[控场AI]
· 6 分钟阅读· 3,283 字

顶尖开发者如何用AI写代码更快?5个反直觉技巧

顶尖开发者如何用AI写代码更快?5个反直觉技巧

微软与Anthropic研究揭示AI提升产出却削弱能力,文章给出五个把AI变陪练的提示词技巧。

文章从微软和Anthropic的两份研究切入:使用AI的开发者任务完成量高出26%,但依赖AI者在知识测试中仅得50分,手写代码者为67分,形成效率与能力的剪刀差。作者引用一位开发教学创作者的五条提示词技巧,主张把AI从答案机器变成陪练:只向AI要hint而非现成代码;自己先写第一版再让AI审查边界情况;让AI给出调试调查路径而非直接修复;让AI扮演QA和安全审计者攻击自己的实现;以及关掉AI从零重建功能自检。文末将方法论归纳为Think、Build、Verify三种能力,强调AI应作为生产力工具而非替代工具,目标是成为问题解决者而非提示词复制员。

微软和Anthropic的两份研究揭示了一个矛盾:AI让开发者任务完成量提升26%,但知识测试得分却从67%掉到50%。换句话说,AI在帮你加速的同时,也在悄悄削弱你的问题解决能力。一位在YouTube上拥有多年开发教学经验的创作者(频道“College Wala”)专门做了一期视频,给出5个具体的提示词技巧,核心思路只有一个——把AI从“答案机器”变成“陪练”。

知识测试得分对比

两份研究背后的真相:效率与能力的剪刀差

微软 researchers 对近5000名开发者做了调研,发现使用AI工具的开发者完成的任务量比不使用者高出26%。这几乎是所有AI编程工具营销话术的底气来源。但Anthropic的一项知识测试给出了另一面:依赖AI写代码的开发者得分仅50%,而手写代码的开发者拿到67%。

这两个数字摆在一起,指向一个被多数教程忽略的事实:AI提升的是“产出速度”,侵蚀的是“理解深度”。视频主讲人坦言自己近3年几乎没手写过完整网站代码,日常靠Codex和不同agent处理不同任务——这恰恰是依赖感的来源。

“当你把问题直接丢给AI,拿到solution然后copy-paste,你学到了什么?什么都没有。”

微软与Anthropic的这两项研究之所以能被放在一起对比,关键在于它们测量的是两个不同维度。微软的26%来自对开发者日常工作流的观察或自报数据,衡量的是"单位时间内完成了多少任务",属于产出效率指标;Anthropic的知识测试则更接近受控条件下的能力评估,衡量的是"在没有AI辅助时,开发者对编程概念和问题解决步骤的掌握程度"。前者容易受到任务难度、工具熟练度等因素影响,后者则更直接地反映认知层面的变化。两者并不矛盾:一个人完全可能借助AI把任务量做上去,同时因为长期跳过推理环节,在脱离工具时表现下降。理解这一区分,有助于避免把"效率提升"误读为"能力提升",也解释了为什么文章强调要主动设计训练式交互。

技巧一:要提示,不要现成答案

第一个技巧是改变提问方式。比如你要解决“找出字符串中第一个不重复字符”这个问题,常规做法是让AI直接给代码。主讲人建议的prompt是:不要给我代码,就输入频率统计和顺序问题向我提问,一次只给一个hint。

problem solving skill 示意

这个过程迫使你参与推理:AI问“字符出现频率怎么统计”,你得想哈希表;AI问“怎么判断顺序”,你得考虑遍历顺序。hint接收完,solution是你自己拼出来的。技能增长发生在对话过程中,而不是复制粘贴的瞬间。

这里涉及的认知机制在学习教育研究中被称为"生成效应"(generation effect):当学习者自己生成答案或步骤时,记忆和理解效果显著优于被动阅读现成答案。让AI只给hint、一次一个,实际上是把原本被AI一次性完成的推理链条拆成若干小步,迫使使用者在自己脑中补全缺失环节。与之相对的是"认知卸载"——把思考任务外包给外部工具,短期省力,长期会削弱相关技能的自动化程度。提示词工程在这里的作用不是让AI更聪明,而是约束AI的输出粒度,使其扮演苏格拉底式提问者而非答案提供者。这也解释了为什么"一次只给一个hint"比"给我几个提示"更有效:前者维持了推理的连续性,后者仍可能变成变相要答案。

技巧二:先写代码,再让AI审查

第二个技巧颠覆了多数人的使用习惯:自己先写第一版,然后让AI做review而不是重写。视频里举了一个average函数的例子——用reduce对数组求和再除以长度。代码能跑,但显然没考虑空数组、非数字输入这些边界情况。

对应的prompt是:review我的average函数,找出edge case并解释问题,不要重写,让我来提解决方案。AI会指出空数组返回什么、非数值是否该接受、合法输入策略怎么定义。你拿到的是问题清单,不是成品代码,改进方案由你提出。

技巧三:用AI调查bug,而不是粘贴修复

第三个场景针对调试。视频展示了一段React代码:useEffect内部fetch数据并setTasks,而tasks又在dependency array里,形成无限循环。常见做法是让AI直接fix,但主讲人的建议是让AI帮你确认问题、教你读懂代码。

prompt可以写成:这个effect在重复发请求,建议我先log什么、检查什么,帮我确认dependency loop再修复。AI的回应是调查路径而非补丁。你跟着路径走一遍,下次遇到同类问题就能自己定位。

useEffect依赖循环示意

React 的 useEffect 依赖数组机制是理解这个案例的前提。useEffect 接收一个回调函数和一个依赖数组,React 会在组件渲染后执行回调,并在依赖项发生变化时重新执行。如果回调内部调用了 setTasks 修改 state,而 tasks 本身又出现在依赖数组中,那么每次 setTasks 都会触发重新渲染,依赖变化又再次执行 effect,形成无限循环。常见的修复方向包括:把 tasks 从依赖中移除并改用函数式更新、把 fetch 逻辑抽到事件处理函数中、或使用空依赖数组配合清理函数。文章强调让 AI 给出"先 log 什么、检查什么"的调查路径,本质上是把调试从"猜补丁"转为"验证假设",这与专业调试方法论中的二分定位、最小复现思路一致,也是可迁移到其他框架的通用能力。

技巧四:让AI攻击你的实现

第四个技巧把AI推到QA和安全审计的位置。视频里有一个/register接口:从request.body取email和password,创建user后返回user对象和201状态码。如果直接让AI“完善这个实现”,你大概率不会细想哪里有问题。

更好的prompt是:扮演QA和安全reviewer,列出failure case和预期结果,不要替换我的代码。AI会反问:email缺失时该不该创建账户?response里带password是否泄露?password是否该哈希存储?duplicate email该返回什么状态码?据主讲人演示,AI会指出缺失email应返回400、重复email返回409、明文密码需要hashing、response不应包含password。

安全审查关注点

这些点你未必全部想到,但每被指出一个,理解就深一层。代码还是你的,安全边界却清晰了。

技巧五:AI离线挑战——最狠的自检

主讲人最喜欢的技巧叫“AI off challenge”:关掉AI,自己从零重建刚做完的功能,解释每个决策,再modify一些东西。如果脱离AI还能完成同样的事,说明能力真的长在你身上了。

这条最难执行,因为它直接对抗效率惯性。但它也是唯一能验证“你到底学会了没有”的方法。能通过这个挑战的开发者,用不用AI都不会差。

三个能力,决定你能否在AI时代立足

视频结尾把方法论压缩成三个动词:Think——定义问题、规划路径、向AI要hint;Build——自己写第一版、带证据地调试;Verify——覆盖edge case、能解释自己的决策、能脱离AI修改。三个环节都做到,AI就只是加速器而不是拐杖。

主讲人的收尾观点值得抄下来:AI会一直存在,你越早学会围绕它进化越好,但别把它当replacement tool,要当productivity tool。把自己训练成problem solver,而不是prompt复制员。

分享:

相关推荐