一个微软Azure资深工程师的博客，在Hacker News引发49条讨论——他说他面试过100+工程师，发现AI正在把程序员分成两类：一类用AI提升自己，另一类用AI代替思考。后者正在自我毁灭。
事件回顾
4月26日，Hacker News热榜上出现了一条标题平平无奇但内容炸裂的帖子：
"A.I. is creating engineers who can't think without it"
帖子链接指向 koshyjohn.com 的博客文章，作者Koshy John是微软Azure的资深工程师，拥有10+年经验，在Azure Core领导工程团队，曾面试和指导过100+工程师。
文章的核心观点只有一句话："AI正在把程序员分成两类——一类用AI提升思维，另一类用AI代替思考。后者正在走向自我毁灭。"
这个观点在HN上获得了65个用户投票、49条评论，至今仍在发酵。
为什么重要
这篇文章之所以重要，不是因为它说了什么新道理，而是因为说这话的人有足够的分量。
Koshy John不是理论派。他主导过Azure的大规模分布式系统交付，在微软内部被评为Azure Core Top 5 Mentor之一。这样的背景意味着：他不是空谈AI危险，他是在面试和指导真实工程师的过程中，亲眼看到了这个分裂。
他在文章中描述了他观察到的一个现象：
面试时问候选人一个需要深度思考的系统设计问题，第一类工程师会说："让我用AI搜索一下相关信息，然后基于我的判断来回答"；第二类工程师会说："让我用AI生成一个答案"——然后他们复述AI的输出，却无法解释为什么这个答案合理。
这意味着，AI编程工具越普及，真正有判断力的工程师就越稀缺。
对于AI创业者来说，这背后藏着三个巨大的机会。
隐藏机会一：AI编程能力的"人品证书"
当所有程序员都在用AI写代码时，如何证明你真正理解自己写的代码？
这和20年前的外包危机类似：当时很多程序员靠"培训班+背题"进入大厂，但真正有能力的人通过设计模式、算法面试、系统设计筛选出来。
现在AI让代码生成变得容易，但判断代码是否正确、是否安全、是否合适的能力并没有变简单。
这催生了一个新需求：AI辅助编程能力的认证体系。
已有苗头：
- 部分猎头开始要求候选人"现场手写代码"而非"AI生成代码"
- 部分公司在面试中加入"AI Pair Programming"环节，评估候选人如何与AI协作而非依赖AI
- GitHub等平台在考虑推出"AI usage transparency"功能，让雇主看到候选人的AI依赖程度
创业机会：开发针对"AI时代工程师能力"的认证体系，测试候选人的判断力、系统思维、错误排查能力，而非单纯的代码产出能力。这个市场目前几乎是空白。
隐藏机会二：Junior Engineer培养模式的颠覆
Koshy John在文章中提到了一个让他担忧的现象：
刚入行的工程师最容易陷入"AI依赖"陷阱。
原因很直接：初级工程师还没有建立"什么是好的代码"的直觉，他们无法判断AI生成的代码是否合适，所以倾向于全盘接受。
这导致一个恶性循环：
- 初级工程师用AI完成任务 → 没有经历"自己犯错、自己排查、自己修复"的过程 → 能力没有成长 → 继续依赖AI → 能力继续停滞
这和健身很像：你让教练帮你做完所有动作，你的肌肉不会增长。
对创业者的启示是：AI编程工具越强，对"刻意练习"的需求反而越大。
已有初创公司在做"AI时代的编程训练营"——不是教学生如何使用AI工具，而是用AI辅助但强制工程师自己理解每一步逻辑。比如：
- 在关键决策点强制工程师写出判断依据，再对比AI的判断
- 要求工程师解释AI生成的代码，逐行标注每个决定的理由
- 故意引入bug，训练工程师的debug能力
这类"反AI依赖"的训练方法，正在成为一个新赛道。
隐藏机会三：Management层面的AI风险
Koshy John的文章里有一个被很多人忽略的观点：
企业管理层也在被AI欺骗——只不过他们自己不知道。
他的原话是：
有时候，一个初级工程师给你呈现一份"看起来很专业"的代码分析、架构文档或技术方案，但实际上他只是把AI的输出复制粘贴过来。他自己并不理解其中的逻辑。
这对管理者来说是一个巨大的盲区。
当团队成员普遍使用AI工具时，如何评估他们的真实能力？Koshy John的建议是：问"深层问题"——不是问"这段代码是做什么的"，而是问"如果你要改一个边缘case，这段代码哪个地方最脆弱"。
但问题是：大多数管理者自己也不知道答案。
这催生了新的管理工具需求：
- AI辅助代码审查工具：不仅检查代码质量，还检查"提交者是否理解这段代码"
- 团队AI使用透明度报告：展示每个工程师的AI依赖程度
- 基于"判断力"的绩效评估框架
我们能学到什么
1. 工具越强，基本功越重要
AI编程工具让写代码变快了，但不会让思考变快。当所有人都能用AI快速产出代码时，理解代码、判断代码、设计系统的能力变成了核心竞争力。
对于个人：不要停止学习底层原理，不要把"会用AI"当作护城河。
对于企业：招聘时可以测试候选人的"无AI思考能力"，而不是"有AI的产出质量"。
2. AI时代的稀缺技能是"提问力"
Koshy John在文章中提到，第一类工程师的特点是"问更尖锐的问题"。
当AI可以回答任何问题时，提出正确问题的能力变得越来越稀缺。
具体到行动层面：
- 每用AI生成一段代码，先问自己：我要解决的核心问题是什么？
- AI给出的方案，一定有hidden assumption，识别这些assumption的能力才是你的价值
- 学会用"如果...会怎样"的问题框架来挑战AI的输出
3. 内容创业者的新选题方向
"AI时代的工程师能力建设"这个话题，目前在中文互联网上几乎是空白。Koshy John的这篇文章已经在HN上发酵，但在中文技术社区还没有人深度报道。
这个领域的读者画像非常精准：
- 创业公司的CTO和技术负责人
- 正在带团队的工程师经理
- 想在AI时代保持竞争力的中级工程师
变现路径也很清晰：训练营、付费专栏、认证培训。
行动建议
如果你正在招聘工程师：
- 在面试中加入"无AI思考"环节，测试候选人面对未知问题时的分析路径
- 关注候选人的"提问质量"，而非"答案质量"
- 建立AI使用规范：哪些场景可以用AI，哪些场景必须独立完成
如果你正在带团队：
- 定期进行"AI脱敏练习"，让工程师在没有AI辅助的情况下解决问题
- 建立代码审查中的"理解力检验"机制，不是审查代码对不对，而是审查工程师是否理解自己交的代码
- 鼓励工程师记录自己的判断过程，而不只是记录代码产出
如果你正在学习编程/AI：
- 警惕"用AI完成任务"的满足感，那是成长的幻觉
- 每完成一个任务，问自己：AI做了什么？我理解了吗？如果AI错了，我能发现吗？
- 建立"刻意练习"机制：定期在没有AI的情况下做代码复盘和系统设计