乐信圣文一面

“我靠，刚才面阿里某部门，项目聊得很好，手撕没撕出来，挂了。”前两天听朋友这样吐槽时，我正处在一种类似的焦虑中：发现自己越来越依赖各种 Coding Agent，开始担心代码能力会退化。朋友的情况在面试中很典型，但有点特殊。很多人觉得刷算法题对实际工作帮助不大，但在目前某些厂的考核体系下，这依然是刚需，要面试只能去刷题，没办法。我想聊的是更本质的问题：在解决实际问题的场景中，我们该如何平衡 AI 工具与自己的代码能力？“代码能力”本身其实有点难定义，不仅是熟悉语言特性或数据结构，更重要的是能把一个实际问题转化成解决它的脚本。现在 Agent 用多了，最直观的感受是：坐在 IDE 面前，不知道该干什么。其实这不是coding能力退化了，是根本没定义清楚自己要解决什么问题，以及用什么方式去解决。手搓代码这件事，早些年大家也是靠CV解决问题，并不是每一行都自己敲。但现在的趋势是很多 Agent 会隐藏内部工作细节，只在特定时刻让你检查进度。这种做法能减少信息干扰，但也极大地依赖模型能力。如果模型本身能力不够，它可能会在后台陷入反复调用一个工具的死循环，没有任何结果，token一直在跑，而你甚至不知道。即便模型能力足够，agents也把规划、调试和审查的过程藏了起来，只留下一个“working”的状态，时间一长，导致我们再次面对代码时会产生一点抗拒感。关于对代码的掌握度，Anthropic 曾做过一项研究，调研了不同模式下开发者对代码的掌握程度：全部交给Agent：最快，但对代码的掌握度为0；纯手搓组： 对代码掌握程度最高，但速度最慢；人机协作组（生成后解释）： 模型不仅输出代码，也输出理由。这一组的得分往往也较高，对代码的掌握也更平衡。话又说回来，现在有一种观点认为，大模型已经发展到不需要我们去关注代码细节了，人只需要有“产品思维”，从业务和需求角度给 AI 分任务就行。但我个人认为，鉴于大模型是有幻觉的，我们对编程语言的常用库和特性依然要有基本的认知，因为你的追问也许可以发现大模型错误的认知，从而在早期避免错误的设计。否则，在后续的调试阶段，你可能要花费比别人多得多的沟通成本和 Token。所以，即便有工具辅助，依然要对代码有一定了解。比如它设计了哪些数据结构，用了什么框架，为什么要这样实现。当 Agent 调试成功后，我们可以多问它几个问题：刚才是哪里错了？你怎么知道的？这个命令具体是什么意思？......这种让大模型进行自我解释的过程，能有效增加你对代码维护的了解程度。