AI Coding 讓菜鳥起飛？錯！PTT 爆料的真實經驗:沒有十年功力，你連 AI 生成的程式碼錯在哪都看不出來

當 GitHub Copilot、Claude Code、Gemini CLI 席捲軟體業，許多人相信「寫程式」的門檻正在消失。但 PTT 軟體板上的資深工程師爆料，AI 生成程式碼的除錯時間不降反升——因為看得出 AI 在哪裡出錯的能力，恰恰來自那些年被嫌「苦」的十年基本功。

凌晨兩點，一位自稱任職於新竹某科技公司的工程師在 PTT 軟體板發文。他寫道，團隊裡最年輕的成員用 AI 工具一天生成三千行程式碼，看起來氣勢驚人。問題是:那段程式碼裡藏著一個記憶體洩漏，初學者看不出來，資深工程師花了四小時才抓到。「AI 寫得快，是因為它不用負責。」

這篇貼文引來上百則推文，多數來自業界工程師。共識出乎意料地一致:AI 沒有讓菜鳥起飛，反而拉開了資深與資淺的差距。

關鍵發現一:AI 放大的是你已有的能力，不是缺少的能力

拆開主流工具的設計邏輯就能理解這件事。GitHub Copilot 走的是行內補全路線，你寫一行註解，它接三行程式碼；Claude Code 和 Gemini CLI 則是代理式(agentic)框架，能讀整個程式庫、自動改多個檔案、自己跑測試。

表面上是「人人都能寫軟體」。實際上，代理式工具把工作從「寫程式」變成「審程式」。當 Claude Code 一次改動十五個檔案，你必須在幾分鐘內判斷:這個 API 呼叫的錯誤處理對不對？這段非同步邏輯有沒有 race condition？資料庫索引會不會被打爆？

這些判斷沒有捷徑。它來自踩過坑的經驗，來自讀過作業系統、懂過記憶體管理、維護過別人留下的遺憾。PTT 鄉民的一句推文流傳很廣:「AI 是倍速器，不是引擎。你本來是零，倍速之後還是零。」

關鍵發現二:幻覺問題讓「驗收能力」成為新門檻

業內普遍觀察到一個弔詭現象:工具越強，除錯時間反而可能變長。原因在於 LLM 的幻覺特性——它會自信滿滿地呼叫一個不存在的函式、引用一個已棄用的 API，甚至編造看起來合理的套件名稱。資安圈近來甚至出現駭客刻意在套件庫註冊 AI 幻覺出來的假套件名稱，等著釣那些不查證直接複製貼上的開發者。

上下文視窗的限制是另一個陷阱。Gemini 雖以長上下文著稱，但當程式庫超過模型能有效掌握的範圍，AI 對整體架構的理解就開始斷裂——它改了 A 處，不知道 B 處會跟著壞。此時能嗅出「這個改動怪怪的」直覺，正是十年功力的具體形狀。

業界因此出現新的分工:資深工程師負責架構決策與程式碼審查，用 AI 把「打字」的時間省下來；資淺工程師若跳過基礎訓練直接依賴 AI，短期產出漂亮，長期卻失去判斷肌肉。多家科技公司在內部技術分享中都已點出這個風險。

關鍵發現三:聰明的用法是「AI 寫初稿，人類當總編」

那 AI 到底該怎麼用？資深工程師們的實戰心得指向同一套紀律。

第一，讓 AI 做「低風險高產能」的事:寫測試、補文件、生成樣板程式碼、解釋遺留系統。這些工作 AI 出錯成本低、人類驗收容易。第二，把大型重構切成小步驟，每步跑測試、看 diff,絕不讓代理式工具「一次改到底」。第三，提示詞要給脈絡與限制:「這是遺留的 Python 2 系統，不要引入新依賴，保持函式簽名不變」遠比「幫我重構」有用十倍。

換句話說，有效的 AI 工作流本身就內建了大量工程判斷。你不會下這些提示，代表你不知道風險在哪——而那正是功力的問題，不是工具的問題。

菜鳥的真正出路:把 AI 當教練，不是代筆

軟體業正走向一個兩極化的未來:頂端 20% 的工程師用 AI 槓桿出五倍產能，底層的「只會下 prompt」的角色則面臨被壓縮。對剛入行的人，殘酷但誠實的建議是——先關掉自動補全，把基礎練扎實，再打開 AI。把它當一位隨叫隨到的資深同事，請它解釋、請它審查你的程式碼、請它出考題，而不是請它替你寫作業。

工具會一直換，從 Copilot 換到 Cursor 再換到下一個名字。十年後還值錢的，不是會用哪個工具，而是當工具出錯時，你是那個看得出來的人。