在 AI 编程的今天，学好数据结构等基础还有必要吗？

这两年，一个疑惑越来越常见。

既然 AI 已经能写函数、补代码、改 bug，很多时候还做得比人更快、更像样，那么数据结构、算法、操作系统这些基础，到底还有没有必要学？

这种疑惑并不奇怪。因为 AI 最容易制造出来的一种感觉，就是很多过去必须自己翻过去的坎，现在似乎都可以直接绕过去了。不会写，问它；看不懂，问它；一时想不明白，还是问它。结果来得很快，代码能跑，页面能动，报错也像被处理掉了。于是人很容易继续往前滑：既然答案已经可以这样快速地得到，那么中间那些难而慢的东西，是不是也就没那么重要了？

可问题恰恰在这里。

会得到结果，和会判断结果，从来不是一回事。

基础知识真正重要的地方，从来不只是让你能手写一个链表，或者在面试里默出某种排序。它更深一层的作用，是让你慢慢成长出一种判断：什么是合理的，什么是危险的；什么只是暂时跑通了，什么才是真正站得住；什么看上去优雅，什么其实只是在悄悄积累代价。

以写文为例：你当然可以找一个很会写的人替你写，也可以让系统瞬间生成一篇看上去完整、流畅、甚至颇像那么回事的文章。可如果你自己并不识字，也不知道一篇文章是怎么组织起来的，不知道一句话为什么成立，一段论述为什么空了、虚了、偷换了概念，那么你其实并没有能力判断它到底写得好不好，你交上去得了满分，也不知道为什么。

编程也是一样。AI 可以替你生成很多东西，但数据结构、算法、系统基础这些内容，本质上更像“识字”。它们未必每一次都会直接变成眼前那几十行代码，却决定了你有没有能力看懂一段实现背后的代价，能不能意识到一个方案的问题，到底出在复杂度、状态管理、资源约束，还是抽象本身就错了（当然我不是说学了数据结构就有了这些能力，但这些能力往往是通过基础知识一步一步长出来的）。

而更麻烦的，还不只是“要不要学基础”这件事本身。

更深一层的问题在于，AI 和这个时代几乎所有成功的工具一样，都在把人往同一个方向推：**更低的摩擦，更快的反馈，更少的等待。**只要提问，就立刻有答案；只要描述，就立刻有一版实现；时间一长，人就会越来越不适应那些没有即时回报的学习过程。

可真正重要的基础，偏偏大多不是即时反馈的。

学数据结构，常常是枯燥的；学操作系统、网络、编译原理，也往往很难立刻看到产出。你得反复推，反复想，反复卡住，甚至长时间处在一种“我好像知道了一点，但其实还没真正懂”的状态里。这个过程本来就不轻松。而一旦人习惯了快速得到答案，思考本身的迟缓、痛苦和不确定，就会显得格外沉重。慢慢地，人不是失去了聪明，而是越来越难以忍受“尚未理解”。

这才是更值得警惕的地方。

因为解决复杂问题的能力，从来不是轻易习得的。一个人如果太早习惯了浅层反馈、粗略理解和快速闭环，后面再遇到真正需要耐心、需要推演、需要长期停留的问题，就很容易本能地想跳过去，想尽快拿到一个“差不多”的答案。可很多重要的问题，往往不能靠“差不多”解决。

今天我们常说，不必再死记那么多细节，更重要的是理解原理。这话当然没错，但也很容易被说偏，仿佛只要会讲原理，就不必再进入那些具体而困难的细节了。可很多时候，真正的理解，恰恰就是在研究细节的过程中长出来的。

记住和理解，并不等同。

前者只是知道一个结论，后者则是知道它为什么成立，又会在什么地方失效。所谓：“人教人学不会，事教人能学会”，你不去碰那些痛点，难点，不经历长期思考而无果的煎熬，就很难真正理解那些原理和结论，甚至于很难记住。

所以回到最开始那个问题：在 AI 编程的今天，学好数据结构等基础还有必要吗？

我的回答还是：要学。

不是因为以后所有代码都还得你一行一行手搓，也不是因为旧时代那套学习方式必须原封不动地保留下来，而是因为如果这些基础都不在你脑子里，你面对 AI 时，得到的就只会是一种“看起来很厉害的结果”。你可以调用它，使用它，甚至依赖它，但你很难真正判断它，怀疑它，修正它。

而更重要的是，学这些基础，保住的也不只是一些知识点。

保住的还是一种能力：在没有即时反馈的时候继续想，在细节里继续钻，在暂时想不明白的时候，不急着把问题交出去。说到底，AI 可以代替你干活，但不要让它代替你的思考。

这些年我也一直在反复想这些问题，顺手把一些和 AI 编程有关的思考慢慢整理成了一本开源小书，放在 GitHub 上持续更新。若你也对这些变化感兴趣，或者也正处在这种转变里，也许可以一起看看：AI-programming-book