夜雨聆风最近看到一条关于美国大学生和 AI 工具的讨论。
这个判断有冲击力，也抓住了一个真实变化： AI 协作能力正在进入招聘标准。
但我不完全同意它的推论。
因为这条推文提到的硅谷、 CS 课程、 Cursor 、就业市场，其实混在一起指向了两类问题：一个人现在会不会用某个 AI 编程工具；一个人有没有足够扎实的计算机基础，能在工具变化之后迅速迁移。
这两个问题不能直接画等号。
大学教育本来就不是工具培训班
推文提到的场景最容易让人点头：大学课堂和就业市场之间确实有差距。
课堂还在手写代码，公司已经在用 AI 提效。课堂强调不要依赖工具，公司希望你能把工具变成生产力。这种错位确实存在。
可问题是，好大学的 CS 教育，本来就不只是为了训练一个人熟练使用当下最流行的工具。
它训练的是一套更慢的能力：抽象能力、算法意识、系统理解、复杂度判断、工程边界、错误定位、性能直觉、并发和网络的基本常识。
这些东西短期看不如工具熟练度显眼。
一个会熟练调用 AI 、会快速拼业务代码的人，可能在入职前 30 天看起来产出更高。另一个人如果还停留在手写代码、手动调试、从原理层面理解问题，效率会显得笨重。
但这并不等于后者落后。
更准确地说，他们在接受两种不同目标的训练。一种训练面向眼前的产出，一种训练面向长期的迁移。
普通专科生和顶校硕士的类比，刚好能说明这个问题
一个专科学校编程专业毕业的学生，可能比顶级学校的硕士更会写业务代码。这不奇怪。因为前者的训练目标通常更直接：学会编程，能写项目，能进入岗位，能把需求变成代码。
顶级学校的硕士不一定在一开始就写得更快。
有些人长期在做理论、系统、算法、研究型项目，甚至对常见业务框架并不熟。让他马上进一个前后端分离项目，接需求、调接口、写 CRUD ，他可能真的没有职业学校毕业生顺手。让他在 20 分钟内搭一个页面，也未必比熟练业务开发的人快。
但差距往往不是静态的。
如果这个硕士的基础足够好，他补业务开发、补工程工具、补团队流程，速度可能很快。因为他不是在从零学编程，而是在把已有的计算机基础映射到新的工作场景里。
AI 工具也是一样。
今天不会用 Cursor ，不等于明天学不会 Cursor 。没把 Claude Code 、 Copilot 、 ChatGPT 接进开发流程，也不等于这个人没有软件工程能力。
真正要看的，是他有没有能力理解工具背后的能力边界。
AI 生成一段代码，他能不能判断复杂度是否合理？能不能看出潜在竞态？能不能意识到这个实现会破坏事务边界？能不能发现测试覆盖只是看起来通过？能不能在模型 1 分钟给出答案之后，花 10 分钟验证它有没有错？
如果不能，那么“会用 AI”只是更快地制造不确定性。
如果能，那么 AI 才是杠杆。
真正的分歧，不是用不用 AI ，而是谁在控制谁
讨论 AI 编程工具时，最容易走向两个极端。
一边说，不用 AI 的程序员已经不适合进入公司。另一边说，学生阶段就该远离 AI ，否则基础会废掉。
这两个说法都有道理，也都不完整。
学生阶段拒绝一切 AI ，问题很明显。因为推文提到的就业市场不会等学校慢慢调整课程。企业已经开始用 AI 改变开发流程、文档流程、测试流程、原型流程。一个完全不了解这些工具的人，进入团队之后一定会有适应成本。
但学生阶段把 AI 当成捷径，也同样危险。
如果一个人连循环、递归、状态、内存、网络请求、数据库索引都没有真正理解，只是把需求贴给模型，再把输出复制进项目，那他很可能会产生一种虚假的能力感。今天能用 AI 在 1 小时里拼出 demo ，明天也可能因为一个隐藏状态错误卡住 3 天。
能跑，不等于懂。
能交付一个 demo ，不等于能维护一个系统。
能让 AI 写出 300 行代码，不等于你能为这 300 行代码负责。
这里的关键不是“用不用”，而是控制权在谁手里。
基础差的人用 AI ， AI 会替他做决定。他只能接受答案，最多做一点表面修改。
基础强的人用 AI ，是把 AI 当成候选方案生成器、搜索器、重构助手、测试补全器和思路对照组。他可以让工具加速，但不会把判断权交出去。
这才是能力差距。
“不会用 Cursor 就结束面试”，更像情绪表达
我能理解原文写道“连 Cursor 都没用过，面试可以结束”时的情绪。
在创业公司和 AI 密集型团队里，这句话不算离谱。团队节奏快，工具变化快，公司没有太多时间教候选人从零适应新的工作方式。一个人如果对主流 AI 工具完全陌生，确实会让面试官担心他的学习敏感度。
但把它写成普遍招聘标准，就太粗了。
公司真正关心的不是 Cursor 这个名字。
今天是 Cursor ，明天可能是 Claude Code ，后天可能是某个 IDE 原生能力，再往后可能是一个嵌进 CI 、代码审查和知识库里的工程 Agent 。一个工具热 6 个月，另一个工具接上来，这在 AI 产品里并不稀奇。
工具会换。
招聘要看的，是候选人能不能快速建立一套新的工作流：怎么拆问题，怎么向模型提供上下文，怎么验证输出，怎么把 AI 生成内容纳入代码评审，怎么知道什么时候该停下来自己写。
这比“是否用过某个工具”更稳定。
所以我不会说，一个学生没用过 Cursor 就不值得面试。
我会更在意另一个问题：当你告诉他这个工具已经改变了不少团队的开发方式，他是好奇、试用、比较、形成判断，还是本能地否认？
前者只是工具经验不足。
后者才是风险。
好的教育应该同时保留两件事
大学教授不希望学生用 AI ，有它的合理性。
如果一个初学者刚开始写代码，就把所有作业交给模型，他可能会跳过最痛苦也最必要的阶段：自己犯错、自己调试、自己理解为什么程序没有按预期运行。比如同一个 bug ， AI 可能 30 秒给你 3 个修法，但你不知道哪个修法改坏了别的路径。
很多基础能力，只有在这种笨办法里才会长出来。
但大学如果完全把 AI 挡在课堂外，也会错过另一个训练机会：教学生如何和 AI 协作。
比较理想的路径不是简单禁用，也不是完全放开。
入门阶段，可以要求学生手写核心逻辑，解释每一行代码，独立完成基础训练。到了更高阶的课程，就应该把 AI 纳入学习对象：让学生比较 AI 方案和人工方案，让学生审查模型输出，让学生用 AI 生成测试，再反过来找测试漏洞。比如同一道作业，可以分成 2 轮：第 1 轮手写，第 2 轮允许 AI ，但必须解释模型改动的代价。
这才是更接近现实世界的训练。
因为公司里的问题从来不是“能不能写出一段代码”这么单一。
真实工作里，你要面对旧系统、模糊需求、历史债务、线上事故、跨团队协作、成本约束和安全边界。 AI 能帮你加速很多环节，但它不会替你承担判断责任。
一个只会裸写代码、不愿意接触 AI 的学生，会吃亏。
一个只会提示词、不理解系统的人，也会吃亏。
真正有竞争力的，是第三种人：基础扎实，工具敏感，判断权始终握在自己手里。
这场变化淘汰的不是“不会用工具”的人
我更愿意把这件事看成一次能力结构的重新排序。
AI 会让纯粹的低层重复劳动贬值。会写样板代码、会查 API 、会拼页面、会做简单脚本，这些能力还需要，但不再稀缺。原文提到的 Cursor 只是一个入口，真正变化的是工作流。
稀缺的东西会往上移。
谁能定义问题，谁能拆解系统，谁能判断输出，谁能发现边界，谁能把工具接进团队流程，谁就更有价值。
所以，那条推文提醒学生拥抱 AI ，这个方向是对的。
但它低估了基础教育的长期价值，也高估了工具熟练度本身的壁垒。
不会用 AI ，不值得骄傲。
只会用 AI ，也不值得骄傲。
如果一个学生现在不熟 AI 工具，但基础很扎实、学习速度快、愿意把 AI 当成新的工程环境去理解，他完全可能在很短时间内补上工具差距。
反过来，如果一个人只是在工具红利期里跑得快，却没有能力判断自己跑向哪里，等工具继续变化，他也会重新掉队。
这个世界不会奖励拒绝变化的人。
但它也不会长期奖励只追工具名字的人。
真正留下来的，应该是那些既能理解底层，又能拥抱新工具的人。
如果半年后，一个 CS 学生依然从没试过任何 AI 编程工具，我会担心。
但如果一个学生只是今天还不熟 Cursor ，我不会急着判他出局。
真正该问的是：他有没有能力把一个新工具变成自己的生产力，而不是把自己的判断力交给工具。
