# 用AI写代码的人越来越多，但能判断AI对不对的人没多几个

用AI写代码的人越来越多，但能判断AI对不对的人没多几个

我是个20年的老程序员，用AI写代码几个月了。

说个真事。有天我用AI查一个Java并发问题，第一次问，它给了个答案，看着挺像回事。我不太放心，换个说法又问了一遍，答案不一样了。第三遍，又不一样。三个答案里只有一个是基本正确的，另外两个看似合理，实际上有坑。

我为什么能发现？因为我有多年的锤炼，AI给我的答案，我能看出问题在哪。

但大多数人没有这个能力。

大多数人眼中的AI

我观察了一下身边的人——不只是非技术人员，包括很多刚入行的程序员——他们对AI的认知基本是这样的：

• AI = 高科技，肯定比我强
• AI说的 = 权威答案
• 同样的问题问出不同答案 = 是我没问清楚
• AI给出的代码跑不通 = 是我的环境有问题

他们完全没有"AI会编"“AI会幻觉”"AI不稳定"这个概念。

这很危险。

AI的本质：相关性，不是因果性

大语言模型的工作原理，说白了就是"根据上文，猜下一个最可能出现的词"。它不是在"思考"，它是在"匹配模式"。

这意味着什么？

意味着它给出的答案是基于训练数据中词语的统计相关性，不是基于逻辑推理。

你问它"Java的HashMap是不是线程安全的"，它在训练数据里见过无数次"HashMap不是线程安全的"这句话，所以它能答对。

但你问它一个稍微冷门的问题，比如"ConcurrentHashMap在Java 8中size()方法的实现原理"，它就开始拼凑了——把@atomic、CAS、baseCount、CounterCell这些相关的词组装在一起，看起来很专业，但细节可能对可能不对。

它不是在回答你的问题，它是在生成一段看起来最像正确答案的文字。

最危险的情况：你不知道你不知道

AI犯错不可怕。可怕的是：

AI犯的错，你判断不出来。

我见过有人让AI写SQL，AI给出一个LEFT JOIN的查询，看着语法完全正确，跑出来也有结果，但结果是错的——因为业务逻辑不对，该过滤的条件没过滤，不该关联的表关联了。

写这段SQL的人看不出来，因为他对业务不熟。AI也不知道，因为AI不懂你的业务。

还见过有人让AI解释一段代码，AI信誓旦旦地说"这段代码实现了XX功能"，实际上是错的。但提问的人看了AI的解释觉得"哦原来是这样"，然后带着这个错误的理解继续干活。

一个没有判断力的人用AI，就像一个不会游泳的人穿救生衣——救生衣有时候确实管用，但如果他不知道什么时候救生衣漏气了，他比不穿救生衣的人死得更快，因为他会因此敢往深水区走。

还有比犯错更危险的——AI没说的东西。

我让AI写了一篇数据库分区表的技术文章，技术上完全正确，结构清晰。但我发现它漏了一个致命前提：30亿数据的分区表，大范围时间查询会死。AI知道分区表有局限吗？当然知道。你问它"分区表有什么缺点"，它能列十条。但在写文章的时候，它不会主动提醒你——因为你的上下文里没提这个局限，它就"想不到"。

AI犯错你能发现，因为答案和你的预期不符。AI不说，你发现不了——因为答案看起来是完整的，你根本不知道该去查什么。

我怎么用AI

我自己的做法：

你喂信息，我做推理，你做判断。

AI是我的助手，不是我的老师。我让它帮我生成代码框架、帮我查API用法、帮我写正则表达式，但最终每一段代码我都会过一遍，确认它符合我的业务逻辑和技术判断。

如果AI给的答案和我已有的知识冲突，我不急着采信，也不急着否定，我会去查文档验证。

如果AI给的答案我完全看不懂——那说明这个领域我还没到能安全使用AI的程度，我得先补课。

怎么问AI更靠谱。别问"请客观评价"，问"先说三个缺点再说优点"。别问"请评分"，问"从逻辑、论据、与实际的偏差三个维度分析，指出最关键的问题，然后评分"。"请客观"是意图指令——你在告诉AI该怎么做，但它该讨好还是讨好。"先说缺点"是结构指令——你改变了它做事的流程，它不得不先找问题再下结论。意图指令靠AI自觉，结构指令靠流程强制。AI没有自觉，但流程它必须遵守。

判断力才是核心竞争力

AI会越来越强，这一点没有疑问。

但AI越强，越需要一个有判断力的人站在它后面做最后一道关。

AI时代，最值钱的不是会用AI的人，是能判断AI对不对的人。

怎么培养判断力？没有捷径：写足够的代码，踩足够的坑，犯足够的错，积累足够的经验。这些东西，AI替代不了你。

反过来，如果你的经验足够丰富，AI就是你的倍增器——你一个人能干五个人的活，而且干得比那五个人都靠谱。

但如果你没有判断力，AI就是你的倍增器——放大你的错误，加速你的翻车。

别迷信AI。提高自己的判断力。