理解可以被生成，判断力不能

比如，你想给网站加一个搜索框。

你把需求交给能直接操作项目的 AI 智能体。它修改文件、运行检查，再告诉你功能已经完成，附上实现说明和检查结果。你打开页面，搜一个确定存在的词，结果出来了。

说明读得懂，检查也通过了，页面看起来正常。这时很容易觉得，自己已经知道这个功能是怎么回事，可以验收了。

直到换一个搜不到的词，页面报错。你告诉它“搜不到内容时会报错”，它自己复现问题、查找原因、修改代码，还补了一条测试。随后汇报：代码原先默认搜索结果里至少有一条内容，现在已经处理了无结果的情况，检查通过。

你读完说明，明白了原因，也很容易从中总结出一个教训：要考虑边界情况。这句话当然对。你可能早就听过，也完全赞同。现在问题修好了，教训也有了，似乎可以继续做下一个功能。

但从交代需求到确认修复，你可能始终没有问过自己：刚才为什么只搜了那个确定存在的词？它说“检查通过”时，检查的究竟是哪些情况？看到结果出现时，凭什么就觉得功能做好了？

AI 修掉了代码里的假设，你却未必看见了自己判断里的假设。

我们早已生活在一个道理过剩的时代。别人把多年经历提炼成一句话，我们几秒钟就能读完。“要考虑边界情况”如此，“不要急着下结论”也如此。道理很好懂，难的是在下一次看到一个顺利的结果时，真的停下来，想想它还没有证明什么。

AI 又把这个间隔缩短了。过去，一个问题可能让你卡很久。你猜过几个原因，试过几条路，才知道最初的想法哪里不成立。现在，错误刚出现，解释和修复就一起到了。你能复述发生了什么，却未必有机会修正自己看问题的方式。

这就是那种抽离感：解释已经很完整，自己却还没有把事情走过一遍。下一次遇到稍有不同的问题，仍然不知道先看哪里。

理解可以被生成。判断力不能随着那段解释一起交付。

回到那个报错的搜索框。你可以把两次输入留下来：一次有结果，一次没有。让它修复时，也请它查清，之前的检查为什么没有覆盖第二种情况。再想一想，自己为什么也漏掉了。查代码和补测试仍然可以交给它，但你开始知道，先前那句“检查通过”并不足以支持自己的判断。

修好以后，自己选一个新的、搜不到的词试一遍。页面没有报错，你知道这次验证了什么，也知道仅凭这一次，还不能保证其他情况都没问题。以后再看到一个功能跑通，你或许会自然地多问一句：刚才试的，是不是只有最顺利的那条路？

这点变化很小，却比记住“要考虑边界情况”更接近判断力。那句话终于对应上了你做过的事：你曾怎样确认，漏掉了什么，又怎样发现自己确认得太早。

不必为了学习而拒绝修复，也不必把所有代码重写一遍。值得留下的是自己猜、试、发现不对、再作判断的那一段。AI 可以参与其中，帮你缩短查找和尝试的时间，但如果每次连同这一段也一起跳过，问题虽然解决了，你对下一次问题的判断未必会有变化。

下次再打开那个搜索框，你先输入了一个肯定搜不到的词。到这时，“要考虑边界情况”才不只是一句你赞同的话。