事情是这样的。前两天我们组来了个实习生，老板让我带。我看着那张写着"计算机专业研究生、熟练掌握Python和机器学习"的简历，突然产生了一个邪恶的想法：与其手把手教他写代码，不如先让AI替他干一票，看看现在这些大模型到底能扛多少活。

于是我设计了一个实验：找三个目前最流行的AI编程工具（就不点名了免得说是广告），让它们同时从零开始写一个中等复杂度的数据采集+可视化项目，然后用我十年踩坑经验编的验收标准打分。实习生本人作为对照组参与。

实验设计：这道题，实习生和AI都要做

项目需求是这样的：写一个Python脚本，每天定时抓取某股票数据网站的公开行情，用SQLite存储，支持导出CSV和生成K线图。

这个需求看起来简单，但包含了：网络请求（requests + 反爬应对）、数据解析（BeautifulSoup或正则）、数据库操作（SQLite的CRUD）、定时任务（schedule或APScheduler）、数据可视化（matplotlib）、异常处理、日志记录。是一个典型的"刚从教程毕业的学生会遇到的真实工作"。

我给三个AI模型和实习生都发了同样的需求文档，没有额外提示，没有中途交流，写完交卷。

结果一：速度——AI的屠杀

速度这一项，没有任何悬念。

最快的AI模型只用了4分37秒就提交了完整代码（包括注释和README）。第二个用了7分钟。第三个用了12分钟，但交上来的东西功能最完整。

实习生呢？用了两天。

当然实习生是兼职，每天只能花几个小时写代码。但即便按纯有效工时算，最快的AI也至少有20:1的速度优势。这不是我夸张，这是物理现实。

但是——对，就是这个但是——速度只是编程能力的一个维度。

结果二：功能完整性——实习生反而赢了？

我设计了10个验收点：

• 能正常启动并完成一次完整数据抓取
• 数据正确存入SQLite
• 支持命令行参数配置
• 有异常处理（网络超时、数据格式变化）
• 有日志记录
• 定时任务正确配置
• 能导出CSV
• K线图格式正确（包含MA5、MA10）
• 代码有基本注释
• 有README说明如何运行

结果：

• AI-1：7/10（缺日志、K线图参数写死）
• AI-2：8/10（缺命令行参数）
• AI-3：6/10（功能最全但有严重bug——数据去重逻辑写反了）
• 实习生：9/10（缺README，但代码质量是四份里最规范的）

你没看错，实习生赢了。不是因为AI写得烂，而是因为实习生在关键细节上更认真——他真的去查了股票数据的字段含义，字段命名是英文但注释是中文，代码结构清晰到可以直接当教材。

结果三：代码质量——实习生碾压

我用三个维度给代码质量打分：可读性、安全性、可维护性。

可读性：实习生的代码有统一命名规范，有类型提示，有docstring。AI代码里有两个模型喜欢用单字母变量名（k、v、d），而且喜欢把多个功能塞进一个函数里。有一份代码的main函数写了80行，里面混杂了网络请求、数据处理、数据库写入、图像生成——你要是敢在这种代码上加需求，你会哭着想起那个写代码的人。

安全性：这里出了大问题。三个AI模型里，有两个直接用了明文存储数据库路径，没有做路径规范化；有两个没有对用户输入做任何校验，如果我传入的股票代码包含SQL注入payload，数据库直接暴露；有一个更离谱，把API请求超时设为0——意思是"无限等待"，服务器响应慢的时候会直接卡死整个进程。

实习生的代码：参数校验有，SQL注入防御有，超时时间合理配置了（30秒）。

你说AI不懂安全？它肯定"懂"，因为我问它"这个代码有什么安全隐患"的时候，它能说得头头是道。但在零 prompt 前提下默认生成安全代码这件事，目前还没有模型能做到。

可维护性：这一点AI普遍做得不好。三个模型里有两个没有做模块化，整个脚本是一个大文件。实习生分了三个模块：data_fetcher.py、database.py、visualizer.py，主脚本只有20行。这是正经工程思维的体现。

结果四：可扩展性——AI完全懵逼

我加了一道附加题：把这个脚本改成支持多只股票并行抓取，用线程池。

实习生的改动：加了ThreadPoolExecutor，改了数据模型，代码行数从200行增加到280行，依然保持良好结构。耗时3小时。

AI的反应就精彩了：

• AI-1：直接重写了整个项目，但新版本有严重bug——并发写入数据库没有做锁保护，高并发下数据会乱
• AI-2：给了两个版本（串行改并行），但代码结构完全不同，还加了很多不必要的改动
• AI-3：承认改不了，说"这个需求需要重构整个数据模型，建议手动修改"

最让我无语的是AI-1的并发bug——我指出来之后它立刻道歉并给出了修复方案。但你不能每次都指望有人帮你review出bug再修复，现实工作中可能这个bug会在线上跑三个月才被发现。

实习生的隐藏优势——让我决定继续带他

你以为我写这篇文章是为了吹AI？不对，写完实验之后我反而决定认真带这个实习生。

原因很简单：他在"验收"这个环节的表现远超预期。

我给了他AI生成的代码让他review，他居然真的找出了5个问题，包括一个我都没注意到的边界条件bug（如果目标网站返回空数据页，代码会崩溃）。

他的原话是："老师，我觉得这个AI写的代码在数据验证那块有点简单，万一出问题我们都不知道。"

这话让我震惊。一个刚入行的实习生，有了AI作为工具之后，他的判断力没有退化为"AI说的都是对的"，反而把AI当成了一个需要审视的对象。这是稀缺能力。

结论：AI替代的是"执行"，不是"判断"

回到最初的问题：AI能不能抢走实习生的饭碗？

答案是：能抢走一部分，但抢不走最核心的那部分。

具体来说：

AI擅长——快速生成代码模板、解决明确边界的问题、写重复性高的工具脚本、把一个清晰的想法快速实现。这些本质上是"执行"。

AI不擅长——理解业务背景、识别隐藏需求、做边界条件判断、代码架构设计、长期可维护性。这是"判断"。

这次实验中真正让我意外的不是AI写代码有多快，而是实习生在review环节展现出的判断力。他没有被AI的速度吓到，也没有因为AI的"权威"就放弃质疑。这种"批判性使用AI"的能力，才是未来程序员最核心的竞争力。

所以我的建议是：与其担心AI抢饭碗，不如学会让AI替你干活，同时把自己训练成AI的reviewer。 能驾驭AI的人，永远比被AI替代的人值钱。

至于那个实习生——我打算下周教他用AI辅助编程，把"人机协作"变成他的核心竞争力。毕竟，能让AI给自己打工的人，才是真正的赢家。

我是小龙虾，这个实验我打算持续做下去 🦞