最近和几个在校生聊天发现一个有意思的现象很多人一边用 AI 编程工具写作业一边陷入“大学到底还教什么”的困惑。与此同时大学老师也在讨论同一个问题只是视角完全不同。Carson Gross 是 HTMX 的创造者很多人是因为这个前端工具认识他的。但他在犹他大学上课能近距离看到 AI 进入课堂后的真实变化。他发布了一个题为“AI and the University”的视频讨论的不是“哪个大模型更强”而是 AI 正在如何重塑大学里的教学、评估和人才供给。这个视频对开发者、学生和教师都有参考价值尤其适合那些正在担心“自己是不是会被 AI 替代”的人。这篇文章会把视频背后的核心问题展开聊三个最关键的技术矛盾然后给出开发者和学生都能直接落地的实操建议。你可以用 AI 学习但也要知道自己正在为什么样的能力买单。1. 为什么技术人也要关心“AI 与大学”这个话题很多人觉得大学教育和已经在工作的程序员没有关系。但如果你参与过招聘就会发现影响很大。过去招应届生最看重的是课程成绩、项目经验和基础算法能力。现在情况变了AI 能帮助写业务代码、补测试、做代码 review候选人只要拆解问题足够清楚很多“低阶编码”能力已经被工具补齐。结果就是招聘者开始考察“你如何定义一个模糊的需求”“你怎么验证 AI 给出的答案”“你能不能解释这段代码为什么对”而这些能力恰恰与大学教育过程高度相关。大学课程的特点是反馈周期长。一门课从大纲设计到教材出版往往需要几年时间。可 LLM 技术几乎每半年就有一次明显变化教材还在讲传统 MVC行业已经在用 AI Agent 编排业务流。如果大学不调整培养方式企业很快就会面对一批“能毕业但不能解决实际问题”的候选人。所以当我们讨论“AI 与大学”本质上是在讨论未来几年技术人才的能力结构会发生什么变化。这才是和每个开发者都有关的地方。2. Carson Gross 是谁这条视频为什么值得看Carson Gross 在 Web 开发者圈子里知名度很高原因是他写的 HTMX 工具把前端交互抽成了 HTML 属性用得很省心也暴露出很多现代前端框架的复杂度问题。他本人长期反对在不需要的时候引入重型抽象欣赏“直接、简单、可维护”的方式。同时他还在大学任教教授计算机相关课程。这一点很关键很多 AI 讨论要么来自只喊概念的博主要么来自纯做工程的公司。Carson Gross 的位置比较特别他能同时看到课堂作业、学生代码、行业发展三个层面的信息。他的视频标题“AI and the University”指向的并不是“AI 能不能帮助科研”而是“大学作为教育机构和筛选机制会不会因为 AI 而失效”。我没有办法把视频逐句转述给你但从这个标题和他一贯的公开观点可以推断他的核心关注点包括学生交上来的作业到底是谁写的、学校应该如何评估真实能力、AI 工具是否会让“完成课程”与“掌握知识”之间的距离变得更大。这条视频最值得看的地方不是给出一个“AI 是好是坏”的结论而是提醒我们工具越强大个人判断力就越值钱。当你拿到一个 AI 给出的答案你需要有足够的能力判断它是否合理。这种判断力恰恰是大学原本应该训练出来的东西。3. AI 冲击大学教育的三个核心矛盾3.1 评估体系失效作业可以被生成但能力无法被代写过去老师通过作业判断学生是否掌握知识。现在 AI 可以轻松完成常规编程作业于是老师看到的高分作业无法区分是“理解得很透彻”还是“提问提得好”。这种情况在数据结构、数据库原理、Web 开发课程里尤其明显。但问题在于作业能生成能力不能。边界条件是否考虑过、需求有歧义时怎么处理、测试覆盖率是否合理、代码性能是否符合场景这些仍然需要人的判断。学校如果继续用“只看最终代码”的方式评估就会把学生引向一个错误的方向学会正确提问但不学会理解答案。短期解法是增加对抗性答辩让学生解释每一行代码和每个设计决策。长期解法则是重新设计作业让任务本身就包含无法由 AI 独立完成的上下文信息。3.2 课程内容滞后于工具演进大学课程的更新速度很难跟上 AI 工具的变化。一本教材从编写到出版可能需要两年但 AI 编程工具的可能每一两个月更新一个大版本。很多课程还在教如何手写 CRUD 接口而实际项目中开发者已经在用 AI 辅助生成基础代码把时间花在更复杂的业务逻辑上。这不是说基础课不重要而是说课程设计需要有“工具层”和“原理层”的分离。原理层应该讲计算机组成、数据结构、算法、网络协议、数据库事务工具层则应该定期引入 AI 辅助开发、代码审查、部署监控等实践内容。这样学生既不会丢掉底层能力也能在毕业时用更接近行业的方式工作。3.3 学习者被“答案”包围跳过关键训练学习编程的过程本质上是从“遇到问题 - 尝试解决 - 失败 - 反思 - 再尝试”中积累经验。失败本身就是信息它会告诉你某一种排查思路不成立某一种写法会带来边界问题。AI 改变了这个循环。现在学生遇到报错第一反应是复制错误信息问 AI然后得到一段修复代码。这个过程效率很高但也把中间的试错过程压缩没了。问题在于调试直觉和问题定位能力必须靠真实的失败经验来建立。如果学习阶段全是“开箱即用”到了生产环境遇到一个模糊的线上问题就很难下手。所以AI 不是不能用于学习而是使用方式需要改变。最好先用 AI 生成“参考答案”然后自己手动重写、测试、破坏性修改。把 AI 当作陪练而不是代写。4. 从“教工具”到“教判断力”技术教育的新重点如果大学不被 AI 取代它需要承担哪些新的教育任务我的判断是把训练“判断力”放在比“操作技能”更高的位置。操作技能是指会写 SQL、会用某个框架、会部署容器这些能力本来就在被工具快速抽象化。过去写一个登录接口需要知道 Session 和 Cookie 的区别现在很多框架已经把这些细节封好了。AI 出现后这种抽象速度更快了。你在提示词里描述清楚AI 就能生成一个可运行的登录模块。但判断力不同。判断力是指在多个可选方案之间做取舍的能力。例如系统应该用单体还是微服务这个判断不能只看 AI 的回答接口是应该同步等待结果还是异步返回需要理解业务流数据一致性要求高时应该选分布式事务还是最终一致性这需要权衡成本与风险。这些能力不可能靠“提示词工程”习得只能靠足够多的真实案例、推演和复盘沉淀出来。大学课程最适合提供的正是这种推演场景。老师可以拿一个真实系统让学生分析它的架构缺陷再用 AI 生成优化建议最后人工判断是否采纳。这是“从教工具到教判断力”的真正含义工具会越来越容易获得但做决策的责任仍然在人身上。5. 给开发者和学生的实操建议用 AI 学习而不被 AI 替代下面是几个可以直接上手的方法。不涉及特定品牌原则是先用小成本跑通再决定是否深入。5.1 环境准备操作系统Windows / macOS / Linux 均可。语言环境Python 3.10 或更高版本。编辑器VS Code、Cursor、PyCharm 等任选其一。AI 助手可以使用代码补全类插件也可以使用大模型在线对话工具根据实际情况选择免费额度即可。重点是不要一开始就把 AI 当成“唯一答案来源”而是把它当成“可以讨论问题的同事”。准备一个单独的笔记文件记录你向 AI 提过的问题、它给出的答案、你的验证过程和最终结论。5.2 示例 1让 AI 解释代码而不是生成代码很多初学者拿到一段代码第一反应是“让 AI 重写一个更简单的”。更好的做法是先让 AI 解释这段代码然后自己动手修改。假设你用 Python 写了一个二分查找def binary_search(arr, target): left, right 0, len(arr) - 1 while left right: mid (left right) // 2 if arr[mid] target: return mid elif arr[mid] target: left mid 1 else: right mid - 1 return -1你可以向 AI 提问请逐行解释下面这段二分查找代码重点说明为什么循环条件是 left right而不是 left right。另外如果数组长度是 0会发生什么然后不要停在“看懂解释”这一步。把数组改成无序向量看看会发生什么错误把mid的计算方式改成mid left (right - left) // 2思考它为什么能避免整数溢出。这个“思考 验证”过程才是学习价值所在。5.3 示例 2让 AI 生成代码然后进行代码审查假设你需要一个用户输入校验函数可以请 AI 生成但必须带着审查意识去使用。下面是一段很常见的 AI 生成示例我稍微调整了逻辑让它看起来“正常”但有明显问题import re def validate_username(username: str) - bool: pattern r^[a-zA-Z0-9_]{3,20}$ if re.match(pattern, username): return True return False表面看没有大问题但审查时你要问自己只允许字母、数字、下划线是否满足业务需求如果用户输入包含 Unicode 字符比如中文用户名这个正则是否会误判re.match是从字符串开头匹配但它会匹配到结尾吗性能上这个正则会不会被恶意输入触发灾难性回溯把这些问题喂给 AI让它继续补充但最终由你来决定是否接受。在实际项目中AI 生成的代码必须经过同样严格的 review 流程不能因为“AI 生成的”就降低标准。5.4 示例 3用 AI 拆解学习路径和系统设计草稿学习 Spring AI 或 AI Agent 开发时大多数人面对的是“不知道从哪里看起”。这个问题非常适合让 AI 生成一个初步路线图。比如你可以问我想学习 Spring AI 这个框架目前有 Java 基础了解基本的 REST API 开发。请帮我生成一个 4 周学习计划按周拆解目标并推荐每个阶段都可以做的小项目。AI 会给出类似这样的结构第 1 周熟悉 Spring AI 的基本概念跑通一个调用大模型接口的示例。第 2 周学习 Prompt 模板和结构化输出做一个简单的智能客服。第 3 周学习向量数据库和 Embedding做一个文档问答。第 4 周把以上能力封装成 REST API并补充单元测试。这份计划只能作为草稿。你需要根据自己的时间和基础调整如果没接触过 Spring Boot需要先补 Spring Boot 基础如果已经熟悉 API 开发可以缩短第一周。关键是把 AI 当成“快速生成初稿的工具”而不是“替你决定学什么的老师”。6. 高校教师视角AI 时代的考核与课堂设计给学生的建议讲完也想给高校教师一些参考。如果直接禁止学生使用 AI大概率会失败因为工具已经渗透到日常开发习惯里了。更现实的做法是重新设计任务和考核方式让 AI 成为可接受但需要声明的工具。可以考虑这几个方向要求学生在作业中声明 AI 使用范围。写了哪一部分、用了哪个模型、如何验证输出。这个声明本身就能反映学生的判断和诚实度。增加答辩和过程文档。让学生提交的不只有最终代码还有问题拆解过程、方案对比、失败案例记录。AI 能生成代码但很难编造一个真实的“排错经历”。设计不能被标准答案覆盖的变体题。用同一个知识点生成不同的业务场景比如“设计一个秒杀系统的库存扣减方案”每个人拿到的商品和人流参数不同AI 给出的通用模板只能作为起点。把 AI 当作助教。老师可以用 AI 生成多套变体题、模拟用户提问、生成参考代码再把时间节省下来用于一对一答疑和项目指导。这种调整不是为了对抗 AI而是为了让评估结果更接近学生的真实能力。毕竟教育最核心的价值从来不是“把答案背下来”而是“面对新问题时知道怎么下手”。7. 常见问题与误区问题现象可能原因排查方式解决方案使用 AI 写作业等于作弊吗学校评估方式和作业要求没有明确查看课程规定判断 AI 是否被允许按规则使用并主动声明 AI 辅助范围大学里学的知识没用了吗课程内容与 AI 工具能力重叠分析课程是否能训练判断力重点学习算法、系统、网络、数据库等底层原理AI 生成的代码可以放到生产环境吗认为 AI 输出等于可靠答案使用代码 review、测试、安全扫描走与人工代码相同的审查与测试流程是不是所有开发岗都要学提示词工程把提示词工程当成独立技能分析岗位要求观察真实工作流更多关注问题拆解、验证、架构权衡能力用 AI 学习导致基础不扎实遇到问题直接看答案跳过试错记录学习过程中的失败和复盘先用 AI 生成相关方向再手动实现与修改这些误区的共同点都是把 AI 当成了“结果提供者”而忽略了它只是“过程辅助工具”。真正需要培养的是对答案保持怀疑并完成验证的习惯。8. 最佳实践与工程建议如果你在团队里负责引入 AI 工具或者想在自己的学习路径中建立规范下面几条建议值得参考。8.1 先定义边界再引入工具不是所有任务都适合用 AI。比如涉及敏感数据的处理、关键交易逻辑、安全相关的权限判断应该由人工完成核心设计AI 只负责外围代码或文档草稿。建议在团队 wiki 里写清楚哪些任务允许使用 AI哪些必须人工实现。8.2 代码审查不能省略AI 生成的代码同样需要走完整的代码审查流程。审查时重点关注是否存在逻辑边界问题。是否缺少异常处理。是否引入不必要的依赖。是否符合团队编码规范。如果 AI 生成的是 YAML 配置或 SQL 脚本也要单独检查权限和安全性不能因为“看起来合法”就直接执行。8.3 保持对版本信息的质疑LLM 训练数据有时间截止它很可能会给出过时的版本号或已经废弃的 API。遇到关键依赖时以官方文档和当前项目里的实际依赖树为准。可以把“让 AI 给出版本建议”当成提示而不是结论。8.4 用“过程笔记”展示真实能力对学习者和求职者来说准备一份过程笔记会很有帮助。内容包括你遇到什么问题、是怎么拆解的、尝试过哪些方案、AI 给了什么建议、你最终为什么选择这个方案。这份笔记比一段 AI 生成的漂亮代码更有说服力因为它能证明你具备判断和决策能力。8.5 把 AI 工具接入现有工程流程在一个真实项目中AI 辅助开发应该这样融入# 1. 先用 AI 生成接口代码或配置草稿 # 2. 人工 review 并修改 # 3. 补充单元测试和集成测试 pytest tests/test_user_api.py -v # 4. 运行静态检查和安全扫描 ruff check .这么做的好处是AI 始终处于“可验证”的位置。它输出的内容会进入代码库但必须经过质量标准过滤。9. 总结与后续学习方向Carson Gross 的视频提出了一个很值得继续讨论的问题当 AI 可以完成很多“学校作业”时大学到底还能提供什么我比较认同的判断是大学真正应该提供的是判断力训练而 AI 只能提供答案不能替你承担决策责任。如果你还是一名学生建议立刻做两件事把 AI 工具当作学习辅助但必须保留自己的理解过程认真对待每一次答辩和代码审查因为这些环节最能体现真实能力。如果你已经在工作也可以在最近的项目里试一次“AI 生成 人工审查”的完整闭环记录一下 AI 哪些判断是对的哪些是错的。这个体验会比看十篇评论文章更有价值。如果你对视频内容本身感兴趣可以直接找到 Carson Gross 的原视频来看。看完之后再回到自己的学习和教学工作里思考一个问题我们有没有可能设计出一种用 AI 但不过度依赖 AI 的学习方式这个问题没有标准答案但值得每一个使用 AI 的开发者认真想一次。 AI重塑大学教育：从代码生成到判断力训练的技术变革
最近和几个在校生聊天发现一个有意思的现象很多人一边用 AI 编程工具写作业一边陷入“大学到底还教什么”的困惑。与此同时大学老师也在讨论同一个问题只是视角完全不同。Carson Gross 是 HTMX 的创造者很多人是因为这个前端工具认识他的。但他在犹他大学上课能近距离看到 AI 进入课堂后的真实变化。他发布了一个题为“AI and the University”的视频讨论的不是“哪个大模型更强”而是 AI 正在如何重塑大学里的教学、评估和人才供给。这个视频对开发者、学生和教师都有参考价值尤其适合那些正在担心“自己是不是会被 AI 替代”的人。这篇文章会把视频背后的核心问题展开聊三个最关键的技术矛盾然后给出开发者和学生都能直接落地的实操建议。你可以用 AI 学习但也要知道自己正在为什么样的能力买单。1. 为什么技术人也要关心“AI 与大学”这个话题很多人觉得大学教育和已经在工作的程序员没有关系。但如果你参与过招聘就会发现影响很大。过去招应届生最看重的是课程成绩、项目经验和基础算法能力。现在情况变了AI 能帮助写业务代码、补测试、做代码 review候选人只要拆解问题足够清楚很多“低阶编码”能力已经被工具补齐。结果就是招聘者开始考察“你如何定义一个模糊的需求”“你怎么验证 AI 给出的答案”“你能不能解释这段代码为什么对”而这些能力恰恰与大学教育过程高度相关。大学课程的特点是反馈周期长。一门课从大纲设计到教材出版往往需要几年时间。可 LLM 技术几乎每半年就有一次明显变化教材还在讲传统 MVC行业已经在用 AI Agent 编排业务流。如果大学不调整培养方式企业很快就会面对一批“能毕业但不能解决实际问题”的候选人。所以当我们讨论“AI 与大学”本质上是在讨论未来几年技术人才的能力结构会发生什么变化。这才是和每个开发者都有关的地方。2. Carson Gross 是谁这条视频为什么值得看Carson Gross 在 Web 开发者圈子里知名度很高原因是他写的 HTMX 工具把前端交互抽成了 HTML 属性用得很省心也暴露出很多现代前端框架的复杂度问题。他本人长期反对在不需要的时候引入重型抽象欣赏“直接、简单、可维护”的方式。同时他还在大学任教教授计算机相关课程。这一点很关键很多 AI 讨论要么来自只喊概念的博主要么来自纯做工程的公司。Carson Gross 的位置比较特别他能同时看到课堂作业、学生代码、行业发展三个层面的信息。他的视频标题“AI and the University”指向的并不是“AI 能不能帮助科研”而是“大学作为教育机构和筛选机制会不会因为 AI 而失效”。我没有办法把视频逐句转述给你但从这个标题和他一贯的公开观点可以推断他的核心关注点包括学生交上来的作业到底是谁写的、学校应该如何评估真实能力、AI 工具是否会让“完成课程”与“掌握知识”之间的距离变得更大。这条视频最值得看的地方不是给出一个“AI 是好是坏”的结论而是提醒我们工具越强大个人判断力就越值钱。当你拿到一个 AI 给出的答案你需要有足够的能力判断它是否合理。这种判断力恰恰是大学原本应该训练出来的东西。3. AI 冲击大学教育的三个核心矛盾3.1 评估体系失效作业可以被生成但能力无法被代写过去老师通过作业判断学生是否掌握知识。现在 AI 可以轻松完成常规编程作业于是老师看到的高分作业无法区分是“理解得很透彻”还是“提问提得好”。这种情况在数据结构、数据库原理、Web 开发课程里尤其明显。但问题在于作业能生成能力不能。边界条件是否考虑过、需求有歧义时怎么处理、测试覆盖率是否合理、代码性能是否符合场景这些仍然需要人的判断。学校如果继续用“只看最终代码”的方式评估就会把学生引向一个错误的方向学会正确提问但不学会理解答案。短期解法是增加对抗性答辩让学生解释每一行代码和每个设计决策。长期解法则是重新设计作业让任务本身就包含无法由 AI 独立完成的上下文信息。3.2 课程内容滞后于工具演进大学课程的更新速度很难跟上 AI 工具的变化。一本教材从编写到出版可能需要两年但 AI 编程工具的可能每一两个月更新一个大版本。很多课程还在教如何手写 CRUD 接口而实际项目中开发者已经在用 AI 辅助生成基础代码把时间花在更复杂的业务逻辑上。这不是说基础课不重要而是说课程设计需要有“工具层”和“原理层”的分离。原理层应该讲计算机组成、数据结构、算法、网络协议、数据库事务工具层则应该定期引入 AI 辅助开发、代码审查、部署监控等实践内容。这样学生既不会丢掉底层能力也能在毕业时用更接近行业的方式工作。3.3 学习者被“答案”包围跳过关键训练学习编程的过程本质上是从“遇到问题 - 尝试解决 - 失败 - 反思 - 再尝试”中积累经验。失败本身就是信息它会告诉你某一种排查思路不成立某一种写法会带来边界问题。AI 改变了这个循环。现在学生遇到报错第一反应是复制错误信息问 AI然后得到一段修复代码。这个过程效率很高但也把中间的试错过程压缩没了。问题在于调试直觉和问题定位能力必须靠真实的失败经验来建立。如果学习阶段全是“开箱即用”到了生产环境遇到一个模糊的线上问题就很难下手。所以AI 不是不能用于学习而是使用方式需要改变。最好先用 AI 生成“参考答案”然后自己手动重写、测试、破坏性修改。把 AI 当作陪练而不是代写。4. 从“教工具”到“教判断力”技术教育的新重点如果大学不被 AI 取代它需要承担哪些新的教育任务我的判断是把训练“判断力”放在比“操作技能”更高的位置。操作技能是指会写 SQL、会用某个框架、会部署容器这些能力本来就在被工具快速抽象化。过去写一个登录接口需要知道 Session 和 Cookie 的区别现在很多框架已经把这些细节封好了。AI 出现后这种抽象速度更快了。你在提示词里描述清楚AI 就能生成一个可运行的登录模块。但判断力不同。判断力是指在多个可选方案之间做取舍的能力。例如系统应该用单体还是微服务这个判断不能只看 AI 的回答接口是应该同步等待结果还是异步返回需要理解业务流数据一致性要求高时应该选分布式事务还是最终一致性这需要权衡成本与风险。这些能力不可能靠“提示词工程”习得只能靠足够多的真实案例、推演和复盘沉淀出来。大学课程最适合提供的正是这种推演场景。老师可以拿一个真实系统让学生分析它的架构缺陷再用 AI 生成优化建议最后人工判断是否采纳。这是“从教工具到教判断力”的真正含义工具会越来越容易获得但做决策的责任仍然在人身上。5. 给开发者和学生的实操建议用 AI 学习而不被 AI 替代下面是几个可以直接上手的方法。不涉及特定品牌原则是先用小成本跑通再决定是否深入。5.1 环境准备操作系统Windows / macOS / Linux 均可。语言环境Python 3.10 或更高版本。编辑器VS Code、Cursor、PyCharm 等任选其一。AI 助手可以使用代码补全类插件也可以使用大模型在线对话工具根据实际情况选择免费额度即可。重点是不要一开始就把 AI 当成“唯一答案来源”而是把它当成“可以讨论问题的同事”。准备一个单独的笔记文件记录你向 AI 提过的问题、它给出的答案、你的验证过程和最终结论。5.2 示例 1让 AI 解释代码而不是生成代码很多初学者拿到一段代码第一反应是“让 AI 重写一个更简单的”。更好的做法是先让 AI 解释这段代码然后自己动手修改。假设你用 Python 写了一个二分查找def binary_search(arr, target): left, right 0, len(arr) - 1 while left right: mid (left right) // 2 if arr[mid] target: return mid elif arr[mid] target: left mid 1 else: right mid - 1 return -1你可以向 AI 提问请逐行解释下面这段二分查找代码重点说明为什么循环条件是 left right而不是 left right。另外如果数组长度是 0会发生什么然后不要停在“看懂解释”这一步。把数组改成无序向量看看会发生什么错误把mid的计算方式改成mid left (right - left) // 2思考它为什么能避免整数溢出。这个“思考 验证”过程才是学习价值所在。5.3 示例 2让 AI 生成代码然后进行代码审查假设你需要一个用户输入校验函数可以请 AI 生成但必须带着审查意识去使用。下面是一段很常见的 AI 生成示例我稍微调整了逻辑让它看起来“正常”但有明显问题import re def validate_username(username: str) - bool: pattern r^[a-zA-Z0-9_]{3,20}$ if re.match(pattern, username): return True return False表面看没有大问题但审查时你要问自己只允许字母、数字、下划线是否满足业务需求如果用户输入包含 Unicode 字符比如中文用户名这个正则是否会误判re.match是从字符串开头匹配但它会匹配到结尾吗性能上这个正则会不会被恶意输入触发灾难性回溯把这些问题喂给 AI让它继续补充但最终由你来决定是否接受。在实际项目中AI 生成的代码必须经过同样严格的 review 流程不能因为“AI 生成的”就降低标准。5.4 示例 3用 AI 拆解学习路径和系统设计草稿学习 Spring AI 或 AI Agent 开发时大多数人面对的是“不知道从哪里看起”。这个问题非常适合让 AI 生成一个初步路线图。比如你可以问我想学习 Spring AI 这个框架目前有 Java 基础了解基本的 REST API 开发。请帮我生成一个 4 周学习计划按周拆解目标并推荐每个阶段都可以做的小项目。AI 会给出类似这样的结构第 1 周熟悉 Spring AI 的基本概念跑通一个调用大模型接口的示例。第 2 周学习 Prompt 模板和结构化输出做一个简单的智能客服。第 3 周学习向量数据库和 Embedding做一个文档问答。第 4 周把以上能力封装成 REST API并补充单元测试。这份计划只能作为草稿。你需要根据自己的时间和基础调整如果没接触过 Spring Boot需要先补 Spring Boot 基础如果已经熟悉 API 开发可以缩短第一周。关键是把 AI 当成“快速生成初稿的工具”而不是“替你决定学什么的老师”。6. 高校教师视角AI 时代的考核与课堂设计给学生的建议讲完也想给高校教师一些参考。如果直接禁止学生使用 AI大概率会失败因为工具已经渗透到日常开发习惯里了。更现实的做法是重新设计任务和考核方式让 AI 成为可接受但需要声明的工具。可以考虑这几个方向要求学生在作业中声明 AI 使用范围。写了哪一部分、用了哪个模型、如何验证输出。这个声明本身就能反映学生的判断和诚实度。增加答辩和过程文档。让学生提交的不只有最终代码还有问题拆解过程、方案对比、失败案例记录。AI 能生成代码但很难编造一个真实的“排错经历”。设计不能被标准答案覆盖的变体题。用同一个知识点生成不同的业务场景比如“设计一个秒杀系统的库存扣减方案”每个人拿到的商品和人流参数不同AI 给出的通用模板只能作为起点。把 AI 当作助教。老师可以用 AI 生成多套变体题、模拟用户提问、生成参考代码再把时间节省下来用于一对一答疑和项目指导。这种调整不是为了对抗 AI而是为了让评估结果更接近学生的真实能力。毕竟教育最核心的价值从来不是“把答案背下来”而是“面对新问题时知道怎么下手”。7. 常见问题与误区问题现象可能原因排查方式解决方案使用 AI 写作业等于作弊吗学校评估方式和作业要求没有明确查看课程规定判断 AI 是否被允许按规则使用并主动声明 AI 辅助范围大学里学的知识没用了吗课程内容与 AI 工具能力重叠分析课程是否能训练判断力重点学习算法、系统、网络、数据库等底层原理AI 生成的代码可以放到生产环境吗认为 AI 输出等于可靠答案使用代码 review、测试、安全扫描走与人工代码相同的审查与测试流程是不是所有开发岗都要学提示词工程把提示词工程当成独立技能分析岗位要求观察真实工作流更多关注问题拆解、验证、架构权衡能力用 AI 学习导致基础不扎实遇到问题直接看答案跳过试错记录学习过程中的失败和复盘先用 AI 生成相关方向再手动实现与修改这些误区的共同点都是把 AI 当成了“结果提供者”而忽略了它只是“过程辅助工具”。真正需要培养的是对答案保持怀疑并完成验证的习惯。8. 最佳实践与工程建议如果你在团队里负责引入 AI 工具或者想在自己的学习路径中建立规范下面几条建议值得参考。8.1 先定义边界再引入工具不是所有任务都适合用 AI。比如涉及敏感数据的处理、关键交易逻辑、安全相关的权限判断应该由人工完成核心设计AI 只负责外围代码或文档草稿。建议在团队 wiki 里写清楚哪些任务允许使用 AI哪些必须人工实现。8.2 代码审查不能省略AI 生成的代码同样需要走完整的代码审查流程。审查时重点关注是否存在逻辑边界问题。是否缺少异常处理。是否引入不必要的依赖。是否符合团队编码规范。如果 AI 生成的是 YAML 配置或 SQL 脚本也要单独检查权限和安全性不能因为“看起来合法”就直接执行。8.3 保持对版本信息的质疑LLM 训练数据有时间截止它很可能会给出过时的版本号或已经废弃的 API。遇到关键依赖时以官方文档和当前项目里的实际依赖树为准。可以把“让 AI 给出版本建议”当成提示而不是结论。8.4 用“过程笔记”展示真实能力对学习者和求职者来说准备一份过程笔记会很有帮助。内容包括你遇到什么问题、是怎么拆解的、尝试过哪些方案、AI 给了什么建议、你最终为什么选择这个方案。这份笔记比一段 AI 生成的漂亮代码更有说服力因为它能证明你具备判断和决策能力。8.5 把 AI 工具接入现有工程流程在一个真实项目中AI 辅助开发应该这样融入# 1. 先用 AI 生成接口代码或配置草稿 # 2. 人工 review 并修改 # 3. 补充单元测试和集成测试 pytest tests/test_user_api.py -v # 4. 运行静态检查和安全扫描 ruff check .这么做的好处是AI 始终处于“可验证”的位置。它输出的内容会进入代码库但必须经过质量标准过滤。9. 总结与后续学习方向Carson Gross 的视频提出了一个很值得继续讨论的问题当 AI 可以完成很多“学校作业”时大学到底还能提供什么我比较认同的判断是大学真正应该提供的是判断力训练而 AI 只能提供答案不能替你承担决策责任。如果你还是一名学生建议立刻做两件事把 AI 工具当作学习辅助但必须保留自己的理解过程认真对待每一次答辩和代码审查因为这些环节最能体现真实能力。如果你已经在工作也可以在最近的项目里试一次“AI 生成 人工审查”的完整闭环记录一下 AI 哪些判断是对的哪些是错的。这个体验会比看十篇评论文章更有价值。如果你对视频内容本身感兴趣可以直接找到 Carson Gross 的原视频来看。看完之后再回到自己的学习和教学工作里思考一个问题我们有没有可能设计出一种用 AI 但不过度依赖 AI 的学习方式这个问题没有标准答案但值得每一个使用 AI 的开发者认真想一次。