当 AI 会写代码了，开发者最该练的是什么

一、正在发生的变化：写代码，不再是瓶颈

用 AI 写代码久了，会生出一种微妙的错觉："实现"这件事，好像没那么难了。

一句描述进去，一份结构完整的代码出来；样板、胶水、重复劳动，被成片地接走。过去用来区分"熟练"和"不熟练"的那些东西——记得住多少 API、敲键盘快不快、写样板多顺手——正在悄悄贬值。

这不是说写代码不重要了，而是说：当"把想法变成代码"的成本急剧下降，卡住一个项目的就不再是"写"这个环节。

那么，真正的瓶颈转移到了哪里？我想是人的那部分——判断、定义和担责。

（前面几篇我聊过具体怎么用 AI 做审查、写规格、排错，那些是"操作"；这一篇想换个角度，谈谈这些操作背后，人该练的是什么。）

二、正在贬值的，和正在升值的

拆开看，能力其实在重新定价：

相对贬值的：

• 语法与 API 的记忆量；
• 样板代码的熟练度；
• 纯粹的敲键速度。

这些不是没用，而是它们能带来的差距在缩小——因为任何人都能让 AI 补上。

正在升值的：

• 把模糊需求讲清楚的能力：能把"我要个顺手的后台"逼成"有哪几屏、谁能进、出错怎么办"；
• 判断力：一眼看出"这段代码对不对、该不该这么改、有没有藏着坑"；
• 系统视角：模块边界、依赖方向、三个月后还改得动吗；
• 验证能力：会设计验收标准、会写测试、知道"怎么算真的做完了"；
• 审美与克制：知道什么该做、什么不做，不堆砌。

一句话概括：从"会实现"转向"会定义、会判断、会兜底"。

三、为什么这些能力，反而更值钱了

道理很直接：AI 让产出变快，也让决策变密。

过去一天写两百行，你要判断的很少；现在一天"写完"两千行，每一段都要有人拍板"能不能合、这么写对不对"。写得越快，判断错误被放大的倍数就越高。

于是，谁能定标准、谁能划边界、谁敢为结果负责，谁就成了整条链路里真正不可替代的那一环。工具越强，这一环越关键——因为它没法被工具外包。

四、被 AI 放大的三个短板

有意思的是，AI 不只放大了优势，也放大了短板：

• 说不清要什么，AI 也就给不出你要的——它甚至比过去更快地"忠实执行你的模糊"；
• 不会验证，AI 写得越多，没被发现的问题堆积得越快；
• 缺乏判断，最危险——被它那份"看起来很自信"的输出牵着走，把不该合的东西合了进去。

这三种短板，本质都不是"技术不够"，而是人这一侧的判断力没跟上 AI 的产出速度。

五、几个可以刻意去练的动作

不必搞得很悬，日常就能练：

• 动手前先自己写清"目标 + 验收"：哪怕只有三行。这是最便宜的"定义问题"练习，练久了，描述需求会越来越利落。
• 坚持读关键代码，并且问"为什么"：不是逐行重写，而是对每一处重要改动，强迫自己给出赞成的理由。说不出来，就说明判断还没到位。
• 主动当"守门人"：验证、边界、决策，这三件留给自己。把 AI 当高效的执行者，而不是替你签字的人。
• 把它当陪练，而不是答案：让它来挑战你的方案——“这么设计有什么风险？”“有没有更简单的做法？”——比让它替你拍板有用得多。

六、结语

AI 的普及，常被误读成"开发者要退化成提示词工程师"。我倒觉得恰恰相反：它把工作重心从"实现"移向了"判断与定义"，而后者恰恰更难、也更吃真本事。

工具负责把想法变成代码，人负责想清楚"要什么"、判断"对不对"、并为结果负责。写得快是本事，知道什么该写、什么不该写、写错了能不能兜住——那是手艺。

工具越强，人的判断越关键。这大概是我用 AI 写代码以来，最受用的一条结论。