別被騙了，AI Coding可沒那么神！22名軟件開發者道出了這些弊端

唯有變化才是永恒。——赫拉克利特

軟件的產出速度，從未像今天這么快。以 ChatGPT、GitHub Copilot 為代表的大語言模型（LLM）驅動代碼生成器和編程助手，正在重塑軟件開發者的工作方式。LLM 不再只是工具，而是一個隨時待命的虛擬搭檔。AI Coding 正在成為全球科技巨頭和初創企業的戰略焦點。

然而，盡管沉浸在 AI Coding 中的軟件開發者們將工作效率提高了 26 %，但也不得不思考一個新的問題：當 AI 可以生成實用代碼，我們還在“開發”什么？當效率被 AI 極致放大，創造力與思考是否正在被稀釋？

日前，莫納什大學、新加坡管理大學團隊通過實際訪談 22 名軟件開發者，探討了 LLM 對軟件開發的影響，以及如何管理這種影響。

論文鏈接：https://arxiv.org/pdf/2511.06428

結果顯示，LLM 有助于提高開發速度、維持開發流程、促進創業等，但也存在導致損害開發者聲譽、影響個性（如懶惰）、阻礙開發者提升技能等風險。

此外，研究團隊還提出了一套關于如何最佳使用 LLM 進行軟件開發任務的建議。

研究方法

為了理解軟件從業者在采用 LLM 進行軟件工程活動時的真實感受，研究團隊采用了社會技術扎根理論（STGT）方法。

該研究共分三輪，基于 22 位軟件從業者的訪談數據進行收集與分析。在第一輪中，研究團隊采訪了 6 位初級開發者；在第二輪中，他們采訪了 13 位初級與有經驗的開發者，以提煉核心概念與類別；在第三輪中，他們又進行了 3 場訪談，以驗證和完善理論。

圖｜研究方法的全流程概述

就 LLM 使用情況而言，多數參與者使用過多種 LLM 工具， 其中 ChatGPT 最常被使用。大多數參與者使用 LLM 的時間超過一年，約 59% 的參與者每天與 LLM 至少交互 6 次。

圖｜受訪者使用 LLM 的情況

研究結果

基于上述方法，研究團隊根據個人、團隊、組織和社會層面，識別和分類了采納 LLM 進行軟件開發任務的益處和弊端。分別如下：

LLM 如何幫助軟件開發者進步？

個人層面，LLM 有效提升了軟件開發者的開發效率和學習能力。。LLM 能自動生成樣板代碼、修復語法、提供即時反饋，幫助開發者節省時間、減少中斷并保持“心流”狀態。

同時，LLM 也是學習與反思的工具——開發者能借助它理解陌生代碼、掌握新語言、比較不同解法。LLM 還能夠為開發者提供心理支持，讓他們敢于提問，不怕暴露自己的無知，從而增強信心與主動性。

圖｜LLM 對個人開發者的積極影響

團隊層面，LLM 減少了開發者之間的協作干擾與溝通成本。新手小白能夠先借助 LLM 解決問題，再向同事求助，團隊的運轉更高效。LLM 還能提供“第二意見”，幫助團隊跳出慣性思維，提升整體創造力。

組織層面，LLM 節約了軟件開發公司的時間和成本。LLM 能夠加快整體調試、排錯與代碼審查等流程，特別是對中小型企業而言，能以更少的人力完成更多的任務。

社會層面，LLM 促進了創新創業。許多開發者用 LLM 快速完成原型設計、學習商業與技術知識，降低了創業門檻。LLM 甚至可以作為日常生活中的智能顧問，幫助解決時間規劃和信息檢索等問題。

LLM 如何阻礙軟件開發者發展？

當然，基于 LLM 的 AI Coding 也并非沒有弊端。

例如，許多軟件開發者發現，LLM 在生成代碼或提供建議時容易出現錯誤或“幻覺”，反而拖慢了進度，還需要花額外時間驗證結果。而且，頻繁的上下文切換、提示分解和反復修正也讓工作量不減反增，

過度依賴 LLM 也可能削弱開發者的代碼理解力與學習動力。一些開發者提到，長期使用 LLM 會導致自己變得懶惰、冷漠，甚至對自身能力失去信心；新手則更容易陷入“讓 AI 替我思考”的陷阱，導致技能停滯。更嚴重的是，當 LLM 生成錯誤代碼時，責任仍由開發者承擔，影響個人聲譽。

圖｜LLM 對個人開發者的負面影響

此外，由于擔心 LLM 輸出的代碼涉及版權或許可問題，部分軟件開發公司會明令禁止員工使用 LLM。而且，LLM 生成代碼中可能隱藏漏洞，引發安全隱患。

值得一提的是，成本問題也是一大阻力——頻繁調用 LLM 需要付費，增加了企業的運行負擔。

最后，LLM 的普及也讓一些人面臨失業的風險。雖然高精尖開發者依舊重要，但依賴經驗和重復性工作的技術崗位正變得岌岌可危。

軟件開發者如何正確使用 LLM？

那么，既然 AI Coding 是未來的一大趨勢，開發者如何“既要又要”呢？

根據訪談結果，研究團隊發現，許多開發者會在不同 LLM 之間反復試用，直到找到最契合自己工作需求的 LLM。

通過這種比較，他們逐漸認識到 LLM 并非“智能體”，而只是基于統計的工具，于是選擇使用不同 LLM 解決不同問題，例如，用 ChatGPT 處理需求溝通，用 Copilot 輔助編碼，這反映了軟件工程向“代理式”系統演進的趨勢。

此外，不少開發者更傾向讓 LLM 參與代碼優化而非直接生成，從而保持對邏輯與結構的控制。他們甚至出于隱私考慮，選擇在本地運行模型，哪怕犧牲部分便捷。

當前，軟件開發者需要與 LLM 維持一種成熟的關系：既信任其能力，又保持理性距離，用人機協作的方式擴展自己的邊界，而不是被取代。

總之，無論使用什么工具，在軟件開發工作中都離不開“直覺”。這里的“直覺”不是模糊的感覺，而是開發者在長期經驗積累中形成的快速判斷能力。它是一種經驗性思維，幫助開發者在復雜和不確定的情境下做出決策。

這種基于經驗的直覺在開發者與 LLM 協作時，起到了“安全閥”的作用：當 LLM 提供錯誤或誤導性的建議時，幫助開發者識別出問題、避免盲從模型的輸出。

那么，另一個問題來了，當開發者越來越依賴 LLM 生成的代碼或建議，他們的直覺是否會被侵蝕呢？

整理：瀟瀟

如需轉載或投稿，請直接在本文章評論區內留言