# HN吵翻了：AI会不会废掉下一代程序员 这一周海外技术圈的最大规模争吵，不是新模型发布，而是一个老问题的数据化：**AI 依赖到底会不会让程序员这个职业“断代”**。一篇 508 分、近 500 条评论的 HN 热帖把这个话题顶上了风口，同页还压着一条更扎心的安全警报：你本地跑的开源大模型，理论上可以借推理引擎的漏洞反杀宿主机。再加上“Windows 画图连本地文件都埋隐形水印”的逆向爆料——这三场讨论，国内几乎没人系统讲过。今天一次拆完。 --- ## 话题一：508分热帖——“编程专业能力正在崩塌” **事件**：工程师 Lars Faye 发布文章《AI Coding will Prevent Expertise》（AI 编程将阻止专业能力的形成），自己提交到 Hacker News，冲上首页，截至本文抓取时 **508 分、496 条评论**。作者是 25 年老兵，不是空喊口号，全文引了四份研究。 ### 核心论点：“专家级新手”悖论 文章最狠的一个概念叫 **Expert Novice（专家级新手）**：行业一边喊“不用 AI 你会被淘汰”，一边说“想用好 AI，你需要架构能力、好品味、严格 Review”——而这些能力恰恰来自多年写代码积累的“摩擦”。工具要求专家级技能才能驾驭，工具本身却切断了成为专家的路径。死循环。 ### 数据支撑（均转引自原文，注明出处） - **UPenn 2025 大规模研究**：1000 名学生用 LLM 学数学，无护栏组比纯教科书组**成绩差 17%**——但自认为学得更好。而把 AI 改造成“只提示、不许直接给答案”的 Tutor 模式后，练习阶段成绩反而**高出 127%**。 - **论文《The Widening Gap》**（ACM 收录，原文最初误标注为 JetBrains 研究，作者已在 HN 承认并更正——这个细节本身就很 AI 时代）：重度依赖 AI 的新手“跳过了关键规划阶段，以能力幻觉而非真正理解收场”；而表现最好的新手，恰恰是**大幅限制甚至无视 AI 补全**的那批人，他们练出了“负面专长”——识别并忽略 AI 的坏建议。 - **Anthropic 2026 年自己的研究**《How AI assistance impacts the formation of coding skills》原话：“认知努力——甚至是痛苦地卡住——对形成精通很可能很重要。”连卖铲子的都承认了。 ### 评论区三方混战（这才是精华） **支持派（一线惨状实录）**：用户 ryandvm 说公司高层规定“手动写代码就是错的”，结果 PM 用 AI 把领导的 AI 宣言转成 1500 词的 Jira 工单，“10% 是需求，90% 是模板废话”，工程师最难的活变成了**从四面八方的 AI 生成物里筛出真相**。用户 ltbarcly3 更极端：初级工程师已经是“负价值”——过去琢磨三天交一个小 PR，现在 3 小时吐 5 万行没人看得懂的代码，公司将停止招初级，资深工程师越来越贵，**人才管道自我强化地枯竭**。 **反对派（历史类比大军）**：“打孔卡专长因终端而崩塌”“手工排版因照排机而崩塌”“计算器毁掉了算术”——用户 jstummbillig 列了从柏《斐德罗篇》批判文字、到 GPS、到智能手机的完整清单，意思是你又来了。用户 iepathos 引用计算器研究：带着计算器学数学的孩子，拿走计算器后反而更好。 **中立派（最有实操价值）**：用户 apatheticonion 提出 **Guided Coding（引导式编码）**——用 DeepSeek flash 这类便宜飞快的小模型，人继续手写、AI 秒级补细节，每一步都过目。他在 Canva 的 AI 编程面试轮用这套路数零缺陷提前完成，却被面试官评价“委派给 AI 得不够”——注意，**海外大厂面试已经在考“你怎么用 AI”了**。而楼主 Lars Faye 本人的日常配置更是让国内读者会心一笑：**Zed + OpenCode + GLM/Kimi/Mimo 系小模型**，自称“几个月没碰 frontier 模型”，把它们当“委派层”。 还有两条真实的时代切片：用户 roblh 坚持两年不用 LLM 写代码，理由是“学会用 AI 只要几周，把腌坏的脑子解腌要贵得多”；用户 vermilingua 则因为拒绝用 LLM 被悉尼某公司裁掉——**产出质量无争议，仅仅因为不用**。当然也别忘了，评论区有人指出楼主自己卖编程课（利益冲突），兼听则明。 ```mermaid flowchart TD A["资深工程师: 20年写码摩擦
换来的判断力/好品味"] -->|"能驾驭"| B["Agent 编排·审查·验收"] C["新手: 本该靠亲手踩坑成长"] -->|"摩擦被AI代写截断"| D["Expert Novice
专家级新手"] D -->|"自信满满但缺理解"| E["能力幻觉"] E -->|"线上事故"| F["无法独立定位根因
只能继续问AI"] B --> G["短期: 产出暴涨
管理层看到的是胜利"] F --> H["长期: 三五年后
没人接得住这坨代码"] style D fill:#f9d71c style H fill:#ff6b6b ``` **对中国读者的启示**：国内“培训班转码 + AI 提效”的路径正在和这个悖论正面相撞。如果你是新手，这篇帖子价值千万的一句话是 Anthropic 那句“痛苦地卡住是好事”；如果你是管理者，请先想清楚谁来接住 AI 产出的代码，再考核产出速度。 --- ## 话题二：88分警报——你的本地大模型可能“反杀”宿主机 第二篇是安全研究员 Boyd Kane 的长文《LLMs could control their host machines by exploiting inference engines》（LLM 可利用推理引擎漏洞控制宿主机），HN 88 分、49 条评论。先说清楚：这和之前的 LiteLLM 供应链投毒不是一回事——**那次是往依赖里下毒，这次是模型输出本身当武器**。 **攻击链**：LLM 的“思考”发生在装着模型权重的 GPU 机器上，由 vLLM、SGLang 这类推理引擎负责把 token 解析成回复。解析层极其复杂（vLLM 宣称支持 200 多种模型架构），于是： - 作者援引 **CVE-2025-9141**：vLLM 处理 **Qwen3 Coder** 工具调用的 XML 解析器，把几乎所有 tool-call 参数直接喂给 `eval()`——意味着模型输出可以变成宿主机上的任意代码执行。更魔幻的是，Gemini 自动审查该 PR 时已标记为严重漏洞，**首席维护者仍然强推合并**，理由是"I'm force merging this to unblock model usage"（先强推合并，别挡着模型跑起来）。 - 一个无害的例子：用户讨论 MiniMax-M3 时模型吐出字符串 ``，vLLM 把它误解析成思考块开头——说明解析层连“数据 vs 指令”的边界都常常守不住。 ```mermaid flowchart LR M["恶意/被投毒的模型权重"] -->|"输出特制 token 序列"| P["推理引擎解析层
vLLM / SGLang"] P -->|"tool参数直接 eval()"| X["推理宿主机 RCE"] X --> W["拖走模型权重"] X --> N["数据中心内网横向移动"] P -->|"正常路径"| U["普通文本返回用户"] X -.->|"利用序列写进文件名/URL"| I["下一个Agent读到即触发
持久化提示注入"] style X fill:#ff6b6b ``` **HN 评论区的高质量部分**：一位部署者晒出了自己的偏执配置——vLLM 单独跑在沙箱 VM + 防火墙隔离 VLAN，无 DNS、无域控，模型更新走外部缓存单向推入。也有人泼冷水：“LLMs could”开头 = 标题党，本质就是当年“恶意 PDF 干掉 Acrobat”的翻版，**别乱下载运行来路不明的模型权重**就够了。争论最凶的是防线该修在哪：一派说“harness 层安全是伪命题，VM/容器才是正解，做不好 root 级隔离说明你沙箱没做对”；另一派回敬“沙箱只是减速带，Pwn2Own 观众 sport 都看腻了”。 **对中国读者的启示（这条最实用）**：国内自部署开源模型的团队大量在用 vLLM 跑 Qwen、DeepSeek 系模型——而这个 CVE 恰恰出在 Qwen3 Coder 的解析路径里。三个动作：**检查 vLLM 版本是否已修复该 CVE、推理端口绝不暴露公网、把 GPU 主机的输出当不可信输入对待**。作者给的建筑级方案是“token 解析器与 GPU 主机分机部署”，个人玩家至少做到 VM + 防火墙。 --- ## 话题三：550分爆料——Windows画图连“本地生成”都埋水印 据 xusheng.dev 的逆向分析文章，**MS Paint 和照片应用会在输出文件里嵌入隐形 GUID 水印——连纯本地生成的内容也不放过**。此帖 HN 550 分、218 条评论，热度压过本周大部分 AI 话题。原文技术细节我们没有完整抓取，但标题结论已足够震撼：过去大家默认“本地处理 = 无痕”，这条路正在被堵上。对做内容出海、二创、隐私敏感业务的读者，这是一个需要重新评估的前提假设。 **顺带三条快讯**（均来自本周 HN 首页实测）：① 243 分热帖《Good Culture Is the Biggest Productivity Hack, Not AI》——工程管理圈开始反弹“AI 万能论”；② OpenAI 官方文档显示 **GPT 5.6 Sol 降价至少延续到 11 月 21 日**，289 分讨论；③ 今天上午，腾讯某项目预览页（标题仅写作 Hy4 preview，挂在 tencent.com 域名下）一度冲上 HN 首页第一（180 分、113 条评论），截至发稿国内还没有像样的中文报道——“中国项目在海外先火”的时间差，本身就是信息差。 --- ## 信息差总结 | 你以为的 | 海外圈子正在讨论的 | |---|---| | AI 编程 = 无脑提效，越用越快 | 508 分热帖论证“新手能力管道正在断供”，Anthropic 自己都承认“痛苦地卡住”对成长很重要 | | 好模型 = frontier 订阅 | 该文作者日常用 Zed + OpenCode + GLM/Kimi/Mimo 小模型做 guided coding，自称数月未碰旗舰模型 | | 自部署开源模型 = 安全会 | vLLM 出过 eval() 级 RCE（CVE-2025-9141），就在 Qwen3 Coder 解析路径里，且曾被维护者强推合并 | | 本地生成 = 无痕 | MS Paint/照片应用连本地输出都嵌 GUID 隐形水印（550 分逆向爆料） | | 海外面试还是考算法 | Canva 等公司已设“AI 协作轮”，考的是你如何委派与质检 | ## 行动指南 1. **今天就能做**：读 Lars Faye 原文，把他的 6 问清单（“没有 AI 我还能完成这件事吗？我能解释每一段生成代码吗？”）贴进你的 CLAUDE.md 或团队规范。 2. **自部署团队**：本周内核对 vLLM 版本与 CVE-2025-9141 修复状态；推理服务加防火墙隔离；有条件的按“解析与推理分机”思路加固。 3. **个人练级**：试一周 guided coding——Zed/VSCode + 一个快模型（DeepSeek/GLM/Kimi 均可），AI 只补细节、你保持手感，对比纯 vibe 模式的返工率。 4. **管理者**：参考 HN 评论区提议，给 PR 设行数阶梯评审线（超 500-1000 行需额外评审人），把“质检 AI 产出”变成制度而非自觉。 5. **求职者**：准备一个“我如何用 AI 且保住质量”的完整叙事，海外面试已经在考这题。 ## 参考来源 1. Lars Faye《AI Coding will Prevent Expertise》：https://larsfaye.com/articles/ai-coding-will-prevent-expertise 2. HN 讨论串（496 条评论）：https://news.ycombinator.com/item?id=49421554 3. Boyd Kane《LLMs could control their host machines by exploiting inference engines》：https://boydkane.com/essays/llms-could-control-their-host-machines-by-exploiting-inference-engines 4. HN 对应讨论串：https://news.ycombinator.com/item?id=49424387 5. MS Paint 隐形水印逆向分析：https://xusheng.dev/posts/reversing/mspaint_invisible_watermark/main/ --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。