有个读者面B站AI应用研发实习生一面聊了四十分钟项目八股和手撕代码都过了感觉稳了。二面前面一切正常——项目追问、技术深挖、场景设计常规流程走完他觉得自己答得不错。然后面试官话锋一转“技术方面差不多了我想跟你聊几个开放性的问题。”紧接着面试官掏出四个题逐个深聊你觉得AI的出现对软件工程的影响是什么你怎么看待古法编程低级语言到高级语言与高级语言到自然语言为什么不能简单类比你觉得AI对学习的影响是什么他听完第一反应是开放题随便聊聊不就行了聊完发现不是那么回事。面试官每个问题都在追问他的逻辑链条。他说AI提高了开发效率面试官追效率提高之后软件工程的瓶颈转移到了哪里他说古法编程还有价值面试官追价值具体体现在哪个环节是所有环节还是特定环节。四个问题聊下来他发现自己对AI的理解停在会用工具的层面没有形成系统认知。技术题答得再漂亮到这四个题上全露馅了。这四个题才是二面真正的筛人环节。技术题考的是你做了什么开放题考的是你想了什么。前者靠准备后者靠积累临时背是背不出来的。今天我就把这四个题逐个拆开深聊。每一题我都给你一个思考框架不是给你背标准答案——这种题本来就没有标准答案。但有好答案和烂答案的区别区别在于你有没有想到底层。如果你也在准备AI方向的面试或者你想搞清楚AI到底在改变什么这篇文章建议存下来反复看。第一问AI对软件工程的影响是什么这题看起来最宏大也最容易答得空泛。大部分人的第一反应是“AI提高了开发效率让程序员能更快地写代码。”这话说完面试官基本就知道你的思考深度了。因为这句话是对的但它只说了一个现象没说本质。AI对软件工程的影响不是写得更快而是改变了软件工程的核心矛盾。矛盾转移从实现成本到验证成本软件工程过去几十年的核心矛盾是什么是实现成本高。写代码慢改代码慢测试覆盖不够上线提心吊胆。整个行业的技术演进——从汇编到高级语言从手写到框架从单体到微服务从手动部署到CI/CD——本质上都在做一件事降低实现成本。AI出现后实现成本断崖式下降。一个CRUD接口以前手写半天现在描述清楚需求AI五分钟生成。但矛盾没有消失它转移了。新的核心矛盾变成了验证成本。AI生成的代码你得确认它对不对。这不是读一遍就完事的——AI写的代码有一个致命特征它看起来特别像对的。变量命名规范注释完整逻辑自洽甚至异常处理都写好了。但可能在一个边界条件上完全错了可能引入了一个隐蔽的安全漏洞可能在并发场景下有竞态条件。你不去仔细验证根本看不出来。所以软件工程的瓶颈从怎么把代码写出来变成了怎么确认代码是对的。维度AI之前AI之后核心矛盾实现成本高验证成本高程序员主要工作写代码审代码、定规范、做验证质量保障手段写的时候注意 测试生成后验证 测试 对抗性审查技能重心实现能力判断能力团队协作Code Review抽检Code Review成为核心环节角色重构从代码生产者到系统设计者质量守门人这个转移带来一个直接后果程序员的角色定位变了。以前你是代码的生产者核心竞争力是写得出来、写得快、写得好。现在AI能写出大部分常规代码你的核心竞争力变成了两件事第一系统设计能力。AI能帮你写一个函数、一个类、一个模块但它不能帮你决定系统架构。微服务怎么拆数据一致性怎么保证缓存策略怎么选这些决策需要你对业务和技术的深度理解AI给不了你答案——因为它不知道你的具体上下文。第二质量验证能力。AI生成的代码你得能看懂、能挑错、能验证。这要求你对底层原理的理解比以前更深不是更浅。很多人觉得有了AI就不用学底层了这是最危险的错觉。AI生成的代码越多你越需要底层知识来判断它对不对。以前你不学底层最多写得慢现在你不学底层你连AI写的代码好不好都判断不了。高分回答框架我认为AI对软件工程最根本的影响不是提效而是转移了核心矛盾。过去软件工程的瓶颈在实现成本——把代码写出来很难所以整个行业的技术演进都在降低实现成本。AI把实现成本打下来之后瓶颈转移到了验证成本——AI生成的代码看起来都对但确认它真的对成本反而更高了。这带来两个变化第一程序员的角色从代码生产者变成系统设计者和质量守门人核心竞争力从实现能力变成判断能力。第二软件工程的工程实践需要重构——Code Review从抽检环节变成核心环节测试策略需要从’验证我写的代码’变成’对抗性验证AI生成的代码’规范约束需要从’靠人遵守’变成’写进AI的context’。所以AI不是让软件工程变简单了而是让它变难了——只是难的维度变了。第二问你怎么看待古法编程“古法编程”——就是不用AI纯手写代码。这题是在考你你觉得手动写代码这个技能在AI时代还有没有价值价值在哪很多人的回答会走两个极端。一个极端是古法编程过时了。理由是AI写代码又快又好手写效率太低就像有了计算器还练心算一样属于被淘汰的技能。另一个极端是古法编程永远有价值。理由是基础不能丢“手写才能理解深刻”听起来很正确但说不清到底在哪个环节有价值。面试官都不满意。因为两个极端都缺少场景拆分。核心洞察不是所有环节都一样把编程活动拆成几个层次来看层次活动内容AI替代度古法编程的价值模板代码层CRUD接口、DTO转换、样板配置极高几乎为零算法实现层排序、遍历、常规数据处理高理解原理不一定要手写架构设计层模块划分、接口定义、数据流设计中低核心价值区调试排障层定位bug、性能分析、线上排查中核心价值区底层理解层操作系统、网络、编译原理低不可替代看出规律了吗AI能替代的是确定性高、模式化强的部分。古法编程的不可替代价值集中在需要深度理解、需要创造性判断的部分。具体来说模板代码层古法编程确实可以扔了。你手写一个REST接口的增删改查和AI生成的没有任何区别只是慢十倍。这层的古法没有附加价值纯粹是浪费时间。但调试排障层古法编程是刚需。线上CPU飙到100%你让AI帮你排查AI只能根据你贴的日志猜测但它没有线上环境的上下文不能attach到JVM看线程栈不能做火焰图分析不能感受GC停顿的频率。这些事情必须你自己来。而要做好这些事你需要对JVM内存模型、垃圾回收机制、线程调度的底层理解——这些理解从哪来从你古法编程的过程中来。你手写过并发代码踩过死锁的坑才会对线程安全有肌肉记忆。这种肌肉记忆不是知识是经验编码在你的直觉里的东西。AI可以告诉你这里可能有竞态条件但你得自己感觉到不对劲才会去让AI检查。更深一层古法编程培养的是审美说个不太好量化的东西。古法编程真正培养的不是编码速度是代码审美。什么意思就是你看过足够多的好代码和烂代码手写过足够多的逻辑你才会形成一种判断力这段代码感觉不对。这种判断力极其重要。因为AI生成的代码语法正确、逻辑自洽但可能感觉不对——命名不够精准、抽象层次混乱、职责不单一。你没写过足够多代码你感觉不出来。就像你学做饭你可以用预制菜加热但如果你从来没自己炒过菜你尝不出火候差了一点。古法编程的本质是在培养你的代码味觉。高分回答框架我觉得古法编程的价值不能一概而论要分层看。在模板代码层面AI的替代度极高古法编程确实没有附加价值。但在架构设计、调试排障、底层理解这几个层面古法编程培养的东西是AI替代不了的。具体来说古法编程培养的是三种能力第一是对底层的理解你手写过并发代码才知道死锁长什么样第二是调试直觉线上出问题的时候AI没有环境上下文判断靠的是你的经验编码的直觉第三是代码审美你写过足够多代码才能判断AI生成的代码’虽然能跑但设计不好’。所以我不认为古法编程过时了。过时的是’用手写来追求效率’这个目的。但’用手写来培养判断力’这个目的在AI时代反而更重要了——因为AI生成的代码越多越需要有人能判断它好不好。第三问低级语言到高级语言与高级语言到自然语言为什么不能简单类比这是四道题里最有深度的一道也是最能区分思考层次的。很多人在论证AI编程是必然趋势时会用一个类比“从前人们用汇编编程觉得高级语言不可接受——看不到寄存器怎么控制性能后来用C编程觉得Python不可接受——动态类型性能太差。每一次抽象层级的提升都伴随争议但最终都成功了。所以从Python到自然语言编程也是同样的抽象升级反对的人只是还没适应而已。”这个类比听起来特别有说服力。逻辑自洽有历史佐证还暗含反对者都是保守派的暗示。但这个类比有一个致命的漏洞。漏洞一形式语言 vs 自然语言本质不同汇编、C、Python不管层级多高它们都是形式语言。形式语言有一个根本特征语义是精确的、确定的、无歧义的。a b c这行代码不管在哪种形式语言里它的含义是唯一的。编译器/解释器对它的处理是确定的。同样的输入永远产生同样的输出。自然语言不是这样。“帮我写一个用户注册接口要安全一点。”这句话里安全一点是什么意思防SQL注入防XSS加HTTPS做密码强度校验限流验证码每个人的理解都不一样。形式语言的抽象升级是同一类语义模型内的层级提升。从汇编到C抽象掉了寄存器分配从C到Python抽象掉了内存管理。但底层语义模型没变——都是给机器精确的、确定性的指令。自然语言到代码是语义模型本身的跨越。从模糊的、有歧义的、依赖上下文的自然语言映射到精确的、确定性的形式语言。这不是同一个维度上的升级是跨维度的翻译。漏洞二确定性编译 vs 概率性生成汇编到C的转换是由编译器完成的。编译器是一套确定的规则系统同样的C代码经过同一个编译器永远生成同样的汇编代码。高级语言到自然语言的转换是由大语言模型完成的。大语言模型是概率模型同样的自然语言描述每次生成的代码可能不同。这个差异不是小问题它直接决定了整个工程实践的基础假设。维度形式语言间的编译自然语言到代码的生成执行主体编译器规则系统大语言模型概率系统确定性完全确定概率性每次可能不同可追溯性可反编译、可调试不可逆推错误类型语法错误编译器报/ 语义错误测试抓包含理解错误——模型理解的意图和你的真实意图不同错误检测编译器类型系统测试只有测试人工审查关键在最后一行。形式语言间的编译错误检测有三道防线编译器抓语法错误类型系统抓类型错误测试抓语义错误。自然语言到代码的生成编译器和类型系统还在因为最终生成的还是形式语言代码但多了一层全新的错误类型意图理解错误。你说安全一点模型理解成了加密码强度校验但你想的是防SQL注入。代码语法正确类型正确甚至测试都能过——但安全漏洞还在。这种错误编译器抓不到类型系统抓不到常规测试也抓不到。只有人能抓到——前提是人足够懂安全。漏洞三可组合性不同形式语言的一个核心优势是可组合性。你写了一个函数别人可以调用它。你写了一个库别人可以依赖它。因为语义确定调用者可以精确知道这个函数会做什么。自然语言的指令不具备这种可组合性。你给AI一个自然语言描述的模块A然后想让AI基于模块A构建模块BAI对模块A的理解和你当初的意图可能有偏差这个偏差会层层放大。这就像你让别人帮你传话传三层之后意思就变了。形式语言不会传话传变了因为语义是锁定的。漏洞四抽象升级降低了门槛自然语言降低了门槛——但同时也降低了天花板这是最容易被忽略的一点。汇编到C降低了编写门槛不用管寄存器但天花板没降——你用C依然可以做操作系统、做数据库、做一切汇编能做的事。甚至在工程化、可维护性上C的天花板比汇编更高。因为这次抽象升级去掉的是不必要的复杂性寄存器分配对大多数场景来说是不必要的保留的是核心能力对内存的精确控制、对性能的优化空间。自然语言编程呢降低了门槛不用学编程语法但天花板也降了——你用自然语言很难精确描述复杂系统设计、性能优化策略、并发控制逻辑。因为自然语言去掉的不只是不必要的复杂性还有精确表达能力本身。你想让AI写一个高性能的并发队列你得用自然语言描述清楚你的需求。但无锁队列“CAS操作”内存屏障这些概念用自然语言描述的精度远不如直接用代码。你会发现越复杂的需求你越需要退化回形式语言来精确表达。形式语言的抽象升级是让你不用关心实现细节但保留了精确表达的能力。自然语言编程是让你不用关心语法但也失去了精确表达的能力。这两个不是一回事。所以正确的类比应该是什么不是说自然语言编程不能存在而是说它和形式语言的关系不应该类比成C和汇编的关系。更准确的类比是自然语言编程之于形式语言编程就像产品经理的需求文档之于开发者的代码实现。需求文档自然语言描述做什么代码形式语言描述怎么做。产品经理写需求文档开发者写代码两者协作。这个模式一直存在AI只是让从需求文档到代码这一步变得更快了。但没人会说有了需求文档就不需要代码了。因为需求文档是模糊的代码是精确的两者不可互相替代。自然语言编程也一样。它是需求描述层的效率提升不是代码实现层的替代。高分回答框架这个类比最大的问题是忽略了形式语言和自然语言在语义模型上的本质差异。从汇编到C到Python每一次抽象升级都在形式语言的范畴内——语义精确、编译确定、可组合、可追溯。升级去掉的是不必要的实现细节保留了精确表达的能力。从高级语言到自然语言跨越了语义模型的边界。自然语言有歧义、依赖上下文、生成的代码不确定、引入了’意图理解错误’这种全新的错误类型。更重要的是这次’升级’降低了门槛但也降低了天花板——越是复杂精确的需求越需要退回形式语言来表达。更准确的类比是自然语言编程之于形式语言就像需求文档之于代码。AI加速了从’需求描述’到’代码实现’的过程但不能替代代码本身。因为需求文档解决的是’做什么’的问题代码解决的是’精确怎么做’的问题两者不可互相替代。第四问你觉得AI对学习的影响是什么这题如果你答AI让学习更高效、更个性化、更普惠面试官会礼貌地点头然后在评估表上写思考深度不够。不是说这些话不对是太表面了。AI对学习的影响有一个极其深刻的悖论大部分人没意识到。核心悖论AI让获取答案变容易了但让构建理解变难了学习的本质不是获取信息是构建心智模型。你学递归不是记住函数调用自己这个定义。你是在反复练习中在脑子里建起了一个调用栈层层展开再层层回收的心智模型。这个模型建好了你看到任何递归代码脑子里自动模拟执行过程。这个心智模型的构建需要挣扎。你得写错调试想不通睡觉第二天突然通了。这个想不通到想通的过程就是心智模型在形成的过程。没有挣扎就没有模型。AI把这个挣扎消除了。你不会写递归问AI它给你一个完美的实现还附带解释。你读一遍觉得懂了。但你没有真的懂。你只是看懂了AI的解释这不等于你建立了心智模型。这就像看别人游泳。教练在水里游你在岸上看教练每个动作都讲解。你全看懂了点着头。然后你下水——沉了。因为看懂别人的解释和自己能做之间隔着无数次的挣扎练习。AI把挣扎的过程跳过了直接给你结果你产生了理解幻觉。更严重的问题你不知道自己不知道用传统方式学习你遇到不会的卡住了你知道自己不会。这个知道自己不会的状态非常重要——它驱动你去查资料、去练习、去解决。用AI学习你遇到不会的问AIAI给你一个看起来很完整的解释。你读完觉得原来如此然后继续往下走。问题是AI的解释可能不完整、不精确、甚至不对但你没有能力分辨。你以为你懂了其实你没懂。而且你连没懂这个信号都收不到。这就是元认知的问题——对自己知识边界的能力。AI学习最大的风险不是给你错误答案而是让你失去对自己知识边界的感知。但AI对学习也有真正积极的一面说完风险不能不提机会。AI对学习的正面影响是真实存在的只是需要正确使用。第一AI是极好的苏格拉底式导师。如果你不问AI给我答案而是问帮我设计一道题来测试我是否理解了递归或者问我这个实现有什么问题AI就是一个自适应的、随时在线的练习伙伴。关键区别在于你是让AI替代你思考还是让AI帮你设计需要你思考的挑战。第二AI能帮你跨越入门门槛。很多技术领域入门门槛高不是因为概念难是因为环境搭建复杂、报错信息不友好、文档对新手不友好。AI能帮你快速越过这些非本质门槛让你更快进入真正需要思考的阶段。第三AI让反馈循环变短。以前你写一段代码要等编译、等部署、等测试才能看到结果。现在AI可以即时给你反馈。更短的反馈循环确实能加速学习——前提是你在循环里做的是思考验证而不是等AI给你答案。判断标准AI是替代了你的思考还是放大了你的思考总结一下AI对学习的影响是好是坏取决于一个判断标准AI是替代了你的思考过程还是放大了你的思考能力使用方式效果判断标准让AI直接给答案理解幻觉元认知退化替代了思考让AI解释概念可能有用但容易看懂≠掌握部分替代思考让AI出题考你主动构建心智模型放大了思考让AI审查你的代码获得高质量反馈放大了思考让AI帮你定位理解的盲区元认知增强放大了思考高分回答框架我觉得AI对学习最大的影响是一个悖论它让获取答案变得极其容易但让构建理解变得更难了。学习的本质不是获取信息是构建心智模型。心智模型的构建需要挣扎——写错、调试、想不通、想通。AI把这个挣扎过程消除了直接给你结果你会产生’理解幻觉’——看懂了AI的解释但不等于建立了自己的心智模型。更严重的是元认知问题。传统学习你卡住了你知道自己不会。AI学习你不会的它给你一个看起来完整的解释你以为自己懂了连’没懂’的信号都收不到。但AI对学习也有积极面——如果用对的话。AI是极好的苏格拉底式导师关键在于你是让它替代你的思考还是放大你的思考。让它直接给答案就是替代让它出题考你、审查你的实现、帮你定位知识盲区就是放大。所以我认为AI对学习的影响不是简单的好或坏而是取决于使用方式。但有一个确定性的趋势AI时代会提问’比’会回答’重要知道自己不知道什么’比’知道很多’重要。四问之后面试官到底在找什么样的人回头看这四个问题你会发现一条暗线面试官不是在考你对AI的了解而是在考你对AI的判断力。第一问考你能不能看到AI改变了什么、没改变什么——不只是更快而是矛盾转移。第二问考你能不能分辨AI能替代什么、不能替代什么——不是一概而论而是分层判断。第三问考你能不能穿透一个看似合理的类比看到底层差异——这考的是你形式系统思维和批判性思维。第四问考你能不能意识到AI的好处和风险是同一枚硬币的两面——这考的是你的元认知。四个问题同一个核心面对AI你是一个被动的使用者还是一个清醒的判断者B站面AI应用研发不是在找最会用AI的人——会用AI是基本功不是竞争力。他们在找的是理解AI边界的人——知道AI强在哪、弱在哪、在什么场景下该用、在什么场景下不该用、用了之后怎么验证、怎么兜底。这个能力不是看几篇公众号文章就能有的。它需要你真正用AI做过项目踩过坑被骗过然后形成了自己的判断。AI时代最值钱的能力不是让AI替你做事是判断AI做的事对不对。这句话面试的时候你可以不说但心里一定要有。假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】