本文作者李玉涛Leo长春师范大学 数据科学与大数据技术专业 2027 届本科生辅修数学双学位。个人主页一.chat一.chat GitHubLeo-Li638https://github.com/Leo-Li638最近技术社区里有个说法很扎心“我把思考外包给了 AI三个月后成了自己项目的文盲。”我第一反应是共鸣。我用 AI 写后端、写采集脚本、写文章框架效率确实上去了。但我也真的经历过几次尴尬——面试时被追问一个自己项目里的设计选择我张口结舌因为那段代码是 AI 写的我只记得能跑。效率不是问题理解力的流失才是。分享三个我自己在用的反制习惯都是踩过坑之后总结的。一、关键决策自己写第一版AI 只做后半程我现在的分工是架构选型和核心算法自己先写草稿AI 负责补全、重构和查漏。在做 K12 学情推题功能时这个习惯救了我一次。当时我本想让 AI 直接生成推荐逻辑但强迫自己先用纸笔写清楚掌握度怎么估样本少的时候怎么避免做一题对一题就是 100%最后落到拉普拉斯平滑和遗忘曲线上——如果这段是 AI 替我决定的我根本说不出为什么用它而不是用更时髦的方案。判断标准很简单这段代码如果明天出线上事故我能不能不看代码就说清它的边界在哪。不能就说明这块的理解不属于我。二、给黑盒设一道可解释性门槛AI 生成的逻辑很多时候是能跑但说不清的。我给自己定了一条线凡是结果要给人看、要担责任的模块可解释性优先于效果上限。教育场景尤其明显。老师和学生需要知道为什么推这道题一句模型觉得你该做这道是不可接受的。所以我在那个系统里刻意用了规则引擎——输出的每一句推荐理由都能倒推到具体的作答流水和公式。这不是反对用模型而是分层探索型、容错高的场景尽管上模型结论要担责的地方留一条能解释的路径。这条线画清楚之后AI 带来的效率才真正变成我的而不是替我的。三、定期做一次无 AI 复现最容易被忽略的一条偶尔关掉所有辅助凭记忆把核心逻辑重写一遍。我大概每两周做一次挑一个自己负责的核心模块不看原代码、不搜、不问 AI从空白文件开始写。写不出来的部分就是这段时间被外包出去的思考。这个练习的产出往往不是代码而是一张清单——“这里我当时其实没想明白是 AI 兜住的”。把这些洞补上比再多写十个功能都值。写在最后AI 是个好工具我不打算也不用它。但它替代的是打字不该替代判断。写得更快很好前提是快完之后项目还是我的项目。我的项目和学习记录都在个人主页一.chat一.chat 上代码在 GitHubhttps://github.com/Leo-Li638。对 AI 协作下的工程习惯有想法的话欢迎交流。李玉涛Leo· 长春师范大学 · 数据科学与大数据技术 数学双学位 · 2027 届官方主页一.chat