加载失败
这场讨论围绕 AI coding assistant（如 Claude，Anthropic 的聊天式编程助手）在日常开发中的副作用展开，起因是有人直言它让自己“变笨”。很多人举例说，在 Java、Ruby、JavaScript 之间切换时，最常问 AI 的其实是语法差异、重构和小段代码，而不是架构设计。争论焦点在于：AI 省掉了搜索、记忆和试错的成本，但也可能让人更少亲手编写、调试和复盘，从而削弱对语言细节和问题域的掌握。评论里还反复提到 senior/junior 差异、vibe coding（依赖 LLM 直接生成代码的工作方式），以及用 benchmark、profiler、formal methods 来验证 AI 产出。
不少人承认自己最常拿 AI 做的事，其实是查语言差异、补语法细节和搬运样板代码。比如在 Java、Ruby、JavaScript 之间切换时，连 null-safe operator、break/continue 这种小差别都要靠它确认，顺手还能把老式 for 循环改成 streams。对这类人来说，AI 主要是在替代搜索引擎和机械劳动，而不是替代真正的设计思考。
有经验的人通常说自己还是会盯着 AI 的输出看，因为那种“必须复核”的感觉是多年 code review 和踩坑练出来的。反过来，他们更担心 junior 和 mid-level 开发者会把这套反馈机制跳过去，导致不会自己推导问题、不会识别错误假设。有人建议年轻人把 AI 当作实验平台，用 benchmark、profiler、architecture 分析和反复验证去学，而不是直接照抄答案。
另一派认为，这根本不是“变笨”，而是把低价值工作委派出去，让人把精力放在更重要的判断上。只要还在思考像 OAuth refresh token 失效这种关键风险，就说明核心责任并没有消失。有人甚至把这比作从 assembly 转到更高层抽象：代码写得更少，但理解系统的方式并没有停止，只是换了表达层次。
也有人明确表示，AI 是自己用过最强的学习工具，过去一年学到的东西超过前五年。它不只是帮忙写代码，还能帮助搭建更复杂的系统、快速试错、把陌生技术摸清楚。对这类人来说，AI 不是替代学习，而是把“学”和“做”压缩到更短反馈回路里。
一部分评论把问题解释成行为习惯：AI 提供即时反馈和低成本奖励，久而久之，大脑会更偏向那个更快的选项。DIY 的“肌肉”一旦有点退化，手工完成任务反而会显得费力，甚至像在受苦。也有人强调，邮件、博客、评论这些写作内容不想交给 LLM，因为那会让表达变得更不个人化，还会制造大量 AI cruft。
还有人担心的不是当下效率，而是长期记忆会不会被不断外包掉。每次问 AI 一个随机问题，似乎都能很快得到答案，但那份知识未必会留在脑子里。问题因此变成：如果新知识只是看过就忘，脑容量到底还能不能承载越来越复杂的项目。
vibe coding: 依赖 LLM 直接生成、拼接代码的开发方式，强调快速出结果而不是逐行手写。
formal methods: 用形式化规格、证明或严格约束来验证程序行为的方法，常用于减少 AI 生成代码的隐性错误。