別把「學習」也外包給 AI：對抗認知負債 (Cognitive Debt)

原始來源與檔名：2026-05-21T093215+0800-Don’t Outsource the Learning.md

NAPKIN | 餐巾紙

餐巾紙公式

Delegation (Tasks) = High ROI Delegation (Learning) = Cognitive Debt (Skill Degradation)

公式說明：把 AI 當作完成任務 (Shipping) 的工具是正確的，但如果把「理解問題」的過程也全權交給 AI，工程師的核心價值 (Mental Model) 將會停止迭代，最終累積成龐大的認知負債。

一句話

如果你只是把錯誤訊息貼給 AI，然後無腦 Accept 它的修補，你修好的只有 Bug，你的腦袋卻在退化。真正的工程師知道何時該追求速度 (Shipping)，何時該開啟「學習模式 (Learning Mode)」去重建自己的心智模型。

餐巾紙草圖

[ The Degradation Loop ]
Bug -> Paste Error to AI -> Copy Fix -> Bug gone.
(Mental Model unchanged. Ability to debug next week: -1)

[ The Sharpness Loop ]
Bug -> Form Hypothesis -> Ask AI to explain the concept -> Validate Hypothesis -> Write Code.
(Mental Model upgraded. Ability to debug next week: +1)

ROUND 1: SKELETON | 骨架掃描

「這篇文章在說什麼」

• 核心問題: AI 開發工具 (如 Copilot, Claude) 為了追求極致的使用者體驗 (低阻力、快出貨)，不小心把開發過程中的「必要摩擦力 (Friction)」也消除了。這導致工程師產生「認知投降 (Cognitive Surrender)」，逐漸喪失獨立解題的能力。
• 核心答案: 開發者必須主動區分「可以外包的任務 (Boilerplate)」與「不可外包的學習 (Core Logic)」。透過改變提示詞習慣 (如先要解釋再要程式碼、先假設再求證)，在日常開發中維持思考的敏銳度。
• 論證結構: 提出現象 (認知投降) -> 引述三份權威研究證明「不思考地使用 AI 會導致技能退化」 -> 點出工具設計的盲點 (只為完成任務最佳化) -> 列出 5 種「你必須親自理解」的場景 -> 提供 6 個改變 Prompting 習慣的具體解法。

章節骨架

1. 引言: AI 修好了 Bug，但沒有推進你的心智模型。你正在用未來的能力換取今天的速度。
2. 研究佐證 (The Science):
   • Anthropic 研究：無腦貼上 AI 程式碼的組別，在後續理解測驗中慘敗 (低於 40%)。
   • MIT 研究：依賴 LLM 會降低大腦的連結活躍度，產生「認知負債」。
   • CHI 研究：AI 的初始框架會嚴重錨定 (Anchor) 人類的決策。
3. 產品設計的預設值: AI 工具的預設目標是 “Shipping” (出貨)，而不是 “Teaching” (教學)。
4. 何時不可外包？: 當系統崩潰時、當 AI 產生幻覺時、當底層架構改變時、當你脫離常規問題時、當市場重新定價「工程師價值」時。
5. 修復方法 (How to Prompt): 先有假設再問 AI、先要求解釋再要程式碼、開啟「學習模式」、像 Review 菜鳥 PR 一樣審查 AI 的產出、偶爾手寫重構。

ROUND 2: DISSECTION | 血肉解剖

「憑什麼這麼說」

論證鏈

人類大腦具有惰性，傾向依賴省力的工具 (Cognitive Surrender) --> 目前的 AI Agent 設計將「省力」推向極致，消除了除錯過程的掙扎 (Friction) --> 多項雙盲研究證實，缺乏掙扎的學習會導致心智模型無法建立 (記憶力與理解力下降) --> 隨著時間推移，開發者處理複雜、罕見問題的能力衰退 --> 解決方案：開發者必須主動在工作流中注入「人為摩擦力 (Intentional Friction)」，如先寫假設、再看答案。

關鍵證據

1. Anthropic 的對照實驗: 這是最致命的證據。同樣使用 AI 輔助，**「用 AI 詢問概念」的工程師得分 >65%，而「無腦複製貼上」**的得分 <40%。這證明了毀掉工程師的不是工具本身，而是「姿態 (Posture)」。
2. MIT 的 EEG 腦波測試: 證實了使用 LLM 時大腦網路的活躍度最低。用腦袋寫作 vs 用 LLM 寫作，就像重訓 vs 坐電動輪椅，久了肌肉必然萎縮。
3. 市場定價機制: 作者極其敏銳地點出：如果你的產出完全依賴 AI，那麼你正在進入一個「已經被 AI 重新定價」的勞動市場。唯有能解決 AI 無法解決的 Corner Cases (需要深度心智模型)，才能維持 Senior Engineer 的價值。

隱形假設與邊界

• 隱形假設:
  • 開發者擁有足夠的時間 (Buffer) 來進行「學習」。在極端高壓、死線將至的環境下，開發者往往被迫選擇 Shipping 而非 Learning。
• 邊界條件:
  • 作者同意「模板代碼 (Boilerplate)」、「膠水代碼 (Glue Code)」、「一次性腳本 (Throwaway CI script)」是可以完全外包的。重點在於區分「什麼是核心業務邏輯」。

ROUND 3: SOUL | 靈魂提取

「還能怎麼用」

• 知識連接: 呼應了《How to Rot your Brain with AI》的核心觀點：Cognitive Offloading (認知卸載) 是一把雙面刃。也呼應了前一篇《Goal Engineering》的實踐——強迫先寫出 Failing Tests，就是在建立人類的 Hypothesis (假設)，防止被 AI 的幻覺牽著走。
• 行動觸發: 下次向 Claude 或 Cursor 詢問 Bug 解法時，強制自己在 Prompt 的第一行寫上："My hypothesis is that the database connection is timing out because..." (我的假設是…)。用 AI 來驗證你的假設，而不是讓 AI 給你盲盒。

AI 時代的認知架構與人機介面 (Architectural Deep Dive)

前言

這篇文章探討的不是軟體架構，而是**「人類的認知架構 (Human Cognitive Architecture)」**。在人機協作 (Human-Computer Interaction) 進入 Agentic 時代後，我們面臨的最大系統性風險，是人類這個 Node (節點) 的「計算能力」退化。

核心架構洞察

1. 摩擦力即快取 (Friction as Cache Building)

在軟體系統中，我們希望減少 I/O 摩擦。但在人類的學習系統中，神經科學告訴我們：掙扎 (Struggle) 與摩擦 (Friction)，是大腦將短期記憶寫入長期神經網路 (Long-term Cache) 的必要條件。

• 無腦複製貼上，等同於每一次都在讀取 RAM (LLM)，一關機就消失。
• 先思考、提出假設、被糾正，這個痛苦的過程才是大腦在建構「心智模型 (Mental Model)」的編譯過程。

2. 人類作為回退機制 (Human as the Fallback System)

從系統可靠性工程 (SRE) 的角度來看：

• AI 是高效的 Primary 服務，處理 80% 位於常態分佈 (Median) 的請求。
• 人類工程師是最後的 Fallback (回退) 節點。 當系統遇到架構重構、未知的邊界情況 (Corner Cases) 時，必須切換回人工處理。
• 如果人類長期不處理中等難度的問題 (被 AI 搶走)，人類的「冷啟動時間 (Cold Start Time)」會變得極長，甚至在系統真正崩潰時，Fallback 節點會因為失去領域知識 (Domain Knowledge) 而無法接管系統。

3. 主動式提示工程 (Active Prompting vs Passive Prompting)

作者提出的解法，本質上是在改變人機介面的控制權：

• Passive (被動)：Fix this error: <Traceback> (人類是請求者，AI 是決策者)。
• Active (主動)：Explain how this architecture works, I will write the code. (AI 降級為知識檢索系統，人類保持決策權)。

總結

不要讓你的大腦成為 LLM 的 API 轉發器。在追求 Time-to-Market 的同時，必須建立個人的 Time-to-Learn 預算。一個健康的 AI 驅動開發團隊，不僅要衡量發布了多少功能，更要衡量團隊對底層系統架構的掌握度是否依然敏銳。