AI 能提升效率,但不能替代工程师的判断力根基。波士顿大学教授 Ed Solovey 在 Digits 公司的实习项目中发现,直接让新人使用 AI 工具会导致产出泛滥但理解缺失。他提出三阶段渐进式上手:先手动编码建立词汇表,再用 AI 作为导师构建心智模型,最后才进入 AI 协同阶段。文章强调评估体系必须考核“输出无法证明”的能力——如问题拆解、系统解释和设计辩护,而非仅看最终成果。这对高校课程改革和企业新人培训都有实操参考价值。
资深技术领袖 Kate Matsudaira 结合自身及微软、亚马逊等大厂管理经验,探讨工程师如何克服对代码和项目的“情感依恋”。文章指出过度投入会导致沉没成本谬误和非理性决策,并给出六条管理策略:对齐目标、保持开放、询问故事而非方案、认可经验并提出新解读、寻求第三方帮助以及练习同理心。内容偏向软技能与团队管理,适合处于技术管理岗位或面临跨团队协作冲突的读者。
Kode Vicious 专栏作家 George Neville-Niel 批评当前 AI 开发中的“信仰式”狂热。他认为编程是理解系统构建逻辑的工程科学,而非盲目依赖 LLM 生成代码。 文章强调开发者必须保持怀疑精神,深入理解代码原理,警惕因过度使用 AI 工具而产生的“认知债务”和代码质量下降风险。