AI 會寫代碼了，非科班還要補 CS 基礎嗎？

2026-04-20·3 分鐘閲讀職業學習思考

一個我反覆糾結的問題

我是半路出身的全棧工程師，不是科班。這兩年最直觀的變化是：AI 能幫我寫一大半代碼。需求拆好、上下文給夠，它出活的速度比我快得多。

於是一個問題就一直在我腦子裏轉：既然代碼都有人（有 AI）替我寫了，我還有必要回頭去補計算機科班那一套基礎嗎？數據結構、操作系統、網絡、數據庫……這些東西看起來離日常搬磚很遠，補它們是不是純屬浪費時間？

我想了挺久，結論很明確：有必要，但要挑重點。

一句話説清理由：基礎薄的人用 AI，很容易被它牽着走，分不清它什麼時候在認真幹活、什麼時候在一本正經地胡説。

AI 確實會寫代碼，但它不替你做這幾件事：

判斷代碼好壞。同一個需求有十種寫法，能跑只是及格線，哪種更清晰、更好維護、更不容易埋坑，得你來拍板。

定位性能瓶頸。線上慢了一截，AI 給不出現場，它只能猜；真正縮小範圍、找到那個拖後腿的環節，靠的是你對系統運轉方式的直覺。

設計系統邊界。模塊怎麼切、數據往哪放、哪裏該解耦，這是判斷題不是填空題，AI 幫不上太多。

讀懂報錯堆棧。一長串 stack trace 糊到臉上，能一眼看出問題出在哪一層，是省時間的硬功夫。

這幾件事，全都吃基礎。基礎紮實的人，是把 AI 當一個幹活很快但需要盯着的助手；基礎薄的人，則容易把 AI 的輸出當聖旨——它對的時候你抄得很爽，它錯的時候你根本看不出來，還會理直氣壯地把 bug 帶上線。AI 寫得越多，這道分水嶺就越明顯。

補基礎不等於從頭重讀一遍大學課程。對我們這種半路出身的人來説，時間有限，得挑回報最高的補。我的優先級是這樣的：

數據結構與算法基礎——數組、哈希、樹、圖，加上基本的複雜度分析。這是回報最快的一塊：讀懂別人的代碼、應付面試、判斷 AI 給的方案是不是合理，都直接靠它。它不讓你去手撕紅黑樹，而是讓你看一段代碼就知道它大概多快、會不會爆。
操作系統 + 網絡——進程與線程、內存是怎麼回事，TCP 和 HTTP 又是怎麼跑的。這部分給你的是排查線上問題的底層直覺。為什麼這個請求卡住了、為什麼內存一直漲、為什麼連接偶爾斷——沒有這層墊底，你只能瞎試。
數據庫原理——索引、事務、執行計劃。只要你做後端，這關就繞不過去。一條慢查詢背後到底發生了什麼，索引為什麼沒走上，事務為什麼互相卡住，搞懂了能省下大量抓瞎的時間。
編譯原理、分佈式——這兩塊按需再補。用不到的時候不必硬啃，真撞上了（比如要搭一套多節點的服務）再回來補對應部分，反而學得進去。

我踩過的最大的坑，就是想正襟危坐地從第一頁啃起，結果啃兩章就放棄了。

更實際的做法是：結合手頭的工作，遇到問題再回頭補對應章節。 我現在主要寫 Vue、做全棧，那就讓真實問題來牽引——調優的時候順手把索引學了，排查頁面卡頓的時候順手把事件循環搞明白。帶着具體問題去看，知識是「長」在你身上的，比憑空背誦牢得多。

材料上，我更推薦這兩類，都比大學教材好上手：

《Designing Data-Intensive Applications》（DDIA）——講數據系統怎麼設計，把數據庫、分佈式那些抽象概念落到了真實工程場景裏。
MIT 的實戰向公開課——比如 6.S081（操作系統）、6.824（分佈式），都是動手做的路子，跟着寫一遍，比看十遍理論都管用。

所以回到開頭那個糾結：AI 都會寫代碼了，還補不補基礎？

補。而且恰恰因為 AI 會寫了，才更得補——AI 替你寫得越多，你越需要看得懂它寫的到底對不對。