上一次古法编程是什么时候
古法编程，现在多少是个带点嘲讽的词。不用 agent、一行行自己敲，听上去像是没跟上趟。而在 coding agent 的帮助下，我们这些人也逐渐活成了过去自己看不起的样子——一种什么都不太懂的技术管理。
但真正让我有点毛骨悚然的，不是这个。
经验、直觉、对一个方案好不好的判断，都来自过去亲手做过的事。有 Fable 5 在手，常常会生出一种"我能打败 99% 同行"的错觉。可是这一年半，我究竟成长了多少？我成长了吗？还是只是模型变强了？
微软 2026 年的 Work Trend Index 调查了十个国家的两万名员工，发现只有 16% 的人能在"指挥 AI"和"自己动手"之间自如切换。这批人被归为 Frontier Professionals。他们有一个共同习惯：刻意留一些工作不用 AI 做，以保持技能。
这不能证明古法编程能防止能力退化。但它提醒我，自己动手可能有一种不体现在当次交付里的价值。
至于比我更惨的，是刚毕业、还没有多少存量的人，要从哪里开始积累。
任务完成了，学习却可能没有发生
过去带一个新人，路径大致是清楚的。从一个边界明确的小任务开始：修一个 bug，补一个接口。慢慢熟悉代码，理解业务，再接触系统和架构。
这些任务的价值有两部分。一部分是把事情做完，另一部分是让新人经历一次完整的反馈：理解问题、提出方案、动手实现、发现遗漏，再修正自己的理解。
现在的情况更像是：前辈递给你一架没有动力的滑翔机，说你飞吧。
这不完全是责任心的问题。很多时候，即便是非常愿意带人的人，也面临一个很尴尬的选择——我到底是用几句话让 agent 把这个模块写了，还是花大半天时间给新人讲背景、解释要求、等他做完、检查、再指出问题？
更麻烦的是。任务交给新人，新人又把它整个交给 AI。你问他这里为什么这么实现，他大概率答不上来。
任务完成了，学习却可能没有发生。
这也是上个月那场 coffee chat 的起点：AI 正在接管一部分入门任务，而这些任务过去还兼任新人的练级区。
产出与培养，过去共享同一段工作
事先声明，不是所有琐碎工作都值得留恋。有些重复劳动，做第一遍能学到东西，做第五十遍只是在消耗时间。AI 接管这些，本来就该欢迎。
真正需要辨认的，是那些看上去简单、却包含有效反馈的任务。它们通常不大，新人可以独立负责；又足够真实，做错了会暴露问题；同时还有人检查、追问、兜底。
mentor 的作用也在这里：挑一个合适的问题，在新人卡住时提供帮助，在他以为自己做对的时候指出遗漏，然后决定什么时候可以把更大的事情交给他。
这些训练一直有成本。mentor 的时间、新人的试错、团队对低效率的容忍，都需要有人承担。
只是过去，这笔成本被包含在生产过程里了。
新人写的 CRUD 是交付的一部分，修掉的 bug 是真实的问题。项目往前走，人也在成长。企业同时得到了当下的产出和未来更熟练的员工，不需要把每一次指导都单独列成一笔培训支出。日常工作确实承担了大量未被单独计价的训练。
AI 改变的是这笔账：同样的交付，可以用更少的初级劳动完成。于是组织有了一个选择——保留产出，跳过原本伴随它发生的培养过程。
产出和培养被解耦了。
培养那一半没有消失。它只是失去了宿主，变成一件必须单独出资、单独安排、且不产生任何直接收益的事。
这就是我理解的解耦。它没有发生在所有任务上，也未必会彻底发生，但已经足以改变组织分配工作的方式。
我们以为存在的"培养体系"，很大程度上是一个副产品。
人才债：谁愿意为未来的判断力付钱
Jeff Raikes 在 Fortune 的文章里，把这种长期隐患称为“人才债”。
就业数据也提供了一些值得警惕的信号。斯坦福数字经济实验室在 2026 年 8 月的更新中指出，AI 高暴露职业里，22—25 岁劳动者的就业水平，相比按低暴露同龄群体趋势推算的水平低约 19%，资深群体没有同样的缺口。研究者同时强调：这是描述性差异，不能直接当作 AI 导致就业下降的因果估计，也没有显示全经济范围的普遍岗位替代。
如果进入行业的机会先减少了，之后需要的资深人才从哪里来？
把答案写成“企业应该重视培养”还不够。更难的问题是：在什么条件下，企业愿意持续为培养付费？
过去，新人在学习期间贡献的产出，可以覆盖一部分成本；成长之后，企业又能从更高的能力里获益。现在，如果眼前的任务可以更便宜地交给 AI，培养这件事就更依赖未来收益来证明自己。
而未来收益并不确定。他会成长到什么程度？需要多久？成长之后会不会去别家？
培养的好处由个人、当前雇主、未来雇主共同获得，承担指导成本的公司只能留下一部分。这种错位过去就有，AI 让它更难被当期产出掩盖。
所以我不太愿意只把这件事归结为“企业越来越没有耐心”。对于某些公司，少招新人、多用 AI，可能确实是当前约束下更划算的选择。
但如果大量公司同时这样选择，行业里的学习机会就可能持续收缩。
短期看，每家公司都提高了人效。长期看，大家都希望从外面招到已经具备判断力的人。至于这些人在哪里完成了从新人到资深的转变，招聘需求里不会写。
培养究竟能改变什么
讨论怎么补这条路径之前，还有一个前提：我们究竟能培养一个人多少？
技艺、领域知识、分析方法，相对容易拆成具体的训练任务。好奇心、主动性、责任感，以及在不确定中继续探索的意愿，就没有那么容易。
我确实见过少数 high agency 的年轻人，在 AI 的放大下做到同龄人很难做到的事。但更多时候，看到的是挣扎和迷茫。
我们是在培养这些倾向，还是在发现已经具备它们的人，再给他们合适的环境？我没有答案。也不愿意因此把人分成“有 agency”和“没 agency”两类。一个人在没有背景、没有支持、没有反馈的环境里表现被动，说明不了多少。
或许现实依旧是残忍的。
至少可以先把问题收窄：我们能否设计一段经历，让一个人有机会做判断、看到结果，再修正判断？
下面四个方向，都是从这里出发。它们需要的条件不同，也都谈不上完整答案。
1. 找到产出与训练仍然结合的任务
“为了锻炼新人，刻意保留一些低效”，很难成为长期可持续的安排。更值得找的，是那些完成工作本身就需要理解情境、做取舍、接触结果的任务。
比如我观察到，一些写代码的人开始被放到用户现场，去做 FDE（Forward Deployed Engineer）一类工作。
表面上看，是技术、产品、交付的边界混在了一起。但换个角度，真实客户的需求通常不会以完整 spec 的形式出现。面对真实客户、要为结果负责、做错了当场有人骂你，这恰恰是捆绑还成立的少数岗位。它可能不是混乱，是这类岗位正在被重新发现。
不过，“去现场”本身不等于培养。没人帮忙解释背景、没有权限调整方案、出了问题只剩挨骂，那只是把新人更早暴露在压力里。
2. 从“做”转向“判”，需要补上反馈
一种很自然的答案是：新人不用再写那么多 leaf task，直接学 review AI 的产出，学做判断。
但一个从没自己踩过坑的人，review 的时候到底在看什么？
不能简单说“必须亲手犯过错才有判断力”。人的经验也来自观察、案例和别人的反馈。更关键的是，判断之后有没有机会知道自己为什么对、为什么错。
判断 → 预测后果 → 验证 → 解释偏差。
航空业的飞行模拟训练提供了一个参照：人不必承担真实飞行的全部风险，也可以练习操作和决策。软件里，一些局部问题同样适合做成训练环境，比如故障定位、数据一致性、权限遗漏。
但“这个架构五年后会不会变成技术债”，很难靠一次模拟给出可靠答案。
3. 让出资者能够获得培养的收益
如果要企业单独为培养付费，历史上基本只在三种情况下发生：
-
人员流动成本极高——挖不走，或者挖走代价太大；
-
周期极长——比如半导体，等不起就没有下一代；
-
安全攸关，外部强制——飞行、医疗，不训练就拿不到牌照。
软件行业三条都不占。人员流动性高，产品周期以周计，出了 bug 回滚就好。指望软件公司自发出这笔钱，不现实。
于是只剩两条路。要么等某种"坠机"把成本强制内部化，要么这笔钱由企业以外的人出。
4. 单家公司承担不了的部分，如何共同承担
剩下的可能就是集体出资了。
这个位置历史上一直存在——行会、师徒制、职业协会。它们存在的理由恰恰就是：单个雇主没有激励培养通用人才，但整个行业需要。
开源社区其实一直在悄悄扮演这个角色，同时提供了产出和反馈，成本由所有参与者分摊。
成长不再只是顺便发生
回到解耦本身。
我们过去所有关于成长的默认设定——学校教基础、企业给练级区、时间自然产出资深——都建立在一个假设上：培养会顺便发生。
AI 让这个关系变得不再那么可靠：交付可以继续增长，人却可能越来越少经历独立判断和修正判断的过程。
AI 正在拆掉的，是培养会顺便发生的那个默认。
往后的成长，可能更需要单独设计任务、留出时间，也明确由谁承担成本。
一句我很喜欢的话：
每种花开花的时间都不尽相同，你是什么样的花，只有自己知道。
在“顺便”还在的年代，这句话是一句安慰。现在它也像一句提醒：当现成的成长路径变少了，你需要更主动地知道自己想长成什么样。
但只有这半句还不够。知道自己想长成什么样，还得有地方让你长。
愿意给还没开花的人一点时间的地方，不会再顺便出现了。
推荐阅读
How AI assistance impacts the formation of coding skills
The Impact of Generative AI on Critical Thinking
Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
Jeff Raikes: The talent debt I warned about is now showing up in the data