鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
30
12
17

我用AI写了半年代码——回头看,这5个能力正在退化

sunshine
sunshine
2026-08-03 10:16
阅读 5234
sunshine
2026-08-03 10:16
阅读 5234

从年初开始,我几乎每天都在用 Claude Code 或 Cursor 写代码。效率确实高了不少 —— 以前要写半天的 CRUD 页面,现在二十分钟搞定。

但最近发生了一件事让我警觉:同事问我一个Promise.allSettled和Promise.all的区别,我张了张嘴,发现自己需要 "想一下" 才能回答。这个问题两年前我能脱口而出。

不是我变笨了。是我把这块肌肉交给 AI 练了半年,它萎缩了。

Anthropic 最近的一项研究给了一个具体数字:重度依赖 AI 编程工具的开发者,独立调试和代码阅读能力比手动编码组低 17 个百分点。美国心理学会今年的报告也指出,过度依赖生成式 AI 会降低批判性思维和岗位专项技能。 The Register 上甚至出现了一个新词叫 "AI Atrophy"——AI 导致的技能萎缩。 我花了一个周末盘点了自己的变化。以下 5 个退化最明显。

1. Debug 能力:遇到 bug 第一反应变了

以前遇到 bug,我的流程是:看报错信息→定位文件→打断点→看调用栈→找到原因。 现在呢?遇到红色波浪线,第一反应是把报错复制给 AI。

▼
text
复制代码
// 代码解读 // 以前:我会看这个报错,思考为什么 // Type 'string | undefined' is not assignable to type 'string' // → 哦,可能是可选链返回了undefined,需要给默认值 // 现在:直接丢给AI // "帮我修这个TypeScript报错" // AI秒回:加个 ?? '' 就行 // 我:哦好,下一个

问题不在于 AI 给的答案对不对 —— 大部分时候是对的。问题在于我跳过了 "理解为什么出错" 这一步。 连续半年跳过这一步,你对类型系统的心智模型就变得模糊了。以前能凭直觉判断 "这里可能有空值",现在要等 TypeScript 报错了才知道。

自测方法: 下次遇到 TypeScript 报错,先不问 AI,自己读完报错信息。如果你发现自己读不懂了 —— 那就是退化的信号。

2. 代码阅读能力:看别人的代码变吃力了

以前 review 同事的 PR,我会逐行看逻辑、想边界情况、考虑性能。

现在呢?打开一个 200 行的组件,第一反应是让 AI 帮我总结。

▼
//
复制代码
// 以前review这段代码,我会注意到问题 function useDebounce(value, delay) { const [debouncedValue, setDebouncedValue] = useState(value); useEffect(() => { const timer = setTimeout(() => { setDebouncedValue(value); }, delay); return () => clearTimeout(timer); }, [value, delay]); return debouncedValue; } // 问题:delay变化时会重置timer,可能导致永远不触发 // 以前我一眼能看出这个问题 // 现在我需要"想一下"才能想到

Anthropic 研究里那个 "代码阅读能力低 17%" 就是这个意思。不是看不懂语法,是看代码时主动思考的密度降低了。

你习惯了让 AI 总结代码、解释逻辑,自己的 "阅读肌肉" 就在萎缩。就像天天打车的人,突然发现自己不记得路了。

自测方法: 找一个你没参与的开源项目,随便打开一个核心模块,看 15 分钟。如果你发现自己频繁想 "好复杂,让 AI 解释一下"—— 那就是退化的信号。

3. 从零搭建能力:离了模板不会开始

现在让你不用create-next-app、不用 AI、从一个空文件夹开始搭一个 React 项目 —— 你能搞定吗?

▼
text
复制代码
# 代码解读 # 你还记得从零开始需要什么吗? mkdir my-app && cd my-app npm init -y npm create vite@latest my-vite-app # 然后选择react项目 # 紧接着选择是使用react + ts + vite 还是react + js + vite # 然后操作一下命令 # 然后 安装依赖 # 然后执行运行 # 然后呢? # 你还记得吗?

我发现自己不记得了。以前这些我闭着眼都能写,现在需要查文档。

不是说你每次都要手搭 —— 脚手架工具存在就是为了省时间。但知道底层是怎么运作的 和不知道 是两码事。

当你的create-next-app出了奇怪的构建错误时,知道底层原理的人能定位问题,不知道的人只能问 AI 碰运气。

自测方法: 试着不用任何脚手架,手搭一个最小的 React 开发环境。如果你发现自己连vite.js的基本结构都要查 —— 那就是退化的信号。

4. API 记忆:常用方法都要问 AI 了

▼
//
复制代码
// 这些你还能不查就写出来吗? // 数组去重 [...new Set(arr)] // 还是 Array.from(new Set(arr))?都行 // 深拷贝 structuredClone(obj) // 你还记得这个API吗?还是会写JSON.parse(JSON.stringify())? // 日期格式化 new Intl.DateTimeFormat('zh-CN', { year: 'numeric', month: '2-digit', day: '2-digit' }).format(date) // 还是直接问AI? // URL参数解析 const params = new URLSearchParams(window.location.search) params.get('id') // 你还记得URLSearchParams吗? // 数组分组(ES2024) Object.groupBy(items, item => item.category) // 这个你知道吗?

这不是记忆力的问题。是你不再需要记这些了 —— 问 AI 比翻 MDN 快十倍。但代价是:你对 JavaScript 标准库的掌握从 "信手拈来" 变成了 "知道有这么个东西但要查"。

写代码时的流畅感没了。以前写代码像说话一样自然,现在像在翻译 —— 你知道要做什么,但需要 AI 帮你 "翻译" 成具体的 API 调用。

自测方法: 打开一个空文件,不查任何东西,写一个函数:接受一个 URL 字符串,返回所有查询参数的对象。如果你卡在 URLSearchParams 的用法上 —— 那就是退化的信号。

5. 方案设计能力:不再自己想架构了

这个最隐蔽,也最危险。

以前遇到一个新需求,我会先在脑子里过一遍:这个功能的数据流是什么样?状态放哪?组件怎么拆?要不要用 Context 还是状态管理库?

现在呢?直接告诉 AI 需求,让它出方案。

AI 出的方案不一定差。但你跳过了 "思考为什么这样做" 的过程。下次遇到类似需求时,你还是不知道应该用 cursor 分页还是 offset 分页,还是需要问 AI。

技术方案设计能力不像写代码 —— 它需要不断在真实场景中做判断、犯错、修正,才能建立起直觉。把这个过程交给 AI,你的 "技术直觉" 就停止生长了。

自测方法: 试着在纸上(不看任何东西)画出你现在项目的前端架构图 —— 数据流、状态管理、API 调用层、组件层级。如果你画不出来 —— 不是因为架构复杂,而是你没有真正思考过它。

能力退化自测清单

能力退化信号自测方法
Debug遇到报错先问AI不看信息下次报错先自己读完再说
代码阅读看PR想"让AI总结一下"看一个开源项目核心模块15分钟
从零搭建离了脚手架不知道怎么开始手搭一个最小React开发环境
API记忆常用方法要先问AI不查东西写一个URL参数解析函数
方案设计需求来了直接丢给AI纸上画出当前项目的架构图

不是要你戒掉 AI

说清楚:我不是说 AI 不该用。这半年 AI 帮我省了无数时间,这是事实。

我想说的是:AI 是外骨骼,不是替代器官。

你穿上外骨骼能举起 200 公斤,但你自己的肌肉至少要能举起 40 公斤。否则有一天外骨骼出故障 —— 断网、API 挂了、或者你需要在一个不能用 AI 的环境里写代码 —— 你就废了。

上个月海外 AI 编程工具大规模封禁国内账号的事还历历在目。那些完全依赖 AI 的开发者,突然发现自己 "不会写代码了"。

每周花 2 小时不开 AI 写代码。 不需要多。就像健身不需要每天去,但需要保持频率。保持你的 "编程肌肉" 不萎缩。

你用 AI 写代码多久了?有没有发现类似的退化?

前端
AI
30
17
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题