读者用 AI 搭出自己看不懂的系统：Mark Seemann 谈 LLM 时代的编程学习

原文来源：Mark Seemann — ploeh.dk — 一位读者来信问：AI 时代还该不该老老实实啃基础？三十年代码经验的作者给出的回答不轻松，也不装乐观。

Mark Seemann 收到了一封很长的读者来信，来回沟通几轮后，得到允许把信大量引用出来，公开作答。他自己先声明：这些回答都谈不上严谨，形势本身太不确定，他只能尽力而为。

来信：我可能建了一套超出自己理解水平的系统

写信人说自己像个历史学家——直接去问当事人，怎么理解一场正在亲身经历的技术变迁。

一年前，他对 AI 辅助编程着了迷。没有任何计算机科学背景，靠 LLM 做出了一个相当大的 TypeScript/JavaScript 系统，里面有 API、PostgreSQL、LLM 流水线、研究自动化和多模型工作流。「一开始几乎像魔法：AI 仿佛把『有想法』和『能把它做出来』之间的距离抹掉了。」

但现在他想把它变成真正的产品，卡住了。用 AI 修掉一个错误，另一个冒出来，接着某个模块的行为又变得他看不懂。重构几个月之后，他有了一个不太舒服的认识：他可能建了一套超出自己理解水平的系统。 一切正常运转时，这个差距几乎看不见；一出问题，它就变得非常真实。

「有时候我真的不知道该做什么，除非再问一次模型。这让我怀疑这一年是在做产品，还是在做产品的外观：足够精巧，能跑起来，但我还没有真正深入地理解它，因而还不算真正拥有它。」

他强调自己并不反 AI，对这些系统着迷，也想以此为业，只是不确定应该和它们保持什么关系。

回信：我也不确定，但我先说清自己的立场

Seemann 说他在 AI 这件事上还没定论，但倾向不喜欢——同时很清楚它可能是挡不住的。他自己也在用、在试，常常被打动，也常常被惹烦；而且往往是在被打动的时候最讨厌它。它表现差的时候，至少还能剩一点幻觉，觉得自己学了三十多年的东西还有用；它表现最好的时候，他会想：巴特勒圣战在哪儿报名？

他的立场一部分来自自身处境：他年纪够大、也取得过一些成绩，就算失业也能活下来——但一个以知识为基础的社会未必能。他通常不提自己经济学出身，这次却觉得相关：在他看来，知识工作者若出现 30%–40% 的大规模失业，经济不可能不受重创。

他也知道那套「历史上也发生过」的论证：织袜机、蒸汽机、内燃机、计算机出现时都有岗位消失，也都有想象不到的新岗位出现。他认为这只说对了一半——新岗位确实出现了，但往往不给那些失去工作的人：煤矿工人不会一夜之间变成程序员。同样的论证在中国加入世贸组织时也用过，结果确实创造了新岗位，只是不在西方。所以他基于亲身经历和历史经验，对「最后一切都会好」这种说法保持怀疑。

「但我也真心希望我错了。我喜欢编程，不介意再写十年。也许更重要的是，我有刚成年的孩子，我希望那个世界也有他们的位置。」

如果今天从零开始，他还会学编程基础吗？

会，因为他早学的东西支撑了他三十年。但如果让他今天从头选择，他会认真考虑去学木工、金属加工、枪械修理，或者其他需要手眼协调的行当——机器人也在进步，但手工劳动的替代看上去离得更远。

至于现在，他本人正在大学课程里学数据结构和语言语义——出于好奇，而不是指望靠它赚多少钱。

那 AI 是不是能让人「先造出来，再慢慢理解」？他认为还有待观察，因为软件开发本来就长期建立在没弄懂的抽象之上：做 Web 的人不懂编译器，写编译器的人不懂集成电路设计，做芯片的人不了解上层的抽象。过去有一条好用的经验法则：理解你所在层级的上下各一层，就能排查绝大多数问题。

对「地基很弱」的处境，他承认自己给不出对等答案

Seemann 说这是两个完全不同的问题。他自己的软件开发地基不弱，哪怕面对完全陌生的环境，也能靠已有知识快速上手——比如被要求维护一个纯 RISC-V 汇编写的应用（这是他能想到的最陌生的环境），对他来说依然比一个编程新手要容易得多。

但地基本来就弱的人怎么办？他回到自己的经历：职业生涯刚开始那几年，他一直在走钢丝——边交付，边学。1999 年起，他用 C++ 写 COM 组件，其实并不太懂自己在干什么，居然也做成了，连明显的内存泄漏都清掉了。但他从不安于「能跑就行」，于是按信里提到的那条路——退回去，系统性地补基础。这条路对 1990 年代中期入行的人很有效。今天还有效吗？

他说不确定：要达到足够的能力水平，让你回头看出当年那份自信其实处在邓宁-克鲁格曲线的「无知者无畏」区间，花了几十年。你今天有那么多时间吗？

他承认 LLM 确实让学习更快，因为可以问更有针对性的问题——三十年前是买书，指望书里有能用的内容，然后啃掉一大堆当下用不上的材料。但他怀疑人的学习速度没法显著加快：瓶颈既不是老师也不是教材，而是人脑吸收新知识的速度。

他自己是怎么学的

短答：很慢，靠大量试错，偶尔靠书。

除了很早一次 COMAL 80 的失败尝试，他第一个编程项目是给经济学硕士论文重算分岔图（bifurcation diagram）和洛伦兹吸引子。手边有什么用什么，就用 QBasic 写，靠它自带的示例学，偶尔问朋友。1990 到 2000 年代，他主要靠示例和文档学习：买过一本 C++ 的书，估计从没读完；各种 Basic 方言和 C# 全靠文档加示例代码上手。不过书在学 F# 和 Haskell 时起了关键作用。

今天他怎么学一门全新的语言？他说自己的经验对 2026 年的新手没用：见过的语言太多了，遇到新语言通常翻翻现成代码、查几条不明白的地方就能上手——前提是这语言够「正常」。要是让他重学 APL，至少得先找份教程。

值得注意的一点：他并不太用 LLM 学习。「LLM 不是产生幻觉，它是在胡扯（bullshit），我对它说的东西高度不信任。」这不代表他不用——他倾向于问那些答案可验证的问题。比如「这个 Haskell 表达式能写得更简洁吗」：任何有用的回答都是一段代码，要么能跑要么不能，要么更短要么没更短，验证起来很容易。反过来，「我接下来该学什么」这种问题没有可验证的答案，他就不会去问。

用他的总结：他倾向于只问 LLM 可证伪的问题。

这封信真正难回答的地方

把整段对话抽干，剩下的其实是一个很尖锐的结构性问题：AI 让「做出来」和「理解它」这两件事第一次大规模解耦了。历史上这个差距也存在——每一代工程师都站在自己不懂的抽象之上——但过去的差距是有形状的：你做上层，就补上下各一层，问题基本能定位。

现在的情况不一样。LLM 生成的结构可能横跨整个栈，而人对它的理解只覆盖零散的几个点。信里那句「一切正常时差距几乎看不见」，说的就是这个：代码能跑，测试能过，系统看起来是完整的，只是没有人在脑子里装着它。等到需要改动、需要判断、需要在两个都「能跑」的方案里选一个的时候，缺失的那部分理解才会以「我不知道下一步该做什么，除非再问一次模型」的形式暴露出来。

Seemann 给出的答案没有安慰，只有两个可以被检验的判断：一是人的学习速度有硬上限，工具再快也换不来这个；二是他愿意只问那些答案能被验证的问题——这在 LLM 时代反而是最保值的一条习惯：不管理解来自文档、代码还是模型，你总得有办法判断它到底对不对。