# 你编程十年，但在 AI 面前还是个新手

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-05-24T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/27116
- 原文：https://yage.ai/share/ai-expert-redefined-20260524.html

## 摘要

Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时发现，项目 issue 里 83% 被自动关闭，因为大量 AI 生成的报告虽然行文专业、推理自洽，但结论是错的。问题不在 AI 代码质量差，而在于很多老手还在用过去的直觉判断 AI 输出——人类的错误有迹可循，AI 却会在一个错误假设上推导出一整套看似滴水不漏的方案，老手的经验识别...

## 推荐理由

这篇不是模型发布或产品上线，而是围绕 Armin Ronacher 用自家工具 Pi 开发 Pi 这件事的评论。我会先打个折，因为争议本身不算新，但 issue tracker 的数据让讨论落到了可查证的事实上，不是纯嘴炮。对天天跟 AI 结对编程的人来说，这种“老手翻车”的案例比 benchmark 更有说服力，所以给到 featured。

## 锐评

Armin Ronacher拿自己的项目Pi做实验，结果issue tracker里83%的报告被自动关闭，PR合入率不到10%。这些AI生成的报告行文专业、推理自洽，但核心结论是错的。问题不出在代码质量，而出在很多人，尤其是经验丰富的老手，还在用过去的直觉判断AI输出。人类的错误有迹可循，AI却会从一个错误假设出发，推导出一整套滴水不漏的方案，老手那套识别人类错误的直觉在这里完全失灵。

Ronacher给出的解法不是更仔细地复核AI输出，而是从源头约束。他写了一个叫`/is`的命令，核心就一句话：别信issue里的分析，从代码和执行路径独立验证。这要求使用者先有自己的判断地图，再拿AI的结论去对照关键点，而不是顺着AI的思路走。文章里那组极端数据说明，行业对“会用AI”的标准还没共识，大多数人以为自己会了，其实还差着一层：知道AI什么时候在假装理解，知道在什么点上介入能扭转方向。

这篇文章的价值在于它来自一线维护者的真实数据，不是空谈。但正文没披露Pi自动关闭issue的具体判断逻辑，也没给出那83%里有多少是纯AI生成、多少是人类和AI混合提交的。这些缺口让“AI污染开源社区”的结论需要打个折，可能有一部分是低质量人类贡献被误判。