加载失败
Brent A. Yorgey（一位美国 CS 教授）写了一封公开信给学生，担心软件 industry、政治环境和 LLMs（大型语言模型）的扩散正在把计算机教育推向一个更冷酷的方向。他劝学生不要盲信“技术必然如此”的叙事，要尽早设定伦理底线，保护深度思考时间，并把代码可读性、文档和稳健性当作真正的 craft。文章里他还明确表示自己不会使用 LLMs，并把自己描述成“generative AI vegetarian”（拒用生成式 AI 的人）。评论区因此分裂成几条线：一派认为这正是教育该做的事，另一派认为这对进入 industry 的新人过于脱离现实，另一些人则把讨论延伸到 ABET（美国工程与技术认证机构）课程、Therac-25（著名医疗软件事故）和工程伦理教育。
不少人把这篇文章理解为写给学生的教育宣言，而不是给 industry 的求职手册。支持者认为，CS 教育不该只围绕赚钱，而应培养对 programming 作为 craft、艺术和长期能力的理解。有人强调，学生可以很快学会用 LLMs，但亲手做 toy project、写规范、做深度练习，才能建立真正的抽象和系统直觉。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
反对者普遍认为，这套建议太像 academia 里的理想主义，放到真实工作场景里会让新人吃亏。评论里反复提到，entry-level engineer 更看重按时交付、客户价值和团队协作，而不是花很多时间去重构或坚持慢工细活。也有人质疑作者缺乏第一手 industry 经验，难以真正理解绩效、组织压力和市场约束。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
另一派则认为，refactoring、documentation 和清晰代码并不是装饰，而是在减少长期成本。评论者举出维护、排错、上手速度、性能、uptime 等具体收益，强调这些“看不见的成本”最终会变成 tech debt。有人用“slow can be fast”和“speed vs velocity”来概括：真正有用的快，是少返工、少走弯路，而不是一味追速度。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
围绕 LLMs 的争论非常尖锐：一边是明确拒用 generative AI 的伦理立场，理由包括剥削人类劳动、消耗稀缺资源、使用未授权训练数据，以及削弱人的 agency。另一边则认为这种态度更像身份表演或怀旧情绪，现实中的经济激励会推动行业继续采用自动写代码工具。也有人采取折中立场，认为学生应先打好基础，再把 LLM 当工具，而不是把它当替代思考的捷径。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12]
讨论还延伸到工程伦理教育是否真的有效。很多人提到自己的课程里确实有 ethics requirement，也会讲 Therac-25、Bhopal 这类事故，但也有人认为单独一门课很难真正改变价值观。更深层的担忧是，软件、AI、监控和国防系统都可能造成现实伤害，所以学生应该尽早思考自己愿意为哪些项目和公司工作。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
LLM / 大型语言模型: 用于生成文本或代码的模型，是这场争论的核心技术对象。
refactoring: 在不改变功能的前提下重组代码，以提升可读性、可维护性和后续扩展性。
tech debt: 为了赶工或偷懒留下的长期维护成本，后续会以返工、缺陷和复杂度的形式累积。
ABET: 美国工程与技术认证机构，很多工程/CS 项目据此设置课程要求，常包含伦理教育。
Therac-25: 1980年代放射治疗设备的软件事故案例，常被用来说明工程失误的严重后果。
generative AI vegetarian: 一种自我标签，指原则上拒绝使用生成式 AI / LLMs 的人。