AI Coding实践与思考

标题：AI Coding实践与思考

在LLM高度发达的今日，LLM+Coding Agent已经能够开发规模较大，表现客观的软件。在这样的情况下，在开发软件的过程中，人应该如何合理地分配精力投入，成为了一个新的需要考虑的问题。

多线程工作

参考了B站程序员UP主酒嘉年的说法，他认为：为提升效率，在AI编程的时候，应当要充分发挥AI多线程工作的优势。

他提出的思想模型如下：将人脑看作主CPU。传统的人工编程，人类思考代码逻辑是主要工作，而将代码逻辑实现到程序里则看作CPU的一个耗费时间的IO操作。如果借助AI，则可以把这些代码逻辑的实现交给AI来完成，人类只需要不断地思考代码逻辑。在AI正在实现一部分代码的时候，人类应当去思考新的逻辑而不是去干等。

他认为在这种工作模式下，他每天的工作强度更大了，让他的大脑更加疲惫了。但是，我认为他这种模式对于普通人来说借鉴价值有限。这位UP主他是专业的程序员，他能够看懂AI给出的代码是否正确，是否存在潜在的问题。而对于大多数人来说，自己写的代码未必能达到AI写的代码的水平。

合理使用提示词

SKILLS——AI Coding领域在25年下半年提出的的一个新概念。一个SKILLS指的是针对某种能力，如：UI设计、网页调试、代码规范等等，所设计的一组特殊的提示词。部署SKILLS后，Coding Agents会根据用户的需求，自动地将SKILLS里的提示词纳入上下文，从而更好地实现特定的功能。

谷歌的研究院发表的论文Prompt Repetition Improves Non-Reasoning LLMs表明，如果对AI重复输入某些提示词，可以让AI给出的结果更好。

测试驱动后端开发

后端开发，特别是CURD系统开发，主要是面对前端的API需求来开发对应的API接口。可能是RestAPI，也可能是新型的gRPC。

在这种情形下，人类可以在使用AI前，先人工写出API接口的测试。在Coding Agent的多轮调用，反复自动返工下，或许能更好地实现人类的需求。

AI是否真的无法进入某些行业？

感性来说，世界上被写得最多的程序应该是前端和后端程序。对于AI来说，训练得最多的也是来自这些程序的代码。

而对于某些相对于前后端开发来说，比较小众的领域，如：嵌入式开发、高性能开发，AI写的代码质量则没有这么好。

有人认为，程序员可以进入这些行业，来规避AI带来的冲击，避免与AI竞争。

但是，从理性上来思考，AI真的不会写嵌入式代码吗？AI真的不能写高性能开发的代码吗？

我们想想，人类是怎么写这些特定领域的代码的？无非是查阅文档，参考前人留下的代码，针对硬件的API、串口模式来编程。如果能够提前准备好相关的SKILLS，准备好相关的文档，针对嵌入式和高性能开发专门的Coding Agent，AI写出高可用性的代码不是问题。

在26年年初，Claude的开发企业Anthropic宣布要开发法律领域的专门AI软件，让市场大为震撼。这表明，为了寻求新的增长点，AI企业可以专门针对特定领域去开发模型。他们可以针对特定的领域去搜集语料，以训练模型在这些方面的能力。