在 LLM 时代学习编程——来自资深开发者与 Hacker News 讨论的见解

TL;DR

核心编程基础（数据结构、语言语义、系统抽象）依然至关重要；它们使你能够验证并引导 LLM 的输出。
LLM 可以极大地加快原型设计速度，但也会造成知识鸿沟，在需要维护或调试时可能会带来痛苦。
有效的学习现在将传统的动手实践与针对性的 AI 辅助相结合，将模型视为一种可验证的工具，而不是建议的来源。

1. 为什么基础依然重要

结论： 理解当前抽象层之下的层级是防止隐藏 Bug 的最佳保障。

原博文作者 Seemann 强调了软件工程中一条长期存在的规则：“理解你所工作层级之下以及之上的抽象层。” 这条规则让你无需依赖 LLM 来解释为什么某事失败，就能解决大多数问题。作者本人的职业生涯——从 1999 年使用 C++ 的 COM 组件开始，到后来编写 RISC-V 编译器——证明了深厚的知识储备能让开发者适应完全陌生的环境。

"即使我被指派维护一个完全用 RISC-V 汇编编写的应用程序，我之前的经验也能让我比那些没有编程背景的人更快上手。" – Mark Seemann

2. AI 是否让人们构建速度超过了学习速度？

结论： AI 可以加速构建，但不能加速理解；速度差距可能会扩大。

Seemann 和几位 HN 评论者都认为 LLM 能够实现快速的 MVP 构建。japhyr 指出：“如果你能很好地引导 LLM，你可以快速构建一个远超你自身实现理解能力的 MVP。” 然而，同样的速度可能会掩盖日益扩大的能力差距。当系统正常工作时，差距是不可见的；当它崩溃时，开发者被迫在实践中学习。

"我用 AI 构建了一个东西，但我并不理解它。我想进行修改和修复，却完全没有能力推断它为什么失败或如何修复它。" – agentultra (HN)

3. 选择何时使用 LLM 与手动解决问题

结论： 将 LLM 用于可证伪的问题（例如可以编译或运行的代码），并亲自解决开放式的学习问题。

Seemann 区分了可验证的提示（“我能让这个 Haskell 表达式更简洁吗？”）和推测性的提示（“我接下来应该学什么？”）。他建议仅在答案可以直接在代码中检查时才询问 LLM。这反映了更广泛的社区共识：将模型视为一个在已知数据结构和算法上运行的编译器。

"将 AI 视为一个在数据结构、算法和架构需求上运行的编译器，而不是源代码。" – aethertap (HN)

4. LLM 丰富环境下的实用学习策略

结论： 将基于项目的学习与对底层概念的刻意深入研究相结合。

项目优先，好奇心驱动： dack 建议在 LLM 的帮助下构建真实系统，然后审视生成的代码以填补空白。
手工制作的副项目： aethertap 建议在没有 AI 的情况下维护一个手工制作的项目，以保持底层技能。
苏格拉底式提示： rgbrgb 描述了使用模型来询问新技术为什么以某种方式运行，迫使学习者追踪推理过程。
迭代抽象： corti 指出 AI 可以帮助将子程序折叠成可读的层级，但开发者必须仍然定义清晰的抽象。

5. 过度依赖 LLM 的风险

结论： 过度依赖会侵蚀专业知识并增加技术债务。

技能退化： duendefm 警告说，持续的 AI 查询会随着时间的推移使专家和初级人员的能力都下降。
不透明的代码库： bborud 讲述了一个团队在 Claude 生成部署后无法修改代码的案例，因为没有人理解输出的内容。
经济不确定性： Seemann 提出了关于知识工作者大规模失业的宏观层面担忧，并将此与历史上的技术颠覆进行了类比。

6. 传统学习材料的作用

结论： 书籍和文档对于深层概念仍然很有价值，即使它们的使用频率降低了。

Seemann 承认他早期的学习大部分来自示例和文档，书籍对于 F# 和 Haskell 等语言起到了至关重要的作用。虽然 LLM 可以即时呈现相关的代码片段，但它们无法取代类型理论、编译器设计或操作系统内部原理等概念所需的严谨学习。

"瓶颈不在于老师或材料，而在于人类大脑吸收新知识的速度。" – ferguess_k (HN)

7. 给今天开始的新学习者的建议

结论： 专注于基础，将 AI 视为一种工具，并保持一条平行的“手动”学习轨道。

学习核心概念： 数据结构、算法、网络、操作系统基础和调试技术。
构建真实项目： 使用 LLM 进行脚手架搭建，然后逐行深入研究生成的代码。
提出可验证的问题： 将提示限制在你可以测试的事情上（例如，这个函数能编译吗？）。
维护一个非 AI 副项目： 确保你保留从零开始编写代码的能力。
记录假设： 像 aethertap 那样，在向模型寻求解决方案之前写下潜在的原因。

关键要点

基础是不可妥协的 —— 它们让你能够验证并指导 AI 的输出。
AI 加速了原型设计，但扩大了学习差距 —— 计划进行有意识的深入研究环节。
将 LLM 视为可验证查询的编译器 —— 避免询问开放式、不可测试的问题。
将基于项目的工作与严谨的学习相结合 —— 现实世界的代码加上专注的阅读会产生最好的结果。
警惕技能退化 —— 保持手工实践以保持核心能力敏锐。

本文综合了 Mark Seemann 的原始博客文章以及 Hacker News 讨论中点赞数最高的评论（2026 年 9 月）。所有引文均为逐字引用，并归属于其原始评论者。