超越Vibe编程

第 3 章. 70% 的问题：人工智能辅助下的实际工作流程

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

基于人工智能的编码工具在某些任务上的表现令人惊叹。¹它们擅长 制作模板、编写例行函数，并将项目大部分完成。事实上，许多开发人员发现，人工智能助手可以实现涵盖大约 70% 需求的初始解决方案。

彼得-杨（Peter Yang） 在一篇关于 X 的文章中完美地捕捉到了我在现场观察到的情况：

作为一名非工程师，我对迄今为止使用人工智能编码所做的诚实反思：

它能让你完成 70% 的工作，但最后的 30% 却令人沮丧。新的错误、问题等不断出现，让人前进一步，后退两步。

如果我知道代码是如何工作的，我也许可以自己解决。但由于我不知道，我怀疑自己是否真的学到了很多东西。

使用人工智能编码的非工程师发现自己遇到了一堵令人沮丧的墙。他们能以惊人的速度完成 70% 的工作，但最后的 30% 却成了收益递减的练习。

这个 "70% 的问题 "揭示了人工智能辅助开发现状的关键所在。最初的进展给人一种神奇的感觉：你可以描述自己想要什么，v0 或 Bolt 等人工智能工具就会生成一个看起来令人印象深刻的工作原型。但随后现实就来了。

70%的工作往往是简单明了、模式化的部分，也就是那种遵循成熟路径或通用框架的代码。正如一位《黑客新闻》（Hacker News）的评论员所言，人工智能在处理软件的 "偶然复杂性"（重复性、机械性的东西）方面表现出色，而 "本质复杂性"--理解和管理问题的内在复杂性--则仍由人类承担。用弗雷德-布鲁克斯（Fred Brooks）的经典术语来说，人工智能可以解决开发过程中的偶然困难，但无法解决内在困难。

这些工具的难点在哪里？经验丰富的工程师们一致反映存在 "最后一英里 "的差距。人工智能可以生成一个似是而非的解决方案，但最后的 30%--覆盖边缘情况、完善架构并确保可维护性--"需要大量的人类专业知识"。

例如，人工智能可能会给出一个在技术上适用于基本方案的函数，但除非明确告知，否则它不会自动考虑异常输入、竞赛条件、性能限制或未来需求。人工智能可以帮你完成大部分工作，但最后关键的 30%（边缘情况、保持可维护性和稳固的架构）则需要大量的人类专业知识。

此外，众所周知，人工智能有产生令人信服但不正确的输出的倾向。它可能会引入微妙的错误或 "幻觉 "出不存在的函数和库。史蒂夫-耶格（Steve Yegge）诙谐地将当今的 LLMs比作"高产的初级开发人员"--速度惊人、热情洋溢，但 "有可能吃了迷幻药"，容易炮制出疯狂或不可行的方法。

用耶格的话说，一个 LLM 能写出乍一看很完美的代码，但如果一个经验较少的开发人员天真地说："我觉得不错！"并照着做，那么接下来的几周就会充满欢笑（或灾难）。人工智能并不能真正理解问题，它只是将通常有意义的模式拼接在一起。只有人类才能辨别一个看似完美的解决方案是否隐藏着长期的地雷。西蒙-威利森（Simon Willison ）在看到人工智能提出了一个令人着迷的巧妙设计后，也有同感。这就是教训：人工智能的自信远远超过其可靠性。

最重要的是，目前的人工智能不会在训练数据之外创造出全新的抽象概念或策略。它们不会为你发明新颖的算法或创新的架构--它们会对已知的东西进行混搭。它们也不会对决策负责。正如一位工程师所说："人工智能不会有比训练数据更'好的想法'。它们不会对自己的工作负责"。

所有这些都意味着，创造性和分析性思维--决定构建什么、如何构建以及