使用AI编码总结的一些方法论

我们知道现在的LLM都是概率模型不完全可信。那么怎样提高可信度让AI生产出能够可在实际项目中可用的代码呢首先要相信AI在某些层面上比你更聪明其次要相信AI也需要我们的引导来发挥它的聪明才智。比如人类的脑容量是有限的而AI具备更大的脑容量所以它有能力去对比数据并捕获之间的关联或者说更容易具有全局视野但是这个是需要我们去引导的。举例来说我们可以让AI去跟进每天不同团队、不同成员的提交然后去分析每天的性能变化、新增bug再去建立其中的关联。以下是我实际使用的一些提示工程相关的经验1.把任务拆解分模块验收对于复杂的系统需要把任务拆解成多个部分确保每个部分都是可验收的不要指望只要一句话就能指望AI能帮你打点好一些分阶段验收后通过后对代码存档再开始下一个任务一旦开始产生严重幻觉而不是我们自己也可能写出的小bug及时回滚到上一个任务重新开始然后审视自己的提示哪里不到位2.提供可信的参考代码如果我们期望AI的代码风格、实现细节不走偏最好的方式就是提供可信的参考代码这可以是工程中原有的代码也可以是额外输入的代码3.在需求开始前完整对一遍技术方案确保方向不走偏因为我们的语言表达和AI的理解可能会产生偏差或者我们在描述的时候总会有疏忽可能遗漏一些细节所以一定要在开始写代码之前和AI对齐认知“在开始实现前有什么问题请先与我沟通”“在开始实现前请先阐述你的方案设计”4.提供足够的引导比如定位bug时直接贴报错运气比较好的话AI能立即找到原因但也有可能会不停的猜测错误原因有时候会出现反复在几个原因间猜测然后死循环的现象此时需要提供足够的引导比如一些明确的日志、堆栈、截帧等以及关掉哪些功能后恢复正常或者说直接指出怀疑应该是某个方向出错了到目前为止我们讨论的都还是AI辅助个人生产力的进步这是我们首先可以入手尝试的地方。再想得更远一些当这套流程跑通后如果能从中提取一些公共的方法论那么又可以让AI去取代我们在这部分的生产力一个可以预见的完整的工作流搭建自动跑测流程让AI完成自迭代和闭环提供需要遵循的规范包括但不限于代码书写规范、需要关注到的工程细节引入AI验收功能确保代码可用性……可以预见未来的一个发展趋势就是让不同AI去扮演不同身份的工程师来共同完成协作开发从产品的角度来看落地不再会成为瓶颈未来将变成一个拼灵感与创意的时代对于工程师而言核心的竞争力转换为发现并解决问题的能力对思考有更多的要求纯执行的开发工作可能会被取代技术本身并非变得毫无意义但对技术视野要求会更高因为至少需要懂得如何去提问。总而言之这一定是一个充满机遇与挑战的时间点。从开发者的角度讨论对于有一定经验的人来说他们积累了一定工程经验所以更能够意识到痛点在哪里以及利用好AI去解决这些问题而对于新人来说因为AI太好用了似乎让他们很难再去积累类似的经验但换个角度想至少能借着年轻更好地转到AI相关行业或者所谓的“经验”在未来也会成为历史的眼泪。