Jon Friskics，Pluralsight 首席技术作者 – 采访系列

Jon Friskics，Pluralsight 首席技术作者，是一位经验丰富的教育工作者和内容领导者，专门从事软件开发和人工智能学习体验。目前，他创建了专家主导的视频课程和实践实验室，涵盖诸如 Claude、Node.js、TypeScript、Tailwind CSS 和 Python 等技术，建立在公司内长期的高级作者、学习架构和培训与课程战略领导经验之上。在此之前，他在塑造可扩展的多模式学习系统和指导成千上万的技术内容创作者以基于证据的教学设计实践方面发挥了关键作用，而早期在他的职业生涯中，他曾在 Code School 领导内容战略，并在中佛罗里达大学教授了广泛的技术学科，建立了教育和实际开发领域的坚实基础。

Pluralsight 是一家领先的技术技能开发平台，提供在线课程、实践实验室和技能评估，以帮助个人和组织在软件开发、人工智能、云计算和网络安全等领域建立专业知识。成立于 2004 年，该公司已经发展成为一个全面的学习生态系统，用于企业和专业人士，结合专家内容和见解以弥补技能差距并加速技术驱动型经济中的劳动力发展。

您的职业生涯跨越了交互式课程设计、大规模技术学习系统和高级人工智能工具教育。这种背景如何塑造了您对为什么在人工智能辅助编码时代仍然需要强大的工程判断力的看法?

我的经验表明，强大的工程判断力不仅仅是编写代码的问题，而是关于理解系统和长期后果。人工智能可以自动执行任务并创建一个框架，从而得出解决方案，但它并不总是理解决策对用户或系统的影响。人类的判断力确保人工智能以安全的方式使用，以增强生产力，工程判断力比以往任何时候都更加宝贵，指导团队有效地利用人工智能，同时保持质量和可靠性。

Pluralsight 长期以来一直专注于弥补技术技能差距。您如何看待这一使命在人工智能协作技能必须与传统软件开发基础知识并列的情况下的演变?

Pluralsight 的使命是为学习者提供他们需要的基础技术技能。随着人工智能成为开发任务中的协作伙伴，这些基础知识仍然至关重要，但团队也需要了解如何负责任地使用人工智能并验证其输出。尽管人工智能可以生成代码，但它并不取代编码技能的需要，并且可以通过在现有专业知识上添加工作流理解和系统思维来增强它们。Pluralsight 通过包括按需课程、实践实验室和人类专家主导的工作坊在内的学习解决方案，帮助学习者在现有基础技能上继续学习，并通过与技术创新同步的学习解决方案保持战略思维。

您认为，如果开发人员过度依赖人工智能生成的代码，哪些特定的架构、部署和风险管理技能最容易受到损害?

开发人员过度依赖人工智能代码生成并在不花时间了解生成内容的情况下接受其输出，可能会随着时间的推移削弱他们的战略技能，如架构思维和风险评估。理解组件如何交互并为可靠性而设计的能力是通过在许多不同情况下的经验而获得的。这意味着过度依赖人工智能不仅可能导致隐藏的漏洞和系统不稳定，还可能削弱开发人员长期解决问题的能力，使这些问题在为时已晚之前一直未被发现或未得到解决。

随着自主编码工具的普及，您看到自主编码工具所承诺的内容和工程师实际准备验证或监督的内容之间的最大差距在哪里?

在与人工智能辅助开发工具和自主编码系统合作时，持续学习对于工程师至关重要。自主编码工具承诺在生成功能代码方面具有速度和准确性，但它们缺乏对系统交互、安全性和业务影响的理解，这意味着您必须提供缺失的上下文。差距在于假设人工智能输出是完整或正确的，而没有人类的监督。当验证步骤被跳过或匆忙完成时，团队冒着引入昂贵的错误、安全漏洞或架构不一致的风险。这强调了工程师需要不断更新他们的技能，以便他们能够有效地管理和验证人工智能生成的工作。

公司应该如何重新思考他们的提升技能策略，以确保开发人员知道何时信任人工智能建议，何时应该减慢速度并进行更深入的审查?

提升技能应该强调知道人工智能输出何时可靠，何时需要更深入的审查，包括场景测试和提示验证。这种方法强调了判断力和编码技能，确保工程师可以选择性地信任人工智能，而不是过度依赖生成的代码。提供结构化、实践学习体验的学习和发展计划允许开发人员在沙盒环境中尝试人工智能辅助工作流，以了解生成的代码在完整应用程序中的行为，并在安全的环境中锻炼判断力。通过依靠专家主导的教学和实践练习，工程师可以更好地加强评估人工智能生成输出所需的批判性思维技能。

在快速发展的产品环境中，工程领导者如何防止人工智能生成的捷径引入长期的技术债务或安全漏洞?

领导者必须执行治理框架和人工智能生成代码的风险评估。建立强大的边界和审计输出可以帮助防止长期的技术债务和安全漏洞。我还建议开发人员教育，重点是安全的编码实践和架构意识，以确保他们的工程师了解人工智能生成的建议背后的权衡。定期的实践审查练习和基于场景的培训可以帮助降低捷径积累成隐藏系统风险的可能性。

您推荐组织采用哪些实用框架或防护措施，以保持人工智能编码成为协作而不是责任?

最有效的工具是新的审查协议、版本控制跟踪和沙盒人工智能实验。利用指标、可观察性框架和评估可以帮助团队跟踪输出质量，并强化负责任的协作，以确保人工智能成为生产力的合作伙伴，而不是责任。对于组织来说，探索人工智能辅助工作流以了解这些工具的能力和局限性以满足他们的团队的独特需求也是有价值的。这些实践将帮助团队开发必要的判断力，以有效地将人工智能建议整合到代码中，而不会损害代码质量或系统稳定性。

展望未来，哪些因素将区分在人工智能增强的未来中表现出色的开发人员和可能难以适应的人?

在人工智能增强的未来中表现出色的开发人员将结合强大的基础技能、判断力、适应性和系统思维。他们了解何时信任人工智能，何时介入引导和重定向它，以及输出如何融入更广泛的系统。那些可能难以适应的人可能过度依赖自动化，缺乏边缘情况的经验，或者未能验证结果，从而冒着为其组织带来错误的风险，并错过了加强其专业知识的宝贵学习机会。持续学习和与人工智能辅助工作流的实践实验将帮助开发人员在更短的时间内磨练这些技能，并在人工智能编码工具演变时保持有效性。

感谢这次精彩的采访，希望阅读更多的读者可以访问 Pluralsight。