AI辅助对编程技能形成的影响

Anthropic的研究表明，在学习过程中使用AI辅助会导致技能掌握程度出现统计学意义上的显著下降，具体表现为与手工编码相比，测验成绩降低了17%。虽然AI可以加速完成熟悉任务，但它可能削弱新技能的获取能力以及调试代码的能力，从而带来风险：开发者缺乏足够的专业知识来监督AI生成的输出。

技能获取与掌握的影响

在学习新技能时使用AI辅助会导致理解力和记忆力下降。在一项涉及52名主要是初级软件工程师的随机对照试验中，这些工程师正在学习Python库"Trio"，使用AI辅助的小组在任务后的测验中平均得分为50%，而手工编码小组的平均得分为67%。这一差异相当于接近两个字母等级（Cohen's d=0.738, p=0.01）。

关于表现的关键发现包括：

• 调试差距：得分差异最大的部分出现在调试问题上，表明对AI的依赖会特别削弱识别和诊断错误的能力。
• 生产率权衡：AI组平均任务完成时间快约两分钟，但这种生产率提升并不具有统计学显著性。
• 认知卸载：使用AI的参与者经常将思考过程完全交给工具，减少了任务投入的努力，也降低了对工作的参与度。

AI交互模式与学习成果

对屏幕录制的定性分析显示，与AI的交互方式决定了用户是否能保留信息。该研究识别出两种截然不同的交互模式类别：

低分交互模式（平均分 < 40%）

• AI委托：用户完全依赖AI编写代码。该组完成任务最快，遇到的错误最少，但掌握程度最低。
• 逐步依赖AI：用户起初独立努力，但最终将所有代码编写工作都交给AI。
• 迭代式AI调试：用户依赖AI解决问题和验证代码，而不是利用工具来澄清自身的理解。

高分交互模式（平均分 ≥ 65%）

• 生成后理解：用户先生成代码，然后提出后续问题以加深理解。
• 混合代码-解释：用户同时请求代码生成和详细解释。
• 概念性探究：用户仅提出概念性问题，并依靠自身理解完成任务。这是整体第二快的模式，且与高掌握度相关。

对软件工程与AI政策的启示

该研究指出，工作场所中激进地整合AI可能会对社会韧性与系统安全造成长期风险。如果初级工程师的技能发展受到抑制，他们可能缺乏在高风险环境中监督AI生成代码或发现错误的能力。

为缓解这些风险，研究建议：

• 有意识地发展技能：鼓励"认知努力"，并将陷入困境的过程视为培养掌握能力的必要部分。
• 工具设计：采用学习模式（如Claude Code Learning和Explanatory模式或ChatGPT Study Mode），旨在促进理解而非仅仅输出。
• 管理策略：设计AI部署政策，确保工程师在工作的同时持续学习，而不是优先考虑即时速度而牺牲长期专业能力。

研究背景与局限性

本研究专门聚焦于新技能的获取，与之前Anthropic的观察数据形成对比，后者显示AI可使现有任务的执行速度提升80%。研究指出，AI可能同时加速已有技能的生产力，却阻碍新技能的获取。

研究的局限性包括样本量相对较小，以及在任务结束后立即测量理解程度，因此关于即时表现是否能预测长期技能发展的疑问仍需进一步研究。