一句话看懂：华盛顿大学教授Amy J. Ko经过三个月深度使用Claude Code和Claude Max订阅进行实际编程后，撰文批判AI辅助软件开发“让简单的部分更简单、困难的部分更困难”，同时承认在90%的常规任务中能显著提升效率——但这可能以牺牲代码可理解性和长期维护性为代价。
事件核心：发生了什么
Amy J. Ko是华盛顿大学信息学院教授、资深软件工程研究者，也是一位维护着多个开源项目（Wordplay、Adminima、Bookish.press等）的24年编程经验者。她于2025年3月开始自费订阅Claude Max服务、储备Claude API额度，并安装Claude CLI和VS Code扩展，将个人开发流程从“靠专注力配合电子音乐写代码”转为“靠提示词+审查AI输出”。她使用的模型包括Opus 4.8和后来的Fable。三个月后，她在Medium上发表了这篇长达11分钟的深度批判，核心发现是：在精心准备设计文档的前提下，Claude Code在90%的情况下能输出合理实现，但仍有10%的情况表现得“糟糕至极”——尤其是在代码库规模较大（如Wordplay项目的30万行代码）时，AI会无视已有功能和编码约定，制造重复代码和理解障碍。
为什么重要
这并非一篇普通的“AI不好用”抱怨，而是一位同时具备学术严谨性和实战经验的专业开发者对当前AI辅助编程工具的现场检验。Ko教授本人长期对LLM持批判态度，认为它们“鼓励学习回避”“用大规模监控换取生产力和利润”“让软件工程中困难的实现部分变得更难理解”，但她依然选择亲自、长时间使用当前最先进的工具之一来验证自己的判断。她的结论揭示了一个行业尚未充分正视的矛盾：对于经验丰富的开发者，AI确实能压缩大量重复劳动，但前提是开发者必须有足够的前端设计能力去“替AI防错”；而对于新手或缺乏架构经验的开发者，这种工具可能不仅不会提升能力，反而会掩盖对代码真正理解的需求。此外，她特别指出，AI生成代码往往“草草遵循约定”——即便这些约定已被清晰记录在仓库中——导致长期的可维护性问题。这从方法论层面质疑了“AI让你更高效=更好”的简单叙事。
对用户/开发者/创作者的影响
对经验丰富的开发者：Ko的实践表明，如果你能提前写好“防御性设计规范”，AI可以在绝大多数常规任务中帮你省时间。但需要投入额外的精力去清理代码克隆和风格不一致——即效率增益可能被后期重构抵消一部分。对初级开发者或学习者：Ko直言自己是“最理想的使用者”（best case developer），新手缺乏预判AI错误的能力，使用这些工具可能助长“学习回避”行为——直接复制输出而不理解底层逻辑。对团队领导者：如果团队将AI工具视为单纯的生产力助推器而忽略代码质量审查和长期可维护性，代码库的“技术债”可能在数月内快速累积。对AI工具开发商（如Anthropic）：需要在模型上下文中更好地识别并遵守仓库已有的编码约定和架构模式，而非每次从零生成。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Ko接下来是否会公开她在使用过程中发现的具体“糟糕”案例和代码片段？这对评估工具边界至关重要。第二，Claude Code是否有计划改进对大规模代码库（30万行以上）的上下文管理能力？目前通过API的token限制似乎在代码一致性上力不从心。第三，该批判是否会在软件工程学术圈引发更多系统性的对比实验——即由控制了能力和经验差异的开发者做A/B测试，而非依赖个别专家的主观体验。第四，Anthropic或其他公司是否会针对这类批判推出新的工作流指导（比如推荐编码约定文档化、指定AI必须遵循的文件目录结构等），以减少“代码克隆”这类常见问题。
来源：medium.com
