图片资源未同步：未命名图片

Anthropic 研究：用 AI 学新技能反而掉 17%？关键不在工具，在用法

“用 AI 学得更快”已经快变成默认信仰了。

但 Anthropic 研究人员做了一次随机实验，结论有点扎：给开发者配 AI 助手，技能评估得分反而低了 17%（p=0.010）。更反常识的是：速度也没更快。

如果只截这一句去传播“AI 不利于学习”，就等于把论文最重要的部分丢了。

真正的重点是：同样的工具、同样的任务、同样的时间限制下，不同的用法会把学习效果拉成两个世界。

这项研究到底做了什么

论文题目：*How AI Impacts Skill Formation

实验设计要点：

随机实验
参与者：52 名专业开发者
任务：使用一个从未接触过的 Python 库完成真实编程任务
分组：
- AI 组：配 AI 助手
- 对照组：无 AI
结果：AI 组在技能评估中的分数 低 17%，且差异有统计学意义（p=0.010）
附加发现：AI 组在平均速度上并没有明显更快

研究人员还做了一个关键动作：逐个看了参与者的屏幕录像，把“怎么用 AI”拆成可观察的交互模式。

最关键的发现：不是“用不用 AI”，是“认知参与度”

研究人员总结出 6 种使用 AI 学新东西的模式，其中：

3 种模式能保持学习效果
3 种模式会明显破坏学习效果

差距大到离谱：

主要问概念/原理的人，评估得分可到 86%
把任务全甩给 AI、复制粘贴一路跑的人，得分只有 24%

同一个工具，最后变成“加速学习”还是“加速退化”，分水岭只有一个：

AI 被当成思考伙伴，还是被当成思考替代品。

两种用法，对应两种结果（把差别说成人话）

高分组：问“为什么行得通”

这类人更像在做“带教式结对”：

先问原理与概念（这段 API 设计意图是什么）
让 AI 生成代码后，会追问：
- 这段代码为什么这样写？
- 这里的边界条件是什么？
- 换一种写法会怎样？
对输出做理解性复述与改写（把它变成自己的版本）

效果：学习没有被外包。

低分组：问“替我写”

这类人更像在跑流水线：

粘贴提示词
复制输出
继续下一步

最狠的一点：他们往往完成得更快，但脑子没跟上。

任务完成了，能力没增长。

最需要警惕的点：调试能力退化得最快

研究里有个对工程经理很刺的观察：

AI 组和对照组的差距，在“调试相关问题”上最大

这很合理：调试是“监督 AI”最需要的能力——

识别异常
缩小范围
设计验证
找到根因

而当 AI 把错误直接抹平时，这条能力链条也被抹平了。

对照组会犯更多错，会遇到 bug，会挣扎。

但这份挣扎恰恰在构建理解：

错误不是学习的障碍。错误本身就是学习。

用 AI 消除错误，也就顺手把“建立能力的机制”拿走了。

“AI 不利于学习”的说法为什么不准确

更准确的说法是：

无意识用 AI 会显著损害技能形成
有意识用 AI 甚至可能让表现超过无 AI 组

所以这不是工具问题，是工作方式问题。

AI 不是洪水猛兽，也不是效率外挂。

它更像一个放大器：

认知参与度高 → 放大学习
认知参与度低 → 放大偷懒

把 AI 用成老师，不用成外包

下面这份可以直接贴进团队学习规范/新技术 onboarding：

A. 学新库/新框架：优先问这些

这个库的核心抽象是什么？解决什么问题？
典型使用场景和反例是什么？
哪些 API 是“容易误用”的？
失败模式有哪些？出错时怎么定位？

B. 让 AI 产出代码时，强制加 3 个追问

这段实现的关键假设是什么？
边界条件在哪里？给 3 个反例。
用最小例子解释：每行代码在干什么。

C. 调试场景：禁止“直接给最终答案”

把 AI 的输出改成“引导式诊断”：

先列 3 个最可能原因（按概率排序）
每个原因给一个最小验证步骤
验证后再给下一步

目的：让定位链条在脑子里跑一遍。

对工程经理的落地建议：把“用 AI 的方式”写进流程

如果团队正在用 AI 辅助学习/开发，建议把约束写成制度，而不是靠自觉。

1）把“问法”写进模板

把“为什么/边界/反例/验证步骤”写进统一的提示模板。

2）把调试留给人，把修复交给 AI

人负责定位与验证路径
AI 负责生成修复草案与改动点

3）把学习目标从“交付”拆出来

当任务既要交付又要学习时，默认会被交付吞掉。

可以明确：

哪些任务允许直接让 AI 代写
哪些任务是“学习任务”，必须做理解性复述/讲解

结论：这篇论文反对的不是 AI，而是无意识使用 AI

这项研究给的信号很明确：

想学新东西，用 AI 来提问、来解释、来对照思路
不要用 AI 来逃避思考

==学习的价值，就藏在那段“不太舒服的挣扎”里。==

#AI #学习方法 #软件工程 #开发者