北京
一开始用AI写代码，效率高得让人上瘾。描述需求、把项目交给它、从写代码到测试全部由它搞定，出了问题就让它修。这种便利是真实的，我确实做出了靠自己写不出来的东西。
但用着用着，一个尴尬的事实浮出水面：我能说清这个应用是干什么的，可一旦被问到某个功能底层怎么跑，我答不上来。整个过程我没参与，代码怎么运转的，我毫无概念。
更麻烦的是出错的时候。AI找不到问题所在，我也找不到，双方在原地打转。这不是工具不行，是我把自己从流程里摘了出去。
后来我改了做法。不再让agent直接实现整个功能，而是先让它讲清楚要做什么、要改哪些文件、各个组件之间怎么交互。然后把实现拆成更小的任务，其中一部分我自己动手写。卡住了，我让它解释问题或者给个思路，而不是立刻生成答案。
样板代码、重复性任务、超出我当前理解范围的部分，我照样交给agent。逐行手写没有意义。但当我承担了一部分实现责任之后，代码是怎么运作的，我开始真的懂了。出问题时，我知道该往哪里看，而不是盲目地让它全部重来。
有人会问，2026年了还有必要学编程吗？AI不是已经能写了吗？这个问题我也问过自己。我的答案是：不必按传统方式学，但必须理解你在建什么。
函数怎么工作、应用怎么和API通信、数据在不同组件之间怎么流动，这些概念比记住每个操作的确切语法有用得多。理解了这些，我才能向agent说清需求、判断它的方案、识别哪里不对劲。剩下的查文档或者问AI就行。
我也不认为需要先花几个月啃完一门语言再动手。在真实项目里遇到不懂的，让agent解释、看它怎么实现、自己试着改，学到的东西马上能用，比做一堆可能永远用不上的练习更有效。当然，想当职业软件工程师，编程和计算机科学的基础得扎实得多；如果目标只是做出有用的工具，让AI处理重复劳动、自己把时间花在理解关键决策上，是合理的。
还有一个容易被忽略的问题：代码变多了，软件不一定变好。让agent实现一个功能，它可能新建好几个文件、加依赖、写一些应用别处已经处理过的函数。功能能跑，你就接受了。但每一处多余的东西都让维护更复杂，对还在学习的人尤其如此。
这不是个例。GitClear的2026年研究分析了6.23亿次代码变更，发现代码块重复相比2023年增加了81%，重构和代码复用则明显下降。我们生成的代码比以往任何时候都多，但这不等于在构建更好的软件。
所以当agent给出方案时，我会多问几句：需要引入新函数吗？能不能复用已有代码？有没有更简单的做法？这些问题，只有懂一点编程才问得出来。
2026年的编程确实变了，AI和coding agent已经是其中的一部分，前端后端都一样，同样的八小时里，外界期待你交付的东西多得多。这一点没必要否认。我依然认为学代码很重要：你对自己手上的代码理解得越深，用这些agent就用得越好。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
