义为了“认知训练”。这提示开发者，AI 越强，人类作为“系统理解者”的不可替代性反而越高，核心壁垒将从语法掌握转移到对复杂系统因果关系的建模能力上。

来源：InfoQ 中文 AI