课程大纲 第 23 课,共 148 课 · 用 AI 来理解
用 AI 来理解

关于掌握程度的研究

为什么重要 把任务完成和学会怎么完成它,是两个不同的目标。AI 的帮助可以服务于前者,同时悄悄地让你付出后者的代价。

在一项随机研究中,开发者们学习使用一个对他们来说是全新的 Python 库,一些人有 AI 助手,一些人没有(Anthropic,Shen 和 Tamkin 2026)。之后,每个人都参加了一场关于所学内容的测试。有 AI 帮助的那一组在这场测试上的得分低了大约 17 个百分点(大约 50% 对 67%),差距在调试类问题上最大。作者们谨慎地把下面这些模式称为相关性,它们来自一项针对 52 位开发者的研究。

平均值掩盖了有意思的部分。并不是每个使用 AI 的人都吃了亏。那些用它来理解的人(问为什么某样东西能行、要求解释、检查自己的理解)比那些把工作交给它的人保留了多得多的所学内容。

委托:索要结果。“写一个做 X 的函数。”你得到了代码,而思考发生在别的地方。

投入:用一种让你思考的方式提问。“为什么这里用了一个锁?”“如果两次调用同时到达会怎样?”“我觉得它是这样工作的:我哪里弄错了?”

这个模块做什么

你会练习投入式的提问方式,在运行 AI 写的代码之前先预测它会做什么,然后在关闭导师的情况下解决两道前面题目的双胞胎题。双胞胎题检验的是这个想法有没有扎根,而不是你记不记得代码。

回顾 平均而言,AI 的帮助让人付出了掌握程度的代价,但对那些用它来理解的人则不然。你怎么问,比你问不问更重要。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。