当技术博客越来越少,AI文章越来越多:我们会不会把自己“锈掉”?

最近看技术文章时，我有一个越来越明显的感受：

大概从今年 2 月份之后，基础技术的分享文章明显变少，AI 相关的文章明显变多。

不是说基础技术内容彻底消失了，而是那种认真讲原理、讲细节、讲踩坑、讲设计权衡的文章，肉眼可见地少了。取而代之的是各种 AI 应用、AI 工具、AI 提效、AI 改造流程、AI 如何替代某某岗位的内容，密度越来越高。

我认为这是一个值得警惕的信号。

一、为什么基础技术文章变少了？

一个很现实的原因是：读者获取知识的方式变了。

以前我们遇到一个技术问题，往往会：

• 搜索博客
• 翻官方文档
• 看论坛问答
• 收藏作者的系列文章
• 持续追更某些技术专栏

而现在，很多人的第一反应已经变成：

“先问一下大模型。”

这当然可以理解。大模型确实很方便，响应快、交互自然、总结能力强，看起来像一个随叫随到的技术助手。很多原本需要搜索、筛选、比对、消化的信息，现在一句话就能得到一个“还不错”的答案。

于是，读者对传统技术博客的依赖下降了。

与此同时，写作者也会很快感受到变化：

• 精心写一篇底层原理文章，阅读量平平
• 花很多时间做实验、画图、整理案例，传播效果一般
• 反而是“AI 帮我 10 分钟完成 XXX”的文章更容易获得流量

流量变差，反馈变弱，投入产出比下降，作者自然会减少投入。

于是就形成了一个非常微妙的变化：

读者因为 AI 不再持续阅读技术博客，作者因为流量下降不再持续产出高质量技术内容。

二、这可能会形成一个恶性循环

真正值得担忧的，不是“技术文章少了一点”，而是这背后可能出现的链条：

人类原创技术分享减少

尤其是那些带有一手经验、真实环境、复杂问题、失败案例、长期维护视角的内容减少。而且活儿都是AI完成的，也没有啥好分享的。

可公开学习的高质量技术语料减少

很多基础技术知识不是靠“标准答案”构成的，而是靠大量工程实践、设计争论、问题复盘、架构演进积累起来的。

大模型可依赖的优质知识来源变少

大模型并不是凭空生成知识。它之所以“看起来懂很多”，很大程度上是因为它学习过大量人类写下来的内容。

模型输出逐渐更依赖二次加工和同质化内容

如果新产生的信息越来越少，模型接触到的“新鲜、真实、深度、有上下文的知识”就会减少，最终更容易在已有套路上循环、重组、互相投喂。

用户进一步依赖模型，却得到越来越平庸的答案

这才是最危险的地方：大家以为工具越来越强，实际上工具背后的知识源头可能在慢慢枯竭。

这就像在消耗地下水。前期体验很好，取水方便，成本低，甚至让人觉得世界变得更高效了。但如果补给系统出了问题，等大家意识到井快干了，往往已经太晚。

三、AI 不是问题，放弃思考才是问题

这里要强调一点：

我并不是在反对 AI。

AI 是非常有价值的工具。无论是辅助编码、总结文档、快速入门、发现思路，还是作为学习陪练，它都已经展现了巨大的实用性。

问题从来不在于“用不用 AI”，而在于：

我们是不是开始把“获取答案”误认为“掌握知识”，把“快速完成”误认为“真正理解”。

这是两回事。

你让 AI 帮你写了一段代码，和你真的理解了这段代码的边界条件、性能特征、异常场景、维护成本，不是一回事。

你让 AI 总结了一篇论文，和你真的掌握了论文的方法假设、实验设计、适用范围，也不是一回事。

你让 AI 帮你写了一篇技术方案，和你真正具备独立做技术判断、承担结果责任的能力，更不是一回事。

如果我们越来越习惯于：

• 不验证就使用
• 不推演就接受
• 不质疑就复制
• 不复盘就交付

那么被“锈掉”的，不是模型，而是我们自己。

四、最可怕的不是 AI 变强，而是人变弱

很多人讨论 AI 时，最担心的是“岗位被替代”。

但我越来越觉得，更值得担心的，是另一种更慢、更隐蔽的替代：

人的判断力、拆解能力、表达能力、抽象能力、长期积累能力，被慢慢外包掉了。

一个社会真正强大的地方，从来不只是拥有多少工具，而是拥有多少能理解工具、改造工具、修复工具、超越工具的人。

如果下一代工程师越来越少写技术博客、越来越少做系统化总结、越来越少公开分享一手经验，整个技术共同体的“知识再生产能力”就会变弱。

当知识不再被认真地写出来、争论出来、沉淀下来，而只是被快速消费、快速调用、快速拼装时，我们会逐渐失去一件非常关键的东西：

培养专家的土壤。

而专家从来不是“需要的时候招聘一下”就能立刻出现的。

专家需要：

• 长期的问题浸泡
• 反复的真实实践
• 公开的经验交流
• 代际之间的知识传递
• 足够丰富的失败样本和复杂场景

这些东西，一旦断层，是很难迅速补回来的。

五、这有点像“铁锈地带”式的知识衰退

我想到一个并不完全对应、但很有启发性的类比：美国“铁锈地带”的衰落。

一项产业的衰退，不只是工厂没了、岗位没了，更深层的是整套能力网络一起衰退：

• 工人经验流失
• 技术工种断层
• 上下游协同能力消失
• 职业教育体系萎缩
• 年轻人不再进入这个行业
• 社会对这类能力的尊重和想象力一起下降

等到某一天，外界突然意识到“我们需要恢复制造能力”，事情已经不是加点预算、招几个人那么简单了。因为真正消失的，是那个支撑产业持续运转的人才生态和能力生态。

技术知识的生产，其实也有类似的问题。

如果今天我们默认“反正有 AI，基础知识写不写都差不多”，那几年之后，可能就会发现：

• 真正高质量的技术写作越来越稀缺
• 具备系统思考能力的人越来越少
• 公开可验证的一手经验越来越少
• 大模型也越来越难获得优质新增知识
• 整个生态逐渐被“似是而非的正确”填满

那时再想说“我们重新重视基础技术、重新培养专家吧”，难度会比现在大得多。

六、为什么“人类写作”仍然不可替代？

有人可能会说：就算人类作者减少，AI 也可以继续生成内容，互相增强，不一定会变差。

问题在于，知识的真正源头不是“会说”，而是“做过、错过、想过、论证过”。

高质量技术内容的价值，不只是信息本身，而是它背后的这些东西：

• 真实问题来自哪里
• 为什么这么设计，而不是那样设计
• 哪些结论在小规模成立，大规模会失效
• 哪些经验是有前提的，不能照搬
• 作者踩过哪些坑，为什么会踩
• 同一问题在不同场景下为什么答案不同

这些内容不是简单“整理已有资料”就能稳定产出的，它们需要真实的人在真实世界里长期碰撞。

换句话说：

技术写作不是知识搬运，而是工程经验的外化。

而这恰恰是今天最容易被低估的价值。

七、我们应该怎样使用 AI，才不至于把自己“锈掉”？

既然 AI 已经来了，回避没有意义。真正重要的是，我们要建立一种更健康的使用方式。

把 AI 当助手，不要当裁判

AI 可以帮你找线索、搭框架、提思路，但最后做判断的，应该是你自己。

对关键结论保持验证习惯

尤其是代码、安全、架构、性能、法律、财务、医疗等高风险领域，不能因为“AI 说得很像”就直接采用。

风险提示：AI 输出可能存在事实错误、过时方案、伪造引用、遗漏边界条件。

在工程实践中，关键结论要通过官方文档、实验验证和同事评审来确认。

不要跳过“思考的中间过程”

最容易让人退化的，不是 AI 给出答案，而是我们不再进行问题拆解、方案比较和因果推演。

尽量保留自己的表达和总结能力

看完、做完、用完之后，试着自己写一段总结，自己解释一次原理，自己复盘一次得失。

这是在防止认知能力被外包。

继续写作，继续分享

哪怕阅读量没有过去高，写作本身依然有价值。

它不仅帮助别人，更是在训练自己把模糊经验变成清晰知识。

鼓励一手经验的公开沉淀

与其泛泛地写“AI 让效率提升 300%”，不如多写一些真实、可复用、可验证的内容，比如：

• 某个线上问题的定位过程
• 某个组件选型的权衡依据
• 某个性能优化的实验数据
• 某次架构调整失败的复盘
• 某类业务复杂度如何演化

这些内容，也许不那么“爆款”，但它们才是技术共同体真正的营养。

八、真正该警惕的，是知识生态的失血

我们今天正在享受 AI 带来的便利，这没有问题。

但如果整个社会一边大量消费由过去人类积累形成的知识成果，一边又削弱新的高质量知识生产，那么从长期看，我们就是在透支未来。

更准确地说，我们透支的不是“内容”，而是：

• 专家的形成机制
• 社区的讨论密度
• 技术判断的公共基础
• 可被机器学习的人类经验
• 一个社会持续创新的底层能力

如果这些东西持续失血，那么即便工具在短期内越来越聪明，社会整体也未必会因此变得更强。

因为真正强大的，不是“有一个什么都能答的大模型”，而是始终拥有一群愿意钻研、能做判断、会写下来、敢于修正的人。

九、最后：不要只把 AI 当成替代品，也要把它当成提醒

AI 的出现，其实像一面镜子。

它提醒我们，哪些能力只是机械重复，哪些能力才真正属于人。

它也提醒我们，社会中最珍贵的，不是那些看起来能被快速生成的内容，而是那些经过实践、思考、验证和表达之后沉淀下来的经验。

所以，为了延缓甚至避免那个“知识源头萎缩、模型越来越空、人也越来越弱”的未来，我们至少可以从自己开始做一点小事：

• 用 AI，但不依赖 AI 到放弃思考
• 参考答案，但保留审查和验证
• 获取知识，也继续生产知识
• 享受效率，也守住能力
• 借助工具，但不把自己交给工具

否则，最终被锈掉的，可能不是某个行业，不是某个岗位，也不是某个模型。

而是我们自己。