起因AI 编程已经成为主流。Claude Code、Codex、Cursor——这些工具让写代码这件事变得越来越不需要人类亲自动手。一个自然的问题浮出水面如果 AI 都能写了我们还要学什么怎么学我把这个问题抛给了 Claude Fable 5得到了一个让我很有共鸣的回答。记录在这里推荐给所有正在思考这个问题的人。变化的核心从记忆到理解AI 能写代码但它写的是你已经想清楚的东西。你没想清楚AI 给你的就是看起来能跑但解决错问题的代码。所以学习的核心转变了从记忆语法和 API → 转向建立心智模型不是说语法不重要了而是它不再是瓶颈。瓶颈变成了你能不能准确描述你要什么以及你能不能判断 AI 给的东西对不对。以 LangChain 为例不再需要的背LLMChain怎么初始化、PromptTemplate的参数是什么记住每个类的方法签名手写样板代码这些交给 AI 就行。还是需要的甚至更重要1. 搞清楚它解决什么问题LangChain 存在的意义是什么它在抽象什么它的核心组件Chain、Agent、Memory、Retrieval、Tool各自的职责边界在哪里这些概念为什么这样划分而不是另一种划分法理解这层你才能判断这个任务该用 LangChain 还是直接调 API以及AI 给我生成的这段代码架构上合不合理。2. 能读懂并批判 AI 生成的代码AI 写的代码不能照单全收。它可能用了过时的 API、选了错误的组件、忽略了生产环境的边界情况。学习目标从能写变成能审——你是代码的评审者AI 是初级程序员。3. 深入调试一次找一个真实的出错案例别让 AI 直接帮你改。自己打断点、读报错栈、翻源码。这一次手动调试带来的理解比读十篇教程都扎实。框架在出错的时候才会让你真正理解它的内部逻辑。4. 理解权衡为什么 LangGraph 出来了LangChain 解决了什么、又引入了什么新问题这些取舍的背后是什么工程判断这是 AI 答不好的问题需要你主动去对比、思考。新的学习流程概念优先 → 用 AI 生成 → 亲手拆解 → 主动打破 → 复盘判断第一步看官方文档的概念部分不是 Quick Start先理解框架的设计哲学和核心抽象再去看用法。很多人跳过这步导致用了很久却不知道自己在用哪一层。第二步让 AI 帮你写一个你已经理解的东西不是帮我写一个 RAG 应用而是我已经知道 RAG 的流程是文档切片→embedding→向量存储→检索→组装 prompt帮我用 LangChain 实现这个流程。你对问题的理解越清晰AI 输出的质量越高你也更容易发现它的错误。第三步读生成的代码提问逐行问自己这行在做什么为什么这样而不是那样如果改成另一种写法会怎样不懂的地方继续问 AI但要追问为什么不只是是什么。第四步故意破坏改一个关键参数删一个组件换一种数据格式看它怎么出错。出错的时候系统暴露自己的内部结构这比一切正常时学得快得多。第五步问自己这个框架值得用吗这是最高阶的判断。LangChain 在某些场景下确实被很多人认为过度封装。你能做出这个判断说明你真正掌握了它而不是只会调用它。新的衡量标准以后衡量一个人技术水平的不再是会不会写代码而是能不能提出正确的问题能不能判断 AI 给的答案对不对这本质上要求更深的理解不是更浅的理解。学得浅AI 给什么你用什么出了问题完全不知道从哪下手。学得深你把 AI 当工具而不是依赖它。我的感悟这场对话让我重新审视了自己的学习方式。过去追求会用现在应该追求理解为什么这样用。AI 降低了编码的门槛但同时抬高了真正有价值的能力的标准——系统思维、架构判断、问题定义。工具在变强人需要站得更高。不是站在代码层面而是站在决策层面。与其焦虑 AI 会不会取代你不如想想你能不能成为那个告诉 AI 该做什么的人