当AI代写一切：应届生的基本功危机与破局之道

从“自己写代码”到“让AI写代码”

一位刚毕业的工程师在Reddit上发帖，描述了他回母校时看到的景象：学校正在大力推动AI辅助教学，学生被教导如何用提示词让AI完成设计、实现和调试代码——从PLC、HMI、SCADA到嵌入式、IoT、ROS2，几乎覆盖了工业自动化的主流技术栈。用他的话说，“大多数学生几乎不知道代码是怎么工作的，基础几乎为零”。

这位发帖人并非反对技术趋势。他承认跟随潮流是好事，但坚持认为“基础仍然不能被跳过”。他提到一个令人不安的细节：超过60%的班级同学不知道数组是什么，不会Python，也写不了C++代码。数学能力同样堪忧——当被问到“如果有一个加速度方程，怎么求速度”或“加速度的积分是什么”时，所有人都一脸茫然。

文中提到的 PLC、HMI、SCADA、ROS2 是工业自动化与机器人领域的关键技术栈，理解它们的定位有助于把握“AI 代写代码”所涉及的系统复杂度。

• PLC（可编程逻辑控制器）：工业现场最基础的控制器，以梯形图或结构化文本执行确定性逻辑，直接驱动传感器与执行器，对实时性和可靠性要求极高。
• HMI（人机界面）：操作员与设备交互的界面层，负责状态显示与参数下发，通常与 PLC 联动。
• SCADA（数据采集与监控系统）：面向更大范围的监控与数据采集，强调通信协议、历史数据与报警管理。
• ROS2：机器人操作系统第二代，提供分布式通信、节点编排与实时性支持，是复杂机器人系统的主流框架。

这些系统共同的特点是：代码不仅要“能跑”，还要在时序、内存和异常处理上可预测。AI 生成的片段若缺乏对这些约束的理解，往往在集成阶段才暴露问题。

表象之下：被AI掩盖的能力断层

这个帖子之所以引发共鸣，是因为它触及了一个正在蔓延的隐忧。AI编程工具确实降低了代码产出的门槛，但产出的代码需要被理解、被维护、被调试。当学生习惯了“复制粘贴AI的答案，连检查都不检查”，他们失去的不只是敲键盘的熟练度，而是对系统行为的推理能力。

发帖人描述的“不知所措”场景，本质上暴露了数学直觉与物理建模能力的缺失。加速度积分得到速度，这是工程计算中最基础的概念之一，但它背后是对微积分和运动学关系的理解。如果连这一步都无法跨过，面对更复杂的控制系统或嵌入式实时约束时，学生将无从下手。

更值得警惕的是“不知道自己不知道”的状态。AI给出的代码往往看起来合理，运行结果也可能在表面上正确，这会让初学者误以为自己掌握了知识。只有当系统出现非预期行为、需要定位根因时，能力断层才会真正显现。

“加速度积分得到速度”之所以被反复提及，是因为它浓缩了工程思维中“模型—数学—实现”三者的对应关系。加速度是速度对时间的导数，反之速度是加速度对时间的积分；在离散系统中，这对应数值积分（如欧拉法或梯形法），需要处理采样周期、累积误差与初值。

学生若只记住公式而缺乏物理直觉，就无法判断 AI 给出的积分实现是否合理：采样率过低会引入偏差，积分漂移会导致速度估计发散。类似的，数组与内存布局关系到越界、缓存局部性和实时性，Python 与 C++ 的差异则涉及解释执行与编译执行、动态类型与静态类型的权衡。这些概念不是“过时的基本功”，而是理解系统行为的坐标系——缺失它们，AI 产出的代码就只是一个无法被审视的黑箱。

资深工程师的视角：基础为何不可替代

发帖人向有经验的在职工程师寻求建议，这本身就是一种务实的态度。从工程实践的视角看，基础知识的价值并不在于“手写每一行代码”，而在于提供判断力。

一个懂数组和内存布局的工程师，能判断AI生成的代码是否存在越界风险；一个理解积分与微分关系的工程师，能识别出控制算法中的逻辑错误；一个学过操作系统和实时系统原理的工程师，能评估AI给出的调度方案是否可行。这些判断力无法通过提示词工程速成，它们来自对底层原理的反复咀嚼。

AI是放大器，不是替代品。它能放大你的能力，也会放大你的无知。当基础扎实时，AI帮你快速实现想法；当基础薄弱时，AI帮你快速掩盖错误——直到错误在产线上爆发。

如何引导：给后来者的务实建议

针对“如何引导他们走向正确方向”这个问题，可以从几个层面着手。

把AI当作可质疑的对象，而非答案的来源。 要求学生不仅提交代码，还要解释代码为什么这样写、如果输入异常会发生什么、边界条件在哪里。让AI生成代码后，刻意修改一个参数或输入，观察行为变化并说明原因。

恢复“不借助AI”的基础训练。 不是全面禁用，而是在关键节点设置“无AI关卡”——比如数据结构与算法、数学推导、底层接口调试。发帖人提到自己读书时AI还不够好，所以必须自己写代码，这段经历恰恰塑造了他的基本功。

用项目倒逼理解。 让AI完成一个完整模块，然后要求学生进行代码审查、性能分析和故障注入测试。当系统被故意破坏时，能否定位问题，是检验理解深度的有效方式。

正视数学与物理的基石作用。 积分、微分、线性代数这些内容不会因为AI而变得不重要，反而因为AI能快速给出结果，更需要人类判断结果是否合理。可以引入“AI给出答案，你负责验证”的训练模式。

“故障注入测试”是一种主动破坏系统的验证方法：在正常运行的程序中人为引入错误（如篡改输入、模拟通信中断、注入延迟或内存越界），观察系统是否能检测、隔离或恢复。在教学中，它比“让代码跑通”更能暴露理解深度——学生必须知道系统本应如何行为，才能判断故障是否被正确处理。

与之配套的“代码审查”要求学生逐行解释 AI 生成代码的意图、边界条件与潜在风险，这实际上是把隐性的理解显性化。两者结合，可以把 AI 从“答案生成器”转变为“被审查的对象”，迫使学生调用底层知识进行判断，而不是被动接受输出。

结语：趋势不可逆，但选择可以

原帖作者最后说，自己也是刚毕业，只是那时候AI还没这么好。他的困惑代表了一代人的转折点：技术工具在加速进化，而人的认知成长仍然需要时间。大学教育拥抱AI是必然的，但如何设计课程让AI成为“脚手架”而非“替身”，是比教会学生写提示词更重要的课题。

对于每一位学习者，问题最终回到自己身上：你是在用AI学习，还是在用AI逃避学习？这两者的区别，会在毕业后的第一个真实项目里显现出来。