《AI and the University》是 Carson Gross 的一场视频演讲。Carson Gross 是轻量级前端框架 htmx 的作者在 Web 开发社区里一直以“简化前端复杂度、反对过度抽象”著称。当他从框架设计转向谈论大学教育时话题立刻变得尖锐大模型已经能写作业、写代码、生成实验报告和论文大学究竟还有没有不可替代的价值这个问题表面上是教育领域的实际上直接压在每一个开发者身上。因为大学课程是大多数人建立编程基础的地方而 AI 恰恰在动摇“课程训练 - 基础能力 - 工程判断”这条链路。下文不打算复述演讲的每一句话而是把它当作一个思考起点。先拆解 AI 与大学教育之间的核心矛盾再进入 AI 工程实践AI 辅助编程改变了什么、最小 AI Agent 怎么搭建、AI 应用怎么测试和部署、常见故障如何排查最后给出一条适合课堂和自学者的 AI 学习路线。1. AI and the University 到底在问什么1.1 一个来自开发者的“反共识”提问Carson Gross 的公众形象和 htmx 紧密绑定。在前后端分离、SPA 框架几乎成为默认方案的时期htmx 主张用较小的脚本量和 HTML 属性完成交互这种选择本质上是“先判断问题是否真的需要复杂工具”。他讨论 AI 与大学时也带着同样的提问习惯不要急着说 AI 会取代什么而是先看它到底改变了哪个环节。《AI and the University》这个标题可以读出两层意思。第一层AI 正在进入大学学生用它写作业教师用它备课科研人员用它处理文献。第二层AI 正在质问大学如果机器可以产出大量“看起来合格”的成果大学多年训练出来的能力还有什么用。两层意思叠在一起矛盾就出现了大学一方面要教会学生在这个时代使用 AI另一方面又必须在考核中确认学生自己的理解。这里需要说明本文不把演讲内容当作唯一正确答案。Carson Gross 的立场在社区里有支持也有争议真正值得讨论的是他提出的问题而不是他的结论。对开发者来说这个问题可以被转译成一句更直白的话当 AI 能替你写代码你还需要理解什么1.2 AI 冲击大学教育的三个具体环节第一考核环节。传统作业和考试默认一个前提学生必须在无帮助的情况下独立作答。AI 让这个前提失效了。一门课的课后作业如果交给大模型几分钟内就能得到结构完整的答案教师很难从最终结果判断学生是否掌握了过程。考试如果允许使用 AI不同学生接触的工具和熟练度又不一致公平性更难保证。第二课程环节。计算机专业课程长期以来按“语言 - 数据结构 - 算法 - 操作系统 - 网络 - 应用开发”推进每一层都依赖前一层。AI 可以绕过中间层直接给结果比如让大模型直接生成一个排序算法、一个 HTTP 服务或一条复杂 SQL。问题在于一旦学生没有真正理解数据结构、网络协议和数据库原理面对 AI 输出的边界情况就无从判断为什么这个排序在数据量大时变慢为什么这个 HTTP 服务在高并发下连接泄漏这些都不是“重新问一遍 AI”能解决的。第三能力环节。大学四年培养的核心能力可以概括为“在不完整信息下做判断”。AI 生成的内容是概率性的它擅长把字符组合得看起来合理但它不保证正确性。真正能对结果负责的只有使用者。如果课程体系不训练验证和质疑能力学生毕业后面对 AI 产生的错误代码、错误配置和错误结论时会非常被动。1.3 最值得带走的判断AI 是工具理解是验证层把三个环节放在一起可以得出一个对开发者同样成立的判断AI 是信息处理工具它不构成知识主体。AI 可以给你一段代码但它无法替你确认这段代码是否满足业务规则、是否能在你的环境里编译、是否经过了边界测试。因此在 AI 时代数据结构、算法、操作系统、调试能力这些“基础”不是被 AI 取代了而是变成了验证 AI 输出正确性的最后一道关卡。注意这里不是说 AI 没有价值。AI 极大降低了重复劳动的密度提高了从问题到原型的效率。但它提高的是“熟练使用者”的效率而不是“完全不懂的人”的效率。二者之间的差别就是大学教育最应该保住的东西。2. 大学课堂和开发者对 AI 的三种立场2.1 禁止派保护基础但可能脱离现实禁止派的主要做法是在课程作业和考核中禁用 AI 工具必要时配合 AI 检测工具。支持者认为基础课程的核心目标是让学生亲手完成从问题分析到代码实现的全过程一旦引入 AI这个训练过程就被绕过了。尤其是数据结构、算法、编译原理这类对“理解深度”要求很高的课程直接使用 AI 生成答案会让作业失去意义。禁止派的代价也很明显。禁令主要约束的是课堂内课堂外的学生仍然会使用 AI。等到实习或就业时团队协作、代码生成工具、AI 辅助调试已经成为默认工作方式学生会出现明显的“能力错配”知道理论但不适应真实的 AI 辅助开发流程。同时检测工具存在误判风险而且会消耗教师大量时间实际执行成本并不低。2.2 拥抱派拥抱效率但容易产生提示词依赖拥抱派主张把 AI 工具直接嵌入课程让学生尽早熟悉 Copilot、Cursor、IDEA 或 PyCharm 的 AI 插件。这种做法的出发点是现实的行业招聘已经看重 AI 编程能力与其假装工具不存在不如把 人工智能与大学教育：大模型时代开发者还需理解什么？
《AI and the University》是 Carson Gross 的一场视频演讲。Carson Gross 是轻量级前端框架 htmx 的作者在 Web 开发社区里一直以“简化前端复杂度、反对过度抽象”著称。当他从框架设计转向谈论大学教育时话题立刻变得尖锐大模型已经能写作业、写代码、生成实验报告和论文大学究竟还有没有不可替代的价值这个问题表面上是教育领域的实际上直接压在每一个开发者身上。因为大学课程是大多数人建立编程基础的地方而 AI 恰恰在动摇“课程训练 - 基础能力 - 工程判断”这条链路。下文不打算复述演讲的每一句话而是把它当作一个思考起点。先拆解 AI 与大学教育之间的核心矛盾再进入 AI 工程实践AI 辅助编程改变了什么、最小 AI Agent 怎么搭建、AI 应用怎么测试和部署、常见故障如何排查最后给出一条适合课堂和自学者的 AI 学习路线。1. AI and the University 到底在问什么1.1 一个来自开发者的“反共识”提问Carson Gross 的公众形象和 htmx 紧密绑定。在前后端分离、SPA 框架几乎成为默认方案的时期htmx 主张用较小的脚本量和 HTML 属性完成交互这种选择本质上是“先判断问题是否真的需要复杂工具”。他讨论 AI 与大学时也带着同样的提问习惯不要急着说 AI 会取代什么而是先看它到底改变了哪个环节。《AI and the University》这个标题可以读出两层意思。第一层AI 正在进入大学学生用它写作业教师用它备课科研人员用它处理文献。第二层AI 正在质问大学如果机器可以产出大量“看起来合格”的成果大学多年训练出来的能力还有什么用。两层意思叠在一起矛盾就出现了大学一方面要教会学生在这个时代使用 AI另一方面又必须在考核中确认学生自己的理解。这里需要说明本文不把演讲内容当作唯一正确答案。Carson Gross 的立场在社区里有支持也有争议真正值得讨论的是他提出的问题而不是他的结论。对开发者来说这个问题可以被转译成一句更直白的话当 AI 能替你写代码你还需要理解什么1.2 AI 冲击大学教育的三个具体环节第一考核环节。传统作业和考试默认一个前提学生必须在无帮助的情况下独立作答。AI 让这个前提失效了。一门课的课后作业如果交给大模型几分钟内就能得到结构完整的答案教师很难从最终结果判断学生是否掌握了过程。考试如果允许使用 AI不同学生接触的工具和熟练度又不一致公平性更难保证。第二课程环节。计算机专业课程长期以来按“语言 - 数据结构 - 算法 - 操作系统 - 网络 - 应用开发”推进每一层都依赖前一层。AI 可以绕过中间层直接给结果比如让大模型直接生成一个排序算法、一个 HTTP 服务或一条复杂 SQL。问题在于一旦学生没有真正理解数据结构、网络协议和数据库原理面对 AI 输出的边界情况就无从判断为什么这个排序在数据量大时变慢为什么这个 HTTP 服务在高并发下连接泄漏这些都不是“重新问一遍 AI”能解决的。第三能力环节。大学四年培养的核心能力可以概括为“在不完整信息下做判断”。AI 生成的内容是概率性的它擅长把字符组合得看起来合理但它不保证正确性。真正能对结果负责的只有使用者。如果课程体系不训练验证和质疑能力学生毕业后面对 AI 产生的错误代码、错误配置和错误结论时会非常被动。1.3 最值得带走的判断AI 是工具理解是验证层把三个环节放在一起可以得出一个对开发者同样成立的判断AI 是信息处理工具它不构成知识主体。AI 可以给你一段代码但它无法替你确认这段代码是否满足业务规则、是否能在你的环境里编译、是否经过了边界测试。因此在 AI 时代数据结构、算法、操作系统、调试能力这些“基础”不是被 AI 取代了而是变成了验证 AI 输出正确性的最后一道关卡。注意这里不是说 AI 没有价值。AI 极大降低了重复劳动的密度提高了从问题到原型的效率。但它提高的是“熟练使用者”的效率而不是“完全不懂的人”的效率。二者之间的差别就是大学教育最应该保住的东西。2. 大学课堂和开发者对 AI 的三种立场2.1 禁止派保护基础但可能脱离现实禁止派的主要做法是在课程作业和考核中禁用 AI 工具必要时配合 AI 检测工具。支持者认为基础课程的核心目标是让学生亲手完成从问题分析到代码实现的全过程一旦引入 AI这个训练过程就被绕过了。尤其是数据结构、算法、编译原理这类对“理解深度”要求很高的课程直接使用 AI 生成答案会让作业失去意义。禁止派的代价也很明显。禁令主要约束的是课堂内课堂外的学生仍然会使用 AI。等到实习或就业时团队协作、代码生成工具、AI 辅助调试已经成为默认工作方式学生会出现明显的“能力错配”知道理论但不适应真实的 AI 辅助开发流程。同时检测工具存在误判风险而且会消耗教师大量时间实际执行成本并不低。2.2 拥抱派拥抱效率但容易产生提示词依赖拥抱派主张把 AI 工具直接嵌入课程让学生尽早熟悉 Copilot、Cursor、IDEA 或 PyCharm 的 AI 插件。这种做法的出发点是现实的行业招聘已经看重 AI 编程能力与其假装工具不存在不如把