备选 1：别学调 Prompt 了：AI 把你从码农升成了审核官，而审核官得比谁都懂 备选 2：数据结构没用了？正相反，它是你这辈子唯一能验 AI 的那台传感器
一个 CS 大二的学生私信我：数据结构课我想退了，反正 AI 都能写，把时间拿去学调 Agent 不香吗？
我说，你这句话里压了一个赌注，赌输了就是毕业即被替代。
先说清楚这篇不讲什么。“AI 把瓶颈从写代码搬到了判断代码”——这个结论你已经听腻了，我也写过，今天不复读它；“就业市场为什么不再筛你”那套行情，我也写过，这篇同样不重复。我要回答的是被几乎所有人跳过的下一题：那作为一个还在读书、刚入行的人，我到底该把时间花在哪？
我的答案就一句：你啃数据结构、操作系统、编译原理，从来不是为了让你亲手写它们，是为了让你有资格不写它们。古典基础买的不是手写能力，是”判断 AI 在不在胡说”的信用额度。
你省下的不是学习时间，是”看得出哪里不对”的资格
AI 确实能给那个大二学生写出一棵红黑树。问题在后面：它有不低的概率给你一个在测试里跑得过、却在高并发下悄悄炸掉的版本。代码看着对，编译也过，跑小数据也对。等它在生产里炸的那天，你连它错在哪都指不出来。
退掉那门课，他省下的不是几十个小时。他省下的，是将来站在一段 AI 代码面前、有底气说出”这里不对”的资格。
AI 帮你跳过的不是练习，是你以后判断对错的底气。
AI 把你从码农升成审核官，审核官得比执行者懂得更多
角色变了。过去值钱的是”写得出”，现在写得出这件事，AI 几乎白送。真正稀缺的位置，从敲键盘的人，挪到了拍板”这段能不能上线”的人。
很多新人在这儿误读：既然 AI 把活干了，那我懂得少一点也没关系，会指挥它就行。正好反了。一个审核官要是比手下的执行者懂得还少，他签的每一个字都是在赌运气。
AI 吃掉的是执行，腾出来的是审核；而审核比执行稀缺，对人懂得多少的要求更高，不是更低。
越是听说”幻觉率快归零了”，越该把基础练扎实
反方最硬的一条在这里：头部模型的代码幻觉率这两年确实在快速收敛，有评测显示已经压得很低。照这条曲线走下去，再过两年验证也自动化了，基础不就白练了？
先认下这条曲线是真的。但它只盖住了一类错。多项评测发现，AI 生成的代码里仍有相当比例藏着安全漏洞；它推荐你安装的第三方库，有不小一部分压根不存在（这种”无中生有的依赖”已经成了软件供应链投毒的新入口）；大量的引用错误，是它凭空捏造出来、看着却很像真的 API 签名。
这些不是会随模型变强自己消失的曲线，它们的根扎在一个抹不掉的结构事实上：模型的训练数据，永远滞后于 API 的演进。你用的库今天升级了，模型得等下一次训练才知道，中间这段空窗，它只能猜。猜得越自信，越像真的，越坑。
代码幻觉率会降，但训练数据滞后于 API 这件事不会消失。
古典基础不是手艺博物馆，是验证传感器
你练手写红黑树、手搓一个调度器，不是为了上班天天手写它们，没人这么干。你练它，是像飞行员在模拟器里反复练手动降落：平时全程自动驾驶，但自动驾驶失效那一刻，能接管的只有手上有过肌肉记忆的人。
手写是给你身上那个”传感器”校准的方式，不是终点。校准过的人，AI 丢来一段并发代码，他扫一眼就觉得味道不对；没校准过的人，只能看它跑没跑起来。
所以问题从来不是”基础有没有用”，是你拿它当什么。你不能让 AI 替你判断 AI，能验它的那台仪器，只能长在你自己身上。
那到底该把时间花哪：一张能照抄的取舍尺
原则一句话：判断力地基优先，AI 全程当放大器。不是”先关图书馆刷两年 CLRS 再碰 AI”，也不是”先把 prompt 调明白基础以后再说”，是用 AI 加速学基础，用基础守住 AI 的下限。
Phase 0 · 地基（头半年，不可外包，必须关掉 AI 亲手过一遍）
- 一门语言写到能独立 debug：看得懂报错栈、会用调试器，不是停在 hello world。
- 数据结构和算法，练的是判断力内核，不是刷题数量：刷到对复杂度有直觉，知道 O(n²) 到多大规模会炸，知道 AI 给的方案在哪偷了工。
- 操作系统的核心心智模型：进程线程并发、内存、文件和 IO。这几块是 AI 最爱编的地方。
- 网络和数据库的地基：HTTP/TCP 怎么走、SQL、索引、事务。
- 全程让 AI 当陪练，讲解、出题、review 你的手写实现都行。但过关只有一条规则：每个概念，你能关掉 AI 自己讲一遍、自己 debug 一遍，才算过。
Phase 1 · 放大器（和 Phase 0 并行，第一天就开始）
- 用 Agent、用 harness（把多个 AI 编成一条流水线，而不是在聊天框里一问一答）做一个真能上线的东西。
- 一条铁律：可以让 AI 写，但你提交的每一行都得能解释、能验证。看不懂的，不许 commit。
Phase 2 · 护城河（半年以后持续加，AI 拉不平的地方）
- 系统设计和架构权衡：什么时候该牺牲一致性换可用性这类判断。
- 领域知识和产品判断。
- 跨家交叉验证的习惯：同一个问题问两三个模型，让它们互相拆台。
最后给你一把尺，按”AI 最爱在哪撒谎”重排你的课表，而不是按学分：
- 高 · 传感器（必须亲手练）：复杂度直觉、并发和内存模型、debug、类型与内存安全、数据库索引和事务。AI 最常在这儿给”能跑但错”的代码。
- 中 · 懂原理就行（不必写到产线级）：编译原理、网络协议细节、分布式一致性。你要懂的是”为什么那段 AI 代码会有未定义行为”，不是手搓一个出来。
- 低 · 博物馆（理解即可，用时再查）：手写编译器、手写操作系统、汇编层优化。除非你专做这方向，它是校准用的训练，不是日常。
这把尺只有一条判据：AI 越爱在哪撒谎，你越得在那儿亲手练过。
审核官，还是传声筒？
新人最贵的一个幻觉，是”反正 AI 能写，我就不用学”。这句话听着省事，实际是把自己焊死在整条链上最容易被替换的那一格：执行层，传声筒。你把需求翻译给 AI，再把 AI 的输出贴出去，中间不加任何判断。这一格的活，恰恰是 AI 自己最擅长吃掉的。
AI 把底层执行吃得越干净，“能判断、敢拍板”就越值钱。地基打得越深，你能放心交给 AI 的就越多；地基是空的，AI 给你的每一行，都是 10 倍速的技术债。
那个想退课的大二学生，三年后会变成两种人里的一种：一种站在 AI 产出前面能说”这里不对”，另一种只会说”AI 是这么写的”。
审核官和传声筒的差别，从来不在谁更会用 AI，而在谁更敢说一句”这里不对”。
