GitHub 与 Andela 经验：让全球开发者真正获得 AI 机会

全球范围内并不缺开发者人才。长期以来真正不平等的，是当新技术重塑行业时，人们获取这些技术、导师支持与能力赋能的机会。非洲、南美和东南亚等地区的开发者具备构建大规模产品的能力，但获得新工具和学习路径的机会，往往仍取决于地理位置和雇主条件。

Andela 是一个全球人才市场，其核心理念是：你住在哪里，不应决定你能获得怎样的机会。过去两年，GitHub 与 Andela 一直合作，在 Andela 覆盖 550 万成员的全球人才网络中扩大结构化 AI 访问。到目前为止，已有 3,000 名 Andela 工程师通过 Andela 的 AI Academy 完成 GitHub Copilot 培训。

从 2024 年开始，Andela 面向非洲和拉丁美洲的部分开发者推出结构化 AI 培训，这些开发者的日常工作直接涉及复杂的生产系统。该项目并未把 AI 当作独立实验，而是将 Copilot 直接嵌入日常开发流程——包括 IDE 环境、pull request 评审和进行中的重构工作——确保在真实生产约束下评估其效果。

为了了解这套方法在实践中的表现，我们采访了 Andela 开发者。下面你将看到他们如何把 AI 引入正在运行的生产系统，并总结出一套可复用的方法——无论你是个人试验，还是在工作中推动 AI 工具落地。

当下全球开发者面临的挑战

在 AI 技能提升与再培训方面，非洲、南美和东南亚等地区的开发者面临一组独特挑战。

许多开发者要应对不稳定的网络连接、有限的高性能算力，以及云工具与数据的高成本——而这些恰恰是学习和实践现代 AI 的基础条件。培训内容往往默认“资源充足”的环境、默认持续在线，也很少针对语言、场景或区域化需求进行本地化。同时，不少开发者从事非正式或合同制工作，几乎没有额外时间和经济缓冲用于再培训。

如果不在可负担访问、本地化学习路径和社区驱动生态上进行有意识投入，AI 的高速发展可能会进一步放大既有不平等，让全球大量有潜力的开发者难以充分参与、塑造并受益于 AI 的未来。

在真实工作中学习 AI

对大多数处于职业中期的开发者来说，脱离生产职责去专门试验 AI 工具并不现实。截止时间不会暂停，系统仍在运行，职业口碑也需要长期积累。因此，学习必须发生在真实工作里。

在很多组织中，AI 工具被大范围发放，团队也被鼓励“先试起来”。但仅有访问权限并不够。如果不明确哪些角色最能受益、目标工作是什么、评审标准如何演进，落地过程就容易停滞或碎片化。

Andela 采取了不同路径：根据职责与 AI 相关性筛选开发者、定义岗位画像，并让培训内容贴合开发者实际负责维护的系统。

这是因为 Andela 团队知道，开发者很少“从零开始”。更多时候，他们是在高密度、高风险系统中工作，错误会带来真实后果。对许多全球开发者而言，获得围绕新工具的结构化实践机会并非理所当然，因此“在真实工作中学习”既必要，也影响深远。

来自喀麦隆、在卢旺达工作的 React 开发者 Stephen N’nouka A’ Issah 一开始就认为，AI 工具在这种复杂度下很难发挥作用。

我原本觉得它可能只对简单任务有帮助，没想到它在高级模式和遗留代码上也能工作。

Stephen N’nouka A’ Issah，React 开发者

这种怀疑并非空穴来风。很多开发者都见过工具在受控环境中表现不错，但一上生产系统就掉链子。

正因如此，Andela 没有把 AI 当作脱离日常工作的独立学科或认证练习。相反，他们通过 AI Academy 将学习直接嵌入生产工作流。

Andela 学习项目经理 Abraham Omomoh 清晰地解释了这一理念。

培训必须映射开发者在工作中真正要做的事，而不是理想化练习。

Abraham Omomoh，Andela 学习项目经理

这样一来，学习就发生在开发者本就要负责维护的系统中。

第一波收益：更快完成系统“定向”

开发者最早感受到的收益之一，并不是产出立刻飙升，而是在陌生系统里更快建立认知。

来自巴西、拥有 25 年以上经验的资深工程师 Daniel Nascimento 描述了处理“没人想碰”的遗留代码时的状态：真正风险不只是速度慢，而是改动带来的意外后果。“我首先会问：这个项目到底做什么？”他说，“架构是什么？弱点在哪里？优势又是什么？”

为了让改动更安全，他现在会在重构前用 AI 工具先生成单元测试，为“哪些可以改而不破坏行为”建立更清晰边界。

遗留代码通常缺少覆盖率。所以我会先用它把覆盖率补起来，然后我才知道自己在操作什么。

Daniel Nascimento，资深工程师

Stephen 在接手陌生系统时也观察到类似模式。按他的经验，AI 不是替代理解，而是压缩“看清意图、架构模式与约束”所需时间，再进入改动阶段。这类工作很大一部分包括：

• 生成测试来理解行为
• 起草重构以理清控制流
• 绘制图示以推演系统边界

即便如此，许多建议仍需要清理，或会引入细微问题，这也再次说明严格评审的重要性。

借助 AI，信心会累积

在生产系统中持续使用 AI 几周后，团队开始看到可量化的渐进改进。

开发者反馈包括：

• 更快完成陌生系统上手
• 对接手边界模糊任务更有信心
• 花在环境搭建上的时间更少，把时间用在决策上更多

Daniel 估算自己获得了显著效率提升，而这很大程度来自工作方式的变化。

“使用 GitHub Copilot 后，我的生产力大约提升了 50%。”他说。

但这不只是速度。它让我有更多时间连接业务、聚焦真正影响。

Daniel Nascimento

他强调，收益的关键主要来自减少重复性开销，而非取代工程判断本身。

对于过去缺少结构化 AI 工具接触机会的开发者来说，这类访问直接转化为职业能力扩展。认证增强了他们的专业可信度，AI fluency 也拓宽了他们可承接的工作范围。

AI 技能鸿沟的本质是“可获得性”，不是“能力”

这项工作强化了一个更广泛的结论：所谓 AI 技能鸿沟，核心在于是否能结构化地获得工具、导师指导与实操赋能。

更快适应的开发者通常具备：

• 访问现代工具的条件
• 安全试错的空间
• 团队对工具使用方式的共识

这些条件存在，学习就会产生复利；这些条件缺失，AI 影响力就会受限。

这对全球开发者也尤为关键：技能提升会直接转化为更好的就业与经济机会。来自肯尼亚的 Andela 工程师 Koffi Kelvin 表示：“GitHub Copilot 像一扇门户，把我的职业轨迹弹射到另一个维度。”

从工作流到安全、测试再到高强度 pipeline，这段经历与其说是职业路径，不如说是一场火箭发射。

Koffi Kelvin，Andela 工程师

在全球南方扩大结构化访问，不是“追赶”问题，而是要确保参与构建 AI 辅助系统的人，能够真实体现全球工程人才的多样性。

人人都应受益于可获得性

当全球每个人都能获得结构化学习机会，受益的是我们所有人。AI 能力提升不是追逐风口，也不是预测未来；而是学习如何在不脱离岗位的前提下，把新工具整合进真实系统。这让开发者无论身处何地，都能承担更复杂工作、更有信心地参与全球团队协作，并持续站在现代实践前沿。

当学习是结构化的——当访问是“有意设计”而非“偶然发生”——这种能力就会产生复利。参与 GitHub 工作的 Andela 工程师 Sammy Kiogara Mati 分享道：“GitHub Copilot 扩展了我对全球技术人才可能性的想象。”

AI 本身不会自动抹平差距。结构化访问才会。

开始你的 AI 学习之旅：
查看 GitHub Learn >

作者

Sr. Director, Diversity, Inclusion and Belonging

Sr. Director, Certifications and Enablement