用 AI 學寫 code 最怕識交功課唔識 debug：初學者可以點做
直接叫 AI 交答案最快，但學到幾多要睇你點問、點驗證
AI 幫你寫 code 已經快到有啲尷尬：一份 bootcamp 練習、學校功課，甚至初級 developer 手上嘅小功能，幾句 prompt 就可能跑得郁。XDA 作者 Ian Buckley 提出嘅方向幾實際，叫 AI 做導師、整理筆記同帶你行 codebase，都可以慳走好多摸索時間。不過一見到完整答案就貼落去，個 app 跑得郁，腦入面仍然可能一片空白；到測試爆紅、需求改少少，就唔知由邊度查起。
快咗兩分鐘，理解分數反而低咗
Anthropic 今年搵咗 52 名大部分屬初級嘅軟件工程師做隨機對照研究，參加者本身每星期都有用 Python，至少用咗一年，只係未接觸過研究指定嘅 Trio library。用 AI 嗰組完成任務平均快約兩分鐘，不過差距未達統計顯著；緊接住嘅測驗就有明顯分野，AI 組平均攞 50%，人手寫 code 組有 67%，最大落差出現喺 debug 題。
呢個結果值得睇，但唔可以放大成「AI 一定令人學得差」。樣本細、參加者又唔算完全初學，測驗亦只量度做完任務後嘅短期理解。研究入面，叫 AI 解釋概念、追問每段 code 點運作，再自行完成實作嗰批人，成績相對好；全盤交畀 AI、遇錯就叫佢直接修正嗰批就較差。研究團隊亦講明，呢啲互動模式只係同成績有關聯，未證明邊種問法直接造成結果。
圖片：Anthropic
第一輪先自己拆題，暫時唔攞答案
開 AI 前，用幾分鐘寫低輸入、輸出、限制、邊界情況，同埋你估計要分成邊幾個函式。之後先叫 AI 檢查拆法，例如：「先指出我漏咗咩情況，逐項畀提示，暫時唔好寫完整 code。」 如果連問題都未整理好就叫佢開工，你多數只係學識點形容個成品；到真係撞到 error，自己又冇拆過個問題，好難逐段查落去。
跟住要自己寫第一版，卡住先由最少嘅提示問起：先問概念，再問 pseudocode，最後先睇局部範例。2025 年一項涉及 82 人、之後再以 42 人驗證嘅研究，比較多種 AI 輔助方式，效果較平衡嘅做法係由 AI 逐步帶題；學習者每一步都要先講出下一個行動，AI 先揭示相應 code。研究亦發現，叫學習者逐行追蹤變數同預測輸出，有助維持認知投入。
AI 寫咗答案，都要逼自己讀得明
趕時間或者真係完全卡死，要睇完整答案都唔使有罪惡感，不過睇完要做三件事。先逐段用自己說話解釋資料點流動；再為每個分支補測試，未執行前寫低預期結果；最後關掉對話，由空白檔案重寫最細可行版本。重寫時一旦發現自己只記得句法，講唔出點解要咁分層，嗰個位就係下一輪要追問嘅概念。
ChatGPT 嘅 Study Mode 會用引導問題、提示同小測驗推進；Claude Code 嘅 Learning output style 就會留低 TODO(human)，叫用家親手補細小但關鍵嘅部分。呢類模式慳到逐次重複落指示，不過模式名本身冇保證。用家仍然要預測、動手寫同驗證，否則再有耐性嘅 AI 導師，都只會變成一部交答案機。
Debug 時叫 AI 挑戰你個推斷
見到 error，先讀 traceback、縮細重現案例，再寫一個暫定原因。問 AI 時可以貼相關錯誤同最少量 code，叫佢**「檢查我呢個推斷，列出兩個反證方法，暫時唔好改 code」**。等你跑完測試、確認問題喺邊，先叫佢 review 修正方案。咁樣會慢少少，但你每次都練緊定位錯誤、設計測試同推翻假設，亦較易分辨 AI 提議嗰個 fix 係治本定只係遮住症狀。
Anthropic 另一項研究分析咗約 40 萬個 Claude Code session，發現熟悉相關領域嘅用家，取得可驗證成果嘅比率係新手兩倍以上；遇到問題時，新手放棄個 session 嘅情況亦多幾倍。嗰項研究靠模型分類對話，唔代表所有開發場景，不過訊息好清楚：AI 可以代做大量實作，對問題本身嘅理解仍然直接影響你救唔救得返個項目。
每完成一題，留一個冇 AI 嘅小測試：改一項需求、換一組輸入，或者向人講清楚 bug 點形成。如果做得到，先算真係掌握；如果只可以指住 AI 交出嚟嗰份 code 話「總之行到」，下一次就應該由拆題同 traceback 重新練起。
參考來源
- XDA Developers — If you are learning to code, you need to know this about AI — original report
- How AI assistance impacts the formation of coding skills — 52 人隨機對照研究，比較用 AI 同人手學習新 Python library 後嘅完成時間同理解表現。
- Exploring the Design Space of Cognitive Engagement Techniques with AI-Generated Code for Enhanced Learning — 比較逐步引導、預測執行結果等 AI 學習設計，為文中實用做法提供研究背景。
- Introducing study mode — OpenAI 官方講解 Study Mode 嘅引導問題、分段提示同知識檢查設計。
- Claude Code output styles — Anthropic 官方文件，確認 Learning 同 Explanatory output style 點樣運作。
- Agentic coding and persistent returns to expertise — 分析約 40 萬個 Claude Code session，補充領域經驗、成功率同出錯後恢復能力嘅關係。
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
