在 LLM 時代學程式（Mark Seemann）
ploeh blog｜Mark Seemann｜2026-09-16｜〈On learning programming in an age of LLMs〉 形式是公開回信：一位讀者寄來長信問「在 AI 時代該怎麼學程式」，作者取得同意後大段引用並逐題回答。 作者自己開場就聲明：「我的回答都不特別嚴謹，情況太不確定了，我只能盡力而答，不主張其中有任何不變的真理。」
統整
讀者的處境：蓋出一個高於自己理解程度的系統
寫信的人沒有 CS 背景，一年前迷上 AI 輔助開發，靠 LLM 蓋出一套相當大的 TypeScript/JavaScript 系統——API、PostgreSQL、LLM pipeline、研究自動化、多模型工作流。一開始感覺近乎魔法：AI 似乎把「有想法」和「能做出來」之間的距離壓縮掉了。
但要把它變成真正的產品時卡住了：修好一個錯誤，冒出另一個，然後某個部分的行為是他不完全理解的。重構數月之後，他得到一個不舒服的體悟：
我可能蓋出了一個高於我自己理解程度的系統。 當一切正常運作時，這個落差幾乎是隱形的；當它出問題，落差就變得非常真實。
他的自問：我這一年是蓋出了一個產品，還是部分蓋出了「產品的外觀」——精緻到能動，但我理解得不夠深，無法真正擁有它？
他強調自己完全不反 AI，也想以此為業，只是不確定和它的正確關係該是什麼。
作者先攤牌自己的立場
我還沒對 AI 下定論，但我傾向不喜歡它——同時很清楚它可能擋不住。
他會用、會實驗，常被驚艷，也常被激怒。而且：
通常是它最讓我驚艷的時候，我對它的怨恨最深。
表現差的時候至少還能「在『我花三十多年學的東西仍然有用』這個幻覺裡取暖」；表現最好的時候，他會想「Butlerian jihad 在哪裡報名」。
他為什麼悲觀（經濟學角度）
作者本科是經濟學，這裡特別把它搬出來：
- 他自己年紀夠大、夠成功，失業還活得下去；但他不確定任何知識型社會活不活得下去。
- LLM 可能會比其他白領工作更早拿走程式設計師的工作——因為程式設計可能是一個驗證比較容易的領域（相較於保險理賠審核之類）。
- 作為經濟學家，他無法想像 30–40% 的大規模失業不會對經濟造成重大衝擊。
- 對「歷史上都這樣，舊工作消失但會出現想像不到的新工作」（織襪機、蒸汽機、內燃機、電腦）這個論證，他的反駁是：只對了一半——新工作確實被創造出來，但往往不是給那些失去工作的人。「煤礦工人不會一夕之間變成程式設計師。」 同樣的論證也用在中國加入 WTO 的時候：新工作確實大量出現，只是不在西方。
他說他真心希望自己是錯的：他熱愛寫程式，還想再做十年；更要緊的是他有已成年的孩子，希望那裡還有一個屬於他們的世界。
問題一：慶幸自己在 LLM 之前學會程式嗎？現在開始還要學基礎嗎？
慶幸嗎？當然。那些技能支撐了他三十年。
但如果是現在才開始，他說他會認真考慮去學木工、金工、槍械維修，或其他需要手眼協調的東西——他知道機器人也在進步，但取代體力勞動看起來還比較遠。
（他自己目前確實在大學課程裡學資料結構、語言語意學等等，但明說是出於好奇，不是因為預期會有什麼金錢回報。）
AI 會不會讓人「蓋得比懂得快」？
他的回答是「有待觀察」，理由是這件事並不新：
軟體開發者已經在自己不理解的抽象層之上工作了數十年。 你是 web 開發者，就不太懂編譯器；你是編譯器工程師，就不太懂積體電路設計；你做 IC 設計，也不會懂你上面那幾層。
他給出整篇最具操作性的一條經驗法則：
理解你工作所在那一層的「下一層」，以及「上一層」。這樣你就能排除大部分問題。
問題二：該退回去補基礎，還是邊蓋邊學，還是兩者兼具？
作者先指出這其實是兩個截然不同的問題，因為他自己早已不缺基礎——就算丟給他最陌生的環境（他舉例：一個完全用 RISC-V 組合語言寫的應用），他也能靠既有知識爬上去。（他順帶提到自己真的寫過小的 RISC-V 練習程式，還寫過一個編譯到 RISC-V 的練習用編譯器。）
但如果幾乎沒有軟體背景呢？他說：我曾經就在那個位置。
- 職涯剛開始時，他在「把事情做完」和「邊做邊學」之間走鋼索。
- 1999 年開始寫 C++ 的 COM 元件，「並不太理解自己在做什麼」，但還是讓它動起來了，甚至做到沒有明顯的記憶體洩漏。
- 他從來不甘於「東拼西湊但不懂原理」，所以他確實退回去有系統地補了基礎。
關鍵的轉折在下一句：
這在 1990 年代中期起步的職涯裡行得通。今天還行得通嗎？我不太確定。
理由是時間：
要達到「足以回頭認出自己過去的自信正處在 Dunning-Kruger 曲線上『無知到不自知』那一段」的程度，花了我數十年。你今天有那麼多時間嗎？
學習能不能被加速
他給了兩面：
- 能：有了 LLM，你可以問更有針對性的問題，所以學得比較快。三十年前他只能買書，期待書裡有用得上的材料，仍要硬啃大量當下用不到的內容。
- 但：
我懷疑人類的學習速度能被顯著加速。瓶頸幾乎不是老師、也不是教材，而是人腦吸收新知識的速度。
問題三：他自己是怎麼學的？今天要學一個全新語言會怎麼做？
短答：慢慢學，靠大量試錯，偶爾用一本書撐著。
| 階段 | 怎麼學 |
|---|---|
| 最早 | COMAL 80 的失敗起步 |
| 第一個專案 | 為經濟學碩士論文重算分岔圖與勞侖次吸子，用 QBasic 寫，學習材料是它內建的範例，偶爾問朋友 |
| 1990s–2000s | 主要靠範例和文件。買過一本 C++ 的書但沒讀完；各種 Basic 方言和 C# 完全是從文件與範例程式學會的 |
| 例外 | F# 和 Haskell 是靠書學的，書在這兩者上具決定性 |
| 今天 | 看過太多語言了，遇到新的通常讀現有程式碼 ＋ 查少數不清楚的地方就能上手——前提是那個語言「正常」。要是回頭碰 APL，他至少得找份教學 |
他對「用 LLM 學習」的態度
你可能注意到我不太用 LLM 學習。LLM 不是在幻覺，它們是在唬爛（bullshit），我對它們講的任何東西都深度不信任。
但他確實在用 LLM——只問能得到可驗證答案的問題：
✅ 「這段 Haskell 表達式能不能更簡潔？」
→ 任何有用的回答都是一段程式碼建議
→ 它要嘛會動、要嘛不會；要嘛更短、要嘛沒有。很容易驗證
❌ 「我接下來該學什麼？」
→ 不會產生可驗證的答案 → 他不問 LLM 這種問題
全文的結語就是這一句：
總結來說，你可以說我偏好問 LLM「可證偽（falsifiable）」的問題。
反覆出現的關鍵字
- verifiable / falsifiable（可驗證／可證偽）：全文的收束點，而且是唯一一條真正可操作的判準。它還在另一處出現過——作者猜 LLM 會先拿走程式設計師的工作，正是因為程式設計「驗證比較容易」。（推論）同一個性質在文章裡同時是威脅的來源和自保的方法，這個對稱作者沒有點破。
- understanding（理解）與 owning（擁有）：讀者信裡的核心焦慮不是「不會寫」，是「不能真正擁有」。文章從頭到尾繞著「能動」和「懂了」之間的落差。
- 抽象層（levels of abstraction）：作者用來安撫也用來設限的概念——不懂下層一直都是常態，但「下一層＋上一層」是底線。
- 時間 / 慢：「Slowly」「花了數十年」「你今天有那麼多時間嗎」「瓶頸是人腦吸收的速度」。文章真正的悲觀不在 AI 多強，而在人學得多慢。
- 不確定（I’m not sure / remains to be seen）：開場聲明、對 AI 的立場、對自己方法還管不管用、對社會能不能撐住——作者反覆拒絕給出確定答案。這是這篇的體例，不是修辭。
- bullshit 而非 hallucinate：刻意的用詞替換，而且他沒有展開解釋這個區分。
矛盾點
文章內部
- 「LLM 讓你學得比較快」和「我懷疑人類學習速度能被顯著加速」貼在一起。 兩句其實可以調和——LLM 加速的是「找到相關材料」，不是「吸收」，而作者自己就點名瓶頸在人腦——但他沒有把這層講開，並排讀起來像自相矛盾。（推論）調和後的版本反而更有用：省掉的是搜尋成本，不是理解成本。
- 那條「懂下一層和上一層」的法則，沒有回答讀者的處境。 讀者的問題不是不懂下層，是不懂自己正在工作的那一層。（推論）法則預設你已經站穩了某一層；用 LLM 蓋出東西的人，可能一層都沒站穩。
- 讀者問的那題（退回去補／邊做邊學／兩者兼具）其實沒有被回答。 作者講了自己的路（退回去系統性補基礎），然後說「這在 1990 年代行得通，今天我不太確定」——然後就沒有然後了，沒有給替代方案。（推論）這是全文最大的空缺，而且作者可能是誠實地不知道。
- 「我不太用 LLM 學習」和「有了 LLM 你可以學得更快」之間有張力。 他承認那個能力，自己卻不用。（推論）合理的解釋是他的不信任等級高到讓那個加速不划算——但對一個沒有能力判斷輸出對錯的新手，這個成本效益算式完全不同，而文章沒有分開談。
- 他建議考慮木工金工，自己卻正在大學裡學資料結構。（推論）他用「出於好奇、不為金錢回報」化解了，但這等於承認他給的建議和他自己的行為是分開的兩套標準。
與 vault 既有筆記
- AI 時代該學古老且經過驗證的底層 在這裡被同時佐證和動搖。 佐證：作者的木工／金工建議就是「學古老經過驗證的東西」推到極致——手眼協調是最不會變的那一層。動搖：那篇的假設是底層的回報更持久，但作者明說自己學資料結構不預期金錢回報。（推論）兩篇合起來的修正版是：學底層的理由從「回報更持久」要改成「那是你唯一能真正擁有的東西」——回報的部分，作者自己也不敢保證了。
- 監督 AI 產出的檢查成本可能比自己寫還高 的極端端點就是這封讀者來信。 那篇說審查成本有時比自己寫還高；讀者的狀態是根本沒有能力審查——不是成本高，是成本無限。（推論）值得補進那篇的一句：檢查成本會隨著「我懂不懂這一層」而階躍，不是連續上升。
- AI 時代的學習與刷題策略 的「AI 當特助」被這篇的判準切成兩半。 那篇建議讓 AI 扮演面試官、教你解題各階段能問什麼、評估優化空間。用 Seemann 的標準過濾：「這段能不能更簡潔／這個複雜度對不對」是可驗證的；「扮演面試官給我回饋」「我接下來該學什麼」不是。（推論）這是那篇可以直接加上的一道篩子。
- 並行多個 AI agent 的 context switch 會偷走專注 的「待解」在這篇找到一個方向。 那篇還不確定怎麼改善；本文的判準給了一個切入角度（推論）：把任務按「輸出可不可驗證」分類，可驗證的才適合丟出去並行，不可驗證的丟出去只會製造更多需要你回來判斷的東西。
待確認
- 「LLM 不是幻覺，是唬爛」這個區分，作者沒有定義。（推論：這應該是借哲學家 Harry Frankfurt 的 On Bullshit——說謊的人知道真相而故意說反的，唬爛的人則是根本不在乎真假。若是這個意思，那它比「幻覺」更準，因為幻覺暗示模型「以為自己是對的」。文章沒有點名出處。）
- Dunning-Kruger 那段講的到底是「知識學不快」還是「判斷力需要靠時間與經驗累積」？這兩者的處方完全不同，文章沒有分開。
- 「程式設計是驗證比較容易的領域，所以會先被取代」——如果成立，那驗證容易同時是威脅來源與自保方法。這個對稱該怎麼用？
- 作者沒回答的那題仍然開著：基礎薄弱但已經有一個 AI 蓋出來的大系統，到底該退回去補、邊做邊學，還是兩者兼具？
抽出的原子筆記
- 判準不是問題難不難，是有沒有標準化的驗收方式 — 我自己的表述：C++ 對照 15 坪，以及「驗證不必當下，事後查得到就算」
- 不可驗證的 AI 答案照問，但只當方向不當答案 — 我和作者的分歧：他不問，我照問但改變權重
- 蓋出高於自己理解程度的系統，能動時落差是隱形的 — 讀者來信的處境
- 理解你工作那一層的上一層和下一層 — 作者給的經驗法則，以及它答不到讀者的問題
- 學習速度的瓶頸是大腦，不是教材 — 省掉的是搜尋成本不是理解成本
〈矛盾點〉裡沒有被抽走的部分（經濟學那段、作者自己沒回答讀者的那一題）仍然只在這篇裡。