如果一项练习了十年的技能，AI几分钟就能完成，我们该怎样看待自己的价值？这份焦虑并不矫情：它关系到收入、职业，也关系到一个人对自身能力的信心。但机器接手某些任务，并不意味着它能承担整个工作的判断与责任。现有研究呈现出更复杂的图景：AI能帮助一些人提高效率，也可能让人做得更慢，甚至把“拿到答案”误当成“掌握知识”。理解这场变化，需要走进具体的工作和学习过程，看清哪些能力可以借助工具放大，哪些仍要亲自练习。同时，培训、转岗和技术收益的分配，也不能被一句“适应时代”轻轻带过。本文从这些现实问题出发，探讨我们如何在使用AI的同时，保有判断、积累经验，并为自己的选择负责。
深入解析 Claude Code 和 OpenAI Codex 等 AI 编程智能体的底层工作机制，涵盖智能体循环架构、上下文窗口管理、子智能体编排、CI/CD 集成，以及 Uber 有 25% 的代码提交由智能体完成这一里程碑对 2026 年软件工程走向的启示。
做个思想实验。假设现在是 2030 年 1 月：美国经济比"假如没有 AI"的参照路径大了将近三分之一，年增长率冲到 15.4%，人均收入每五年翻一番——过去一个世纪，美国的经验是每 35 年才翻一番。听起来是个皆大欢喜的世界。 Anthropic 的模型还给出另一组数字：这一年，全美国劳动者拿到的工资总额，几乎和没有 AI 时一模一样。
从角色资产、场景与道具设计，到 Blender 预演、视频提示词与生成复核，结合 16 张实录截图，拆解 Higgsfield《Passport Rush》的 AI 动画制作流程。
AI 进入课堂，究竟是在帮助学生学习，还是只让他们更快完成作业？文章从这个问题出发，讨论“练习时表现更好、离开 AI 后反而退步”的落差，并提出一个以持久理解为目标的学习闭环：接触概念、尝试应用、向 AI 解释并接受追问，再隔一段时间重新回忆。作者认为，AI 可以提供个别化练习、提示和反馈，但教学目标、课堂关系与关键判断仍应由教师把握，学生也必须亲自思考。文章还探讨如何通过延迟回忆、知识迁移、教师工作量和师生关系来检验成效，并主张从教师参与的小范围课堂试点开始。
当一篇论文可以在几秒钟内生成，人们关注的不再只是“这是谁写的”，而是“完成它的人，究竟学到了什么”。AI 让解释、反馈与答案触手可及，也可能悄悄省略那些塑造理解力的迟疑、比较与反复求证。我们节省的是无谓的消耗，还是思考不可缺少的练习？同样的工具，为何帮助一些人学得更深，却让另一些人越来越依赖现成结论？这篇文章从学生与教师的经历出发，重新审视媒介与心智的关系：当答案越来越容易获得，我们该如何确保，理解仍然在自己身上发生？
当 AI 几分钟就能生成数千行代码，人是否还来得及理解自己正在构建什么？带着这个问题，作者开发了 Nuanced，试图用一份可持续更新的计划文档，贯穿需求讨论、实现与验证。然而，产品实践让她重新审视了“规划模式”的价值。 随着模型能力提升，许多决策不再需要人逐项交代；冗长的 AI 文档增加了阅读负担；严格分离规划与执行，也打断了边做边想、不断修正的自然过程。作者由此意识到：规划过程与计划文档并不是一回事。 这篇文章以一次产品探索的失败为线索，追问 AI 编程工具应该如何支持人的思考。当越来越多智能体同时修改系统，真正值得关注的是：人能否持续理解变化、判断关键决策，并在最需要介入的地方发挥作用。“规划模式已死”这一标题背后，是一个仍待解决的人机协作问题。