FIND研究員：周世俊 本篇文章探討 AI 普及時代下「Vibe Coding」的興起及其對工程師技能養成的潛在威脅。在 Andrej Karpathy 倡導「自然語言即程式語言」的趨勢下，AI 工具（如 ChatGPT、GitHub Copilot）讓非專業者也能快速開發複雜系統。然而，Anthropic 的研究論文《How AI Impacts Skill Formation》警示：過度依賴 AI 將導致工程師核心能力的「雪崩式退化」，形成AI 時代的「Vibe Coding」與技能危機。
工程師應警惕 AI 工具的陷阱，若長期將認知任務外包，不僅無法促進專業成長，反而會侵蝕獨立思考與深度除錯的核心競爭力，最終淪為缺乏底層邏輯支撐的開發者。將大腦外包將形成雙面刃， 如同長期依賴導航會喪失空間感，以及使用強大動力外骨骼雖能提升即時產出，失去學習過程中必要的「阻力訓練」，無法負重生長。
Anthropic的實驗設計及發現
由 Anthropic 研究團隊設計的實驗，旨在評估 AI 對開發者學習新技術的影響。實驗招募了 52 位 Python 專家，挑戰在陌生且複雜的非同步框架「Trio」下實作並行處理功能。
參與者被平分為實力均衡的兩組：
․對照組（手動查閱組）： 僅能使用原始文件與搜尋引擎，嚴禁接觸 AI。
․實驗組（AI 輔助組）： 擁有開發特權，可利用大型語言模型進行詢問、自動產碼及除錯。
兩組完成任務後，接受涵蓋框架規則、架構邏輯及語意解讀的深度考驗。這場實驗的核心價值在於觀察：在 AI 的強力輔助下，技術人員對於新知識的「吸收轉化率」與真實技能的養成，究竟是加速了進步，還是削弱了深層理解的敏銳度。
實驗結果發現: AI並未真正賦能
實驗後的核心發現如下：
1. 技能測驗成效對比：技能「雪崩式」下滑。圖1呈現了兩組受試者在四個核心技能維度上的平均測驗得分。AI 輔助組在所有維度上均低於手動查閱組，其中除錯能力的差距最為懸殊。
圖1：AI 輔助組 vs 手動查閱組技能測驗分數對比
資料來源:How AI assistance impacts the formation of coding skills
2.效率增加不如預期：AI 組平均耗時 23 分鐘，手動組耗時 24.7 分鐘，差距僅 1.7 分鐘。AI 輔助組大量時間消耗在構思提示詞與反覆溝通上，大幅抵銷 AI 帶來的效率優勢。手動查閱組平均遭遇 3 次Bug，被迫停下查閱資料解決問題，但經由「與 Bug 搏鬥並獨立解決」的認知建構過程，大腦建立結構化心理表徵、形成長期技能記憶的關鍵機制。
行為分類：六種 AI 互動流派
研究團隊將受試者的 AI 互動行為歸納為六大類型，清晰劃分出兩極分化的學習結果。圖2展示了低分組和高分組這兩組與AI互動的行為策略。
圖2：低分組 vs 高分組 的AI 互動策略分布
資料來源:How AI assistance impacts the formation of coding skills
針對過度依賴AI工具的低效能開發群體，其行為模式大致可歸納為三個主要類別：
․「徹底外包型」（AI Delegation）：這批工程師極度渴望速成，極度依賴 AI，將指令與程式碼原封不動複製貼上。雖能在 20 分鐘內快速結案，但對技術框架認知幾近空白，僅充當搬運工，缺乏實質技能成長。
․「遇挫退縮型」（Progressive Reliance）：起初他們試圖靠自身實力撰寫程式，可一旦面臨執行失敗或難解的技術困境，心理防線便瞬間瓦解。他們會立刻放棄自主探索，轉而把剩餘的爛攤子全盤推給AI處理，選擇徹底躺平。
․「瞎子摸象」型（Iterative Debug）：當程式碼出現問題時，忽視錯誤追蹤紀錄，亦不探究故障主因，僅重複將異常訊息丟給 AI 並盲目測試，陷入「報錯、餵 AI、再測試」的無窮迴圈，不僅耗費大量時間，最終成績也最慘烈，毫無技術成長。
另一端則是表現優異、善用AI的菁英族群。這批參與者借助了自動化工具，最終考核表現不亞於純手工撰寫的組別。顯然，他們掌握了人機協同的精髓，成功將AI轉化為賦能跳板。此群體同樣能分為三套具體實踐策略：
․「追根究底型」（Conceptual Inquiry）：這類工程師將 AI 視為「學術良師」，僅針對底層邏輯或認知盲區提問。在釐清深層脈絡後，堅持親手構建系統以內化知識。這不僅考驗專業程度，更需具備精準提問的能力，讓 AI 成為輔助思考而非替代開發。
․「混合型」（Hybrid）：這些工程師允許AI預先生成程式碼，但不會盲目照搬。在正式應用前會拋出核心問題，要求AI闡述程式邏輯與運作理由，一來促使AI檢視自身產出，二來讓使用者得以洞悉AI的演算脈絡，藉此把外部資訊轉化為個人知識。
․「雙管齊下型」（Gen-Then-Comprehend）：工程師下達指令時要求 AI 產出程式碼時，必須同步拆解架構與演算原理。透過追蹤 AI 的推演軌跡，工程師能看透邏輯並吸收構建手法，為除錯奠定穩固基石，避免盲目測試。
結論與建議
此一研究最關鍵的洞見在於：即使是資深工程師，在接觸新技術時過度依賴 AI，技能退化同樣會顯著發生。AI 工具的問題不在於「是否使用」，而在於「如何使用」，以及是否在使用過程中持續維持高度的「認知參與」。
使用AI的建議如下：
1. 多問「為什麼」，少說「幫我寫」。優先追問底層原理與設計邏輯，而非直接索取程式碼。
2. 把 AI 生成的代碼當作「同事的 Pull Request」嚴格審查。每一行代碼都應理解其邏輯，不接受自己看不懂的程式碼進入系統。
3. 遇到Bug先給自己 5 分鐘獨立思考，再向 AI 求救。保留「與 Bug 搏鬥」的機會，這是技術成長最寶貴的燃料。
Vibe Coding 時代，真正的核心競爭力是那些無法被 AI 替代的能力：獨立思考、邏輯推演、以及面對挫折時的除錯韌性。守住這些，才能成為駕馭 AI 的人，而不是被 AI 取代的人。
參考資料來源：
1.Karpathy, A. (2025). Vibe coding and the future of programming. Twitter/X post & commentary.
2.Reddit, I'm a designer who couldn't code. Built a SaaS that's now processing real payments., Feb 2026,
3.https://www.reddit.com/r/nocode/comments/1qx6nei/
im_a_designer_who_couldnt_code_built_a_saas_thats/
4.Research Team, How AI Impacts Skill Formation.
Preprint paper on AI-assisted learning effects on software engineers.,2025
