别把思考外包给AI：一位工程师的忠告

AI 编程工具的普及速度远超人们的认知更新。从在校学生到资深工程师，几乎所有人都在用 LLM 写代码、查文档、搭原型。但 Reddit 上一位软件工程师的吐槽帖点出了一个被忽视的问题：大多数人根本不清楚用 AI 的边界在哪里。他提出的两条规则——不要用 AI 替你思考，学生不要用 AI 直接构建项目——值得每个把 AI 当万能钥匙的人读一读。

把思考外包给机器，是最大的风险

作者引用了软件工程领域一个老生常谈的比例：在真正的软件开发中，敲代码只占 5% 到 10% 的工作量。剩下的部分是需求拆解、架构设计、边界条件推演、性能预估和故障预案。AI 可以加速那 5%，但它替代不了另外 95% 的判断。

他举了一个极端但很现实的场景：一个完全没有系统知识的人，某天晚上对着 AI 疯狂 prompt，搭出了一个网站。功能跑通了，客户很满意。但因为没有人在过程中考虑过并发量和基础设施，上线后流量一冲，服务直接崩了，客户损失了一百万美元。这时候客户该怪 AI 还是怪那个把脑子租出去的人？答案不言自明。

作者并不否认 AI 降低了从零到 demo 的门槛。但他强调：demo 就是 demo。哪怕是小规模应用，在面对真实用户请求时，你依然需要理解技术细节才能做出正确决策。而 LLM 的记忆是有限的，上下文窗口之外的东西它根本不知道——它不会主动提醒你"你忘了考虑扩容"。

规则一：不要用 AI 来思考。

上下文窗口（Context Window） 是理解 LLM 能力边界的关键概念。它指模型在一次推理中能够“看到”并处理的 token 总量上限，包括你输入的提示词、对话历史以及模型生成的回复。主流模型的上下文窗口从早期的几千 token 发展到如今的几十万甚至上百万 token，但无论多大，它终究是一个有限且闭合的范围。模型只能基于窗口内的信息做推断，无法感知窗口之外的系统状态、业务背景或未来变化。因此它不会主动提示“你的数据库连接池可能不够用”，也不会记得你上周提过的部署环境。理解这一限制，就能明白为什么作者强调架构决策不能交给 AI——它看不到全局，只能看到你喂给它的片段。

学生的困境：用 AI 做项目，等于什么都没学

作者以从业者身份接触过不少在校学生，最近一次经历让他相当无语。一个大四学生参加黑客松，项目号称"带 LLM 支持"的爬虫工具。作者要来看代码，发现所谓的 LLM 支持，只是一个返回静态 JSON 的占位实现。追问之下，学生的回答是："我不知道，我用 AI 工具生成的。"他甚至没打开看过生成的内容。

这个案例暴露的问题不是学生"偷懒"，而是 AI 工具正在制造一种能力幻觉。学生以为自己交付了一个项目，实际上交付的是一段自己完全不理解的代码。作者对专业人士和学生做了明确区分：专业人士用 AI 是为了提速，因为他们本身具备判断产出质量的能力，并且要对结果负责；学生用 AI 跳过学习过程，等于花钱买了一张某天一定会被拆穿的文凭。

规则二：学生不要用 AI 直接构建东西。可以用它来辅助学习，但博客和书仍然是更可靠的路径。

能力幻觉（Illusion of Competence） 是认知心理学中的经典现象：当人反复接触某类信息或看到流畅的产出时，会高估自己对该领域的掌握程度。学生用 AI 生成代码并成功运行，会产生“我做出了这个项目”的错觉，但实际的知识建构并未发生。与“能力幻觉”相对的是生成效应（Generation Effect）——自己动手推导、试错、调试所获得的知识，记忆和理解深度远高于被动阅读或复制。AI 恰好跳过了这个生成过程，把“做中学”变成了“看中学”。这也是为什么作者坚持博客和书更可靠：它们迫使读者在脑中重建逻辑链条，而不是直接拿到一个黑箱结果。

注意力在萎缩，思考能力在退化

文章最后提到了一个更宏观的担忧。作者引用了一项研究数据称 Z 世代的 IQ 比上一代下降了超过 10%，同时注意力持续时间在缩短，人们越来越难以静下来读完一篇文章或听完一节课。他对 IQ 这个指标本身持保留态度，但认为它关联的批判性思维确实在流失。

这个判断和 AI 使用问题形成了闭环：当你习惯把问题直接丢给 AI 获得答案，你就跳过了"困惑—推演—验证"的认知过程，而这个过程中产生的肌肉记忆，恰恰是解决下一个更难问题的前提。作者呼吁"拯救那个让人类活了几百年的思考能力"，措辞直白，但方向没错。

作者提到的 IQ 下降数据源自哪里值得留意。近年来被广泛引用的是西北大学等机构基于 PISA 数据的研究，显示青少年在注意力、工作记忆等认知指标上呈下降趋势，但学术界对“弗林效应逆转”是否成立仍有争议，IQ 作为单一指标也难以全面反映批判性思维。不过，认知卸载（Cognitive Offloading） 是更扎实的概念：人类天然倾向于把记忆和计算任务交给外部工具，从纸笔到计算器再到搜索引擎都是如此。AI 的不同之处在于它卸载的是推理过程本身，而推理过程恰恰是形成判断力的训练场。长期依赖外部推理，可能导致“用进废退”式的认知能力弱化——这与文章的核心担忧一致。

实操建议：AI 的使用边界在哪里

综合这篇文章的观点，可以梳理出几条可落地的原则：

先自己想，再用 AI 验证。 遇到问题时，先写下你的假设和解法，再拿 AI 的输出来对照。如果两者不一致，那个差异点就是你该学习的地方。

让学生阶段回归"慢学习"。 写代码慢、查文档慢、调试慢，这些"低效"恰恰是建立技术直觉的必要成本。AI 生成的代码如果看不懂，宁可不交。

对 AI 的输出保持架构级别的警惕。 它能给你一个能跑的 demo，但它不知道你的用户规模、部署环境和失败代价。这些判断必须由你来做。

明确责任归属。 如果你不对产出负责，AI 可以随便用；如果你要对结果负责，那 AI 只是工具链中的一环，不是决策者。

这篇文章的语气有些冲，措辞也带着明显的个人情绪，但它提出的核心矛盾——工具能力与使用者判断力之间的错配——是当前 AI 普及浪潮中最真实的风险之一。工具越强，越需要知道什么时候不该用它。