每周都有新的训练营关闭；每个月，AI 工具生成的 JavaScript 都比最笨拙的初级开发者更好。在论坛和教师会议中反复被提出的问题是：人工智能会让入门课程变得不再必要吗？
这种担忧是合理的；ChatGPT 可以在几秒内拆解循环、创建 HTML，并调试 Python。既然有一个“助手”可以帮助编程，为什么还要花 3 周时间学习一门结构化课程呢？
然而，AI 将会淘汰那些设计糟糕的入门课程——那些把人类当作慢速计算机来对待的课程。真正改变的是：初学者到底需要什么？以及他们被教授的技能类型。能够适应不断变化环境的专家，将提供比以往更有价值且更相关的技能组合。
AI 实际擅长的事情
重新设计入门课程应从诚实评估 AI 当前擅长的领域开始。当前的 AI 模型（ChatGPT、Claude、Copilot 等）在三个关键方面表现出色，能够帮助学习者：
用不同方式解释概念
例如，让 AI 以你十岁时能理解的方式解释“for 循环”，提供一个技术性定义，并将其类比为咖啡店的运作。AI 不会因为需要用多种风格表达而感到疲惫，并且会根据你的指令调整语言风格。
创建无限数量的练习题
如果你需要十道用于练习字符串操作的题目，AI 可以为你生成。如果你希望这些题目按难度递增排列，AI 也可以做到。AI 消除了练习材料不足的问题。初学者不再需要等待一本充满练习的教材。
为初学者提供低风险的即时反馈
如果初学者写了一段包含错误的代码，AI 可以识别错误，并解释为什么是错误以及如何修复，而不会带有评判性，这样你就不必再害怕在老师或同伴面前显得愚蠢。
然而，AI 只能基于你提出的问题来回答（而不是你真正需要的内容）。AI 也没有长期记忆，无法在数周时间内识别你的学习错误模式。
当前入门课程的问题是什么？
如今的许多课程是为一个没有 AI 的世界设计的，但那个世界已经不存在了。问题在于，它们教授的内容由于 AI 的存在而几乎失去价值。以下是三个常见问题：
过于注重语法记忆
学生需要花数周时间记住变量声明、循环结构和函数定义。然而在他们记忆这些陈旧规则的同时，AI 已经可以处理所有语法，这使得这些内容变得不再重要。对于初学者来说，Java 使用“equals()”还是“==”来比较字符串也不再重要。初学者只需要知道字符串比较是复杂的，而 AI 会生成正确的语法。
孤立的示例解法
大多数练习都是示例解法（例如反转字符串或计算三个数的平均值）。这些练习只帮助学生一次练习一个规则，但在真实问题中往往混乱且不明确。AI 可以在 5 秒内解决这些示例问题。花数小时完成几个简单问题，只能让学生学会一个单一技能，而没有更多收获。
线性且“一刀切”的学习进度
所有学生都从第 1 周开始，到第 12 周结束。学习快的学生很快感到无聊，学习慢的学生则迅速落后。而 AI 可以根据每个学生的进度提供个性化学习曲线。因此，固定课程在效率上无法竞争。
初级编程课程的产出
最终，初学编程的学生离开课堂时只获得两样东西：一种微弱的从记忆中编写简单程序的能力，以及在遇到问题时完全不知道该怎么办。学生通常被教授大量低级技能，而这些技能 AI 已经可以完成。
问题还在于，学生会对自己新获得的编程知识产生一种不应有的成就感（通常被称为“虚假自信”），直到他们开始第一个真实项目时才发现，自己的知识仅限于语法，实际上根本不会真正使用编程语言。
初学者真正缺失的是什么？
初学者缺乏良好的判断力。他们不知道如何将一个定义不清的问题拆解成具体任务。更重要的是，他们缺乏何时以及如何进行测试和验证的直觉。这些技能都无法通过语法练习获得。
专家应该教授什么
虽然人工智能可以处理语法、算法和练习相关的工作，但有经验的人类教师仍然可以在许多方面帮助学生。不过，这也意味着教师需要放弃过去的课程结构。具体来说，有五项关键技能值得重点教授：
1. 如何拆解问题
AI 可以识别问题，但并不真正理解如何拆解模糊的想法。
要教会学生意识到：执行解决方案之前需要更多信息
-
需要使用什么类型的设备？
-
最终结果将如何被收集？
-
谁来负责完成结果的哪一部分？
将模糊的问题拆解为至少五到十个具体步骤。
识别哪些步骤应该优先完成。
2. 测试与验证
AI 对自己的答案非常自信，但缺乏经验的学习者未必能识别错误。
要教会学生：
-
在编写代码之前先创建测试用例。
-
使用基础测试用例验证 AI 生成的答案。
-
识别 AI 解释中的错误（可能导致错误结果）。
3. 阅读和调试已有代码
AI 可以生成代码，但大多数实际工作是阅读、调试、修改或增强已有代码（无论来自他人还是 AI）。
要教会学生：
-
在不运行代码的情况下追踪执行路径。
-
使用 print 语句和调试工具有条理地解决问题。
-
解释一段代码实际做了什么（而不是它原本的意图）。
4. 提升你的提问能力（提示词）
如果你的提示很糟糕，你从 AI 得到的答案也会很糟糕。初学者通常只会说“修复这段代码”，却没有任何上下文。
要教会初学者：
-
提供错误信息和预期行为
-
让 AI 解释其推理过程，而不仅仅是给出答案
-
重复：“这没有成功；这是发生的情况，再试一次。”
5. 系统行为的心智模型
随着你学会建立关于系统如何运作的心智模型，语法最终会逐渐从记忆中淡去。一个初学者，只要理解变量就像一个带标签的盒子，就可以更快地学习所有编程语言。
向初学者展示如何：
-
绘制代码运行时计算机内存中发生的情况
-
在运行代码之前预测输出结果
-
解释代码为什么没有按预期工作，而不仅仅是如何修复它
从一种方法转向另一种方法的示例
旧方法：“记住 Python 中的列表方法，并完成 20 个练习。”
新方法：“我有一个程序无法运行；它是由 AI 编写的。找出三个错误，修复它们，然后让 AI 解释为什么这些是错误。”
这就是专家如何以一个有思考能力的教练身份支持学习者，而不是直接给出答案。
如何重构入门课程
教师和课程设计者可以通过实际方法，在课堂中以多种方式使用 AI。
改变你的学习目标
以下是如何选择新的目标：
|
旧目标 |
新目标 |
|
从记忆中写出语法 |
将问题拆解为步骤 |
|
完成 20 个类似练习 |
验证并调试 AI 生成的代码 |
|
通过选择题测试 |
针对模糊需求提出澄清性问题 |
围绕 AI 重新设计课程的五种方式
-
从第一天起就把 AI 当作伙伴使用 —— 向学生展示如何提问、检查并与 AI 互动以获得有效回应。
-
停止语法测验 —— 例如，在运行代码前问学生：“你认为这段代码的输出会是什么？”
-
主要内容可以是错误或 AI 生成的代码 —— 给学生有缺陷的代码，让他们找出问题，就像真实工作环境中一样。
-
在学习写代码之前先学习调试 —— 课程前两周应集中在阅读、跟踪和修正代码，然后再编写新代码。
-
根据学生如何得出结果进行评分 —— 学生需要提交：他们给 AI 的提示、AI 的回答、验证过程结果以及修正后的最终结果。
循环（loops）的前后对比示例
在学习 for 和 while 循环时，通常会先通过三个小任务逐步讲解，然后提供十个简短练习：打印 1-10、对数组求和等，每个练习只稍微提升一点技能。
另一种方式是：给你一段 AI 生成但存在错误的循环代码，在运行前预测输出结果，从而发现并修复 off-by-one 错误。接下来，你需要请求 AI 提供 3 个测试来发现类似问题。整个学习过程形成闭环。过去需要 3 小时的内容，现在 30 分钟即可完成；语法学习更快，但错误检查与修复所需时间更长。
注意！仅在一节课中加入 AI 基础通常不会带来改变，很快就会被遗忘。应该将这些理念融入每一个任务中。否则，学习者会依赖 AI 逃避思考，而无法真正提升能力。
结论
大多数基础课程不会因为人工智能而消失。但那些依赖机械重复的课程？它们的问题会迅速显现。教师仍在训练语法规则，而“词典”早已过时。网络上已经有所有他们要求学生记住的答案。
有一种方式更合理：专注于推理，而不是敲键盘；强调验证思路，而不是死记答案；先拆解问题，而不是套用公式。
当你卡住时，真正的学习才开始。面向初学者的课程，只有在能指引“下一步该做什么”时才有价值。而 AI 在这些停滞时刻往往无法提供方向。这种能力比其他任何能力都更重要。其余的事情，可以交给人工智能处理。