meng shao@shao__meng · XAddy Osmani 警示工程师过度依赖AI生成代码会导致“认知投降”，即牺牲深度理解换取效率。研究显示，依赖AI会削弱问题理解、脑部活动和决策质量。产品设计追求效率，但学习恰恰发生在“摩擦力”中。AI委托在样板代码中有效，但在调试、AI犯错、底层变化、处理独特问题及面对市场价值重估时必然失败。作者建议应形成假设再提问、先要解释再要代码、开启学习模式、审阅AI输出如PR、徒手重写代码，并区分“交付”与“学习”指标，避免用未来能力换取短期轻松。
给 AI 时代工程师们的警示：不要把你的学习外包给 AI
随着 LLM 和 Agent 能力增强，作为工程师，咱们 "接受 AI 建议" 的概率在不断增加，甚至会默认跳过确认环节直接接受。@addyosmani 自己也是 AI 重度用户，但不会把学习和判断让 AI 来做。
几乎所有人都陷入一个工作模式： 粘贴报错 → 模型给出修复 → 症状消失 → 提交代码 → 进入下一个任务
在这个循环中消失的，是 "问题与解法之间那段混乱的挣扎"，而这段挣扎，恰恰是认知能力生长的唯一土壤。
Addy 把这称作"单人版的认知投降"：模型更快，于是你放弃在"理解深度"上与它竞争。每次妥协都微小到不构成事件，但成千上万次叠加后，离开 AI 你还能独立构建什么--这个能力每周都在缩水。
三项研究的趋同结论 1. Anthropic （2026） Python 库学习实验 AI 组与对照组完成速度相同，但理解测验得分 50% vs 67%；调试题差距更大 2. MIT《Your Brain on ChatGPT》 EEG 测量显示 LLM 用户脑区耦合最弱；83% 的人写完文章后无法引用自己刚写的任何一句 3. CHI 2026 锚定效应研究 任务开头使用 LLM 会框定整个问题空间，即使后续靠自己完成，决策质量也明显下降