最近在教学和试听时候，我发现一个挺有意思的现象。

学生使用 AI 学习编程，往往会经历三个阶段。

而且随着 AI 用得越来越熟练，学生对自己能力的认识，也在悄悄发生变化。

第一阶段：AI 真好用，但我知道自己还不会

这个阶段，学生一般是先自己读题、思考、写代码。

好不容易写完了，提交后发现只有 30 分。

检查了半个小时，改了好几遍，还是找不到错误。

实在没办法了，把代码发给 AI：

“帮我看看这段代码哪里有问题。”

AI 很快找出了错误，可能只需要修改一两行。

学生恍然大悟：“原来问题出在这里！”

这个时候，学生虽然觉得 AI 很厉害，帮自己省了不少时间，但心里其实很清楚：

这个错误是 AI 帮我找到的，不是我自己找到的。

下次遇到类似的问题，自己未必能解决。

所以，还得继续学习。

这个阶段其实挺好。

学生有自己的思考过程，也清楚自己到底会什么、不会什么。

AI 只是一个辅助工具。

第二阶段：既然 AI 能告诉我思路，为什么还要自己想？

慢慢地，学生发现，AI 不仅能帮忙找错误，还能直接讲解题目。

于是使用方式发生了变化。

以前是自己想了半天，实在不会才问 AI。

现在是读完题目，感觉有点难，就直接问：

“这道题怎么做？给我讲一下思路。”

AI 给出了算法，分析了复杂度，甚至还提供了伪代码。

学生看完觉得很有道理。

接下来，自己把代码实现出来。

代码写错了？继续问 AI。

运行超时了？继续问 AI。

最后，程序 AC 了。

学生很开心，今天又做出来一道题。

但这个阶段，恰恰是我认为最值得警惕的。

因为从表面上看，这个学生真的很努力。

他没有直接复制 AI 的代码，而是自己一行一行敲出来的。

他确实在调试程序，也确实学到了一些知识。

甚至花在这道题上的时间，比其他同学还长。

但仔细想一想：

一道算法题，最关键的部分是什么？

往往不是最后那几十行代码，而是从题目条件中发现性质，找到突破口，再一步步推导出算法。

比如，为什么想到用二分？

为什么这个问题可以转化为贪心？

题目中的哪个条件，让我们能够把原本复杂的问题简化？

这些才是算法竞赛中真正需要训练的思维能力。

而这个最需要锻炼的思考过程，已经被悄悄外包给了 AI。

更麻烦的是，学生自己可能根本没有意识到。

他觉得自己理解了算法，自己写出了代码，最后还 AC 了。

自然也就认为，这道题自己会做了。

与第一阶段不同，他已经不再对自己的能力保持那么强的警惕。

他确实在学习，但也确实跳过了学习中最重要的一部分。

第三阶段：AI 的思路，就是我的思路

到了这个阶段，AI 已经成了学生学习时离不开的东西。

甚至上课的时候，老师刚把题目发下来，还没开始引导分析，有的学生就已经打开 AI 了。

老师问：“这道题有什么思路？”

学生回答得头头是道。

老师再问：“为什么要用这个算法？”

他还能把 AI 的解释复述一遍。

甚至在他的认知里，这个思路就是自己的。

“AI 给我讲了，我也看懂了，怎么就不算我会呢？”

“代码也是我自己写的，怎么就不是我做出来的？”

这个阶段最明显的变化，是学生开始把‘看懂别人的思路’，当成‘自己能够想到这个思路’。

甚至逐渐把 AI 的解题能力，误认为是自己的解题能力。

但这个阶段反而比较容易被发现。

老师只要再追问几句：

“你是怎么从题目条件想到这个方法的？”

“如果这个条件去掉，算法还能成立吗？”

“你先别看代码，自己重新推导一遍。”

有些学生很快就答不上来了。

因为他只是记住了一个现成的解法，并没有真正经历寻找解法的过程。

最难发现的，其实是第二阶段

第一阶段，学生知道自己不会。

第三阶段，老师认真追问，往往能发现问题。

反而是第二阶段，学生看起来最正常，也最努力。

认真读题，认真敲代码，认真调试，最后还能 AC。

如果老师只看最终提交结果，很容易认为这个孩子学得不错。

所以我现在越来越在意一个细节：

学生从读完题目，到真正开始写代码，中间经历了什么？

比如，在允许使用 AI 的模拟训练中，可以专门观察学生的解题过程。

拿到一道陌生的、有一定思维难度的题目后：

有没有停下来分析数据范围？

有没有尝试暴力做法？

有没有根据题目条件寻找规律？

有没有经历过猜测、推翻、重新思考的过程？

还是题目刚读完，几乎没有任何思考间隔，就开始敲一套完整的算法？

当然，动笔快并不能直接说明学生依赖 AI。有的孩子基础好，有的题目确实简单，也有学生习惯先写代码验证想法。

但如果面对一系列陌生题目，学生总是很快开始实现成熟解法，却讲不清这些思路是怎么推导出来的，那就值得老师关注了。

因为从读题到动笔之间的那段时间，恰恰可能是算法训练中最有价值的部分。

而这一段思考过程，如果仅仅通过最后的代码和提交成绩，是很难看出来的。

老师越来越重要的工作，是盯住孩子的思考过程

这也是为什么我越来越觉得，算法教学不能只看孩子最后写出了什么。

更重要的是看他怎么想出来的。

学生卡住的时候，不一定马上告诉他思路。

可以先问：“你觉得这道题最难解决的地方在哪里？”

学生提出一个算法，也不急着评价对错。

继续问：“你为什么认为这样做是对的？”

学生觉得自己懂了，那就改变一个条件，让他重新分析。

学生说自己会了，也可以让他先不看任何提示，独立完成一道类似的题目。

有时候，这种不断提问、追问的过程，比老师直接讲十分钟更有价值。

因为老师给出一个思路很容易，但让孩子自己想出一个思路，才是真正的训练。

当然，这对课堂教学也提出了更高的要求。

当一个老师同时面对很多学生时，很难时刻关注每个人的思考过程。

有的学生真的在独立分析，有的学生在理解 AI 给出的解法，还有的学生可能只是在机械地敲代码。

表面上大家都很认真，最终也都提交了程序。

但每个人真正锻炼到的能力，可能完全不同。

如果老师能持续关注一个学生，就更容易发现他究竟在哪一步停止了思考。

也更有机会通过不断追问，把那些被跳过的思考过程重新补回来。

有时候，老师少讲一点，让孩子多想一点，反而学得更扎实。

最后，想说几句

我并不反对学生使用 AI。

相反，我觉得 AI 是非常优秀的学习工具。

它可以帮助学生理解算法、分析代码错误，甚至可以比老师更耐心地解释一个知识点。

但学习算法竞赛，最需要训练的，恰恰是面对陌生问题时，独立分析、尝试和解决问题的能力。

看懂一道题的解法，和独立想出一道题的解法，是两种不同的能力。

AI 可以帮学生节省很多查错、查资料的时间。

但如果连思考的过程也一起省掉了，那么省下来的，可能恰恰是最需要训练的部分。

所以，现在我越来越觉得，老师最重要的工作，不只是把一道题讲明白，而是能发现孩子究竟在哪一步停止了思考，再通过不断地提问、追问，让孩子自己把后面的路走出来。

以前，教育的信息差主要在于老师会、学生不会；现在，AI 几乎什么都会，真正稀缺的，反而是有人能判断孩子究竟会不会。