AI时代，我们会有个疑惑：当所有代码都是 AI 写的，初级程序员的学习路径被剥夺了，资深工程师怎么培养？Jane Street 的 Ron Minsky 与 Aaron Bauer 的一场对话，聊到了Jane Street的一种解法。
Ron Minsky是 Jane Street 的 CTO。而 Aaron 在Jane Street的头衔在其他公司不太常见：工程师培训师（developer educators）。Aaron 在 Jane Street 的职责一半是给公司写代码、一半教人写代码；此前他在 Carleton 学院教计算机。
餐巾纸上的代码
把学生扔到电脑前不是最好的教法。Ron Minsky 用另一种方式教自己的孩子编程。在餐馆等菜的间隙，他拿出一张餐巾纸，写几行用混淆变量名命名的 Scheme 代码，让孩子们猜这段代码在算什么。函数名故意起成 Foo 这种毫无意义的词。
Aaron 学编程也类似。高中科学营用 Python 算小行星轨道，后来想学 AP 计算机但学校没课，在网上找到一位常年坐在北卡罗来纳海滩上、只通过纯文本邮件答疑的退休教师。没有视频，没有在线 IDE。
这引出了对 “翻转课堂”这种教学方式的探讨：把讲课录成视频让学生在宿舍看，课堂时间留给互动。但现场讲课有一种被低估的力量：活人站在面前拆解推理，注意力会被牢牢抓住。人对屏幕的反应和对人的反应不一样。现场听讲的人更可能记笔记，而记笔记这个动作本身就帮助记忆，哪怕笔记再也没看过。
手写比打字好，真正的杀手是屏幕。Aaron 教编程时不让学生开电脑，让他们在纸上写程序、判断代码对不对。初学者在屏幕前会进入乱改模式，直到程序碰巧编译通过了。这个过程中，思考是碎片化的。
平行宇宙里的编辑器
Jane Street 是著名的异类。二十五年里，世界在 Git、VS Code 和 Modern Web 栈里转，他们走了一条自己的路：用 OCaml 构建几乎所有交易系统，自研版本控制系统 Iron，有专门的团队维护编辑器。大多数公司的代码审查流程是这样的：终端提交，推远程，打开浏览器 GitHub，在 Web 表单里点选某一行留评论。在 Jane Street，代码审校只发生在编辑器里。编辑器是工程师的大本营。分支管理、版本比对、修改建议全在编辑器完成。给别人提建议是在代码行直接写格式化注释，也可以直接拉取对方代码帮他改好。
外部工程师第一次见到这种做法往往觉得 “侵入性太强”。但反过来想：在网页里看着静态代码指手画脚，连随手跑个测试、改个变量名都做不到，这才是怪异的。Jane Street的做法是把编辑器变成唯一控制台，把反馈闭环缩短到极致。
这也解释了为什么 Jane Street 要设 “工程师培训师” 且要求教学者承担一半日常工程开发。传统大学里教计算机的教授多年不写工业级代码，大厂里资深工程师忙于救火无暇思考公司级的系统沉淀。面对一个高度自研的复杂系统，脱离前线的老师教不出合格工程师。
Aaron 进公司后接手了一个糟糕的测试培训。Ron 想组织大家学软件测试，各路人马各管一摊，但没人把整件事捏起来。Aaron 上来问了一句：你们的 “学习目标” 到底是什么？
好的学习目标不是 “理解 property-based testing”。“理解” 没法验证。好的学习目标是 “完成培训后，学员能够为一个嵌套 record 类型的输入写出 property-based 测试”。动词主动，范围具体，能不能做到看得见。
所以，一个好的学习目标一定是以某种形式输出且可衡量的，这和定义一个任务的SMART原则有些类似。
一旦诚实地写下目标，练习就该让学员练这个，讲座就该讲做这个需要的背景，无关内容全砍掉。它还给了你一把评估培训本身的尺子。
绝大多数教学从不这么做。大家习惯的是讲完就算教完了，学生到底掌握了什么，没人说得清。
当代码可以被自动生成
大语言模型学会了写代码，能在十秒内写出几乎所有大学作业级别的代码，还能修类型报错。对于老师的第一反应肯定是筑墙：禁止用 AI、断网环境考试。但这就像计算器发明后数学系禁止加减乘除一样可笑。过去，写出可运行的代码是检验理解的唯一手段。“产出代码” 不是目的，“建立心智模型” 才是。计算机科学的核心是构建对状态、控制流、类型系统和系统边界的抽象理解。过去代码是投射这种理解的唯一介质，现在 AI 可以跨过人的思考直接代劳介质的输出。
如果只把 AI 当自动写手，心智模型就会萎缩。你会退化到那个在终端前胡乱碰运气的初学者状态，只是这次不是乱改字符，是不断向 AI 重新输入 Prompt，祈祷下一次吐出的代码刚好能跑。
Jane Street 之前的实习生项目是花四周做一个编程项目，现在 AI 工具好到一个 prompt 就做完，项目的评估意义归零。他们没有禁掉 AI，而是把整个实习课程拆了重建。逻辑是：过去 “能不能产出合理质量的代码” 是最重要的信号，现在代码变成了容易的部分。以下剩下的才是真正该教的东西：
重构学徒制
当生成代码的边际成本趋近于零，软件工程真正稀缺的东西浮出水面。Jane Street 把新教学重心放在三件事上：意图与设计。 最顶尖的工程师是能最清晰地把模糊需求拆解为优雅系统结构的人。决定系统边界在哪里、状态由谁持有、模块间如何解耦，这些架构层决定 AI 无法凭空做出，只能在你给出清晰架构后填补细节。
深度测试。 代码是机器写的，你如何证明它对？测试从写完代码后的补丁变成核心规范。必须比以前更擅长思考边缘情况，用确定性的属性测试界定代码安全范围。测试不再是苦力活，是定义 “真理” 的方式。
代码审校与鉴赏力。 人的角色不再是创作者，是总编辑。必须阅读海量人类或 AI 生成的代码，迅速嗅出坏味道、隐蔽的并发竞争、性能瓶颈。品味只能来自过去亲手拆解过的优秀和糟糕的系统。
新实习项目变得更开放、更模糊、更像真实工程。塞进了更多小组讨论、设计交互活动、模拟与需求提出者之间的对话，这些恰是 LLM 做不了的部分，因为它们本质上是关于人和判断的。
这背后是 Aaron 在 Carleton 学院就实践过的 “认知负荷” 理论：人同时能装进工作记忆的新东西有限。他把 OCaml 新人营拆开：先只学语言本身，用命令行 REPL；编辑器单独一堂课；代码审查再单独一堂课。AI 出现后原则没变，只是要装进脑子的东西清单换了。
底层的意义
每次抽象层提升都有人说不需要学底层了。高级语言出现时说不需要懂汇编，操作系统出现时说不需要懂硬件中断。但真正能驾驭新层级的人，永远是清楚下一层到底发生了什么的人。系统正常时抽象层美好，当时钟倾斜、网络缓冲区溢出、AI 写出的微妙逻辑漏洞导致数百万美元损失时，能救你的只有老派的、扎实的心智模型。Aaron 提到 Claude Code 有一个 learning mode，让模型停下来在代码里留 TODO 让人填。他发现这样不仅更愉快，还真的更理解代码。这很像记笔记：你参与生产，就会理解得更深。现在的工具大多倾向于让模型生成一切然后人选择接受或拒绝。也许应该设计更多让人参与生产的摩擦。
真正的学习目标一直都没变
AI 时代教学的目标是什么？真正的学习目标一直都在，只是被 “写代码” 这个显眼的任务盖住了。当公司用 “能不能四周内写出这个系统” 评估实习生时，真正想测的那些东西 —— 判断力、品味、和不确定性共处的能力 —— 从来没被直接测过，只是搭了 “产出代码” 这趟顺风车。现在车空了，才发现不知道要往哪儿去。
“机器帮不上忙的地方” 这个清单和 “学习目标” 的写法是同一件事：先具体写下一个人在结束时应该 “能做什么”，不是 “理解”，不是 “掌握”，是能做什么。一旦诚实地写下那个动词短语，AI 能不能替他做这件事就一目了然了。凡是一个 prompt 能替代的，都不该是学习目标。
这个原则逼你面对一个问题：你现在教的东西里，有多少是你自己都说不清 “学完之后他能干什么” 的？AI 的价值就是把这部分逼到光天化日之下。
读后思考
读完如上 Jane Street 在AI时代对“如何学习”的重新思考，我的感悟有如下3点：• 新人培训课题：我们公司的新人培训跟 Jane Street 的套路有些类似：“四周时间，用底层框架从零搭一个简版交易系统”。这个课题在AI时代可能用一句prompt就能解决了。所以AI 时代这条路需要重构，需要重新定义动手的学习目的是什么。也许可以改成手动画出交易业务模型的关系图，测的是对业务结构的理解；也许是设计一个在注入故障后仍能稳住的系统，测的是你对韧性的判断；也许是搭一个能自迭代提升吞吐的性能进化平台，测的是你对架构演进方向的把控。这些变体的共同点：“你能不能写出这东西”不再重要，“这东西为什么该长这样”才是。
• 搭建新人友好的学习环境。AI 对新人有一个真实的好处：反馈闭环变短了。以前主要时间花在编写代码，等待反馈上。现在一个 prompt 下去，几秒就知道方向偏没偏。如果能给新人一套高仿真的运行环境，再往里埋一些精心设计的异常场景——就像游戏的新手村，难度可控，反馈即时——学习就变成了打怪升级。浓缩起来两件事：一，搭一套高仿真的环境让系统跑起来；二，用线上的历史事件或一套完备的测试用例集作为输入校验，让每次尝试都有反思收获。
• “无AI日”。常用 agent 编程一段时间之后，能明显感到自己编程能力的退化。可能的一种解法可能是定期搞一个“无 AI 日”，偶尔回到“古法手搓”的状态，重新激活对底层细节的敏感。就像你学会开车之后，就再没骑车上过班。目的地没变，时间省了。但偶尔骑一次，你能感受到一路上的城市环境，自由大胆地去试没走过的路，在慢悠悠中看到一些坐在方向盘后面注意不到的变化。抢个沙发
🙂
🤔