最新AI编程技术深度探讨与实用交流分享

AI Coding正在快速改变我们编写程序的方式——这已经不是什么新鲜事了。从各类Copilot插件到集成AI的IDE，再到远程AI Agent，讨论从未停歇。但更核心的问题始终摆在台面上：AI Coding是否会替代程序员，尤其是初级工程师？从身边实践来看，答案并不统一——有人觉得非常爽，有人爽过几次就放下了，有人一直在用却说不清到底值不值，也有人浅尝辄止。2025年5月，O'Reilly邀请了一批资深技术专家和畅销书作者，专门就“AI Coding能力持续提升是否将取代编程这一职业”进行了开放讨论。结论并不意外：多数人并不买账。结合这场会议的见闻与自身实践，这里分享几点观察。

AI Coding的两种主要方式

实际上，AI Coding可以划分为两种模式，分别称为Vibe Coding和非Vibe Coding——这不是官方术语，只是为了方便讨论。

Vibe Coding

Vibe Coding直译过来就是“氛围编码”，还挺贴切。在这种模式下，我们基本上把AI当成一个回答问题的机器：描述需求，让它生成一段可运行的代码；如果结果有问题（不符合要求或运行出错），我们就根据编译器反馈、运行时错误或差异描述来调整prompt，让AI迭代改进，直到搞定为止。整个过程不需要深入理解具体的实现细节。

这种模式最大的好处是：一个完全不懂前端和编程语言的人，也能快速搭建出前端页面或应用——这就是部分“爽到了”的朋友的真实反馈。但它也有几个典型痛点：

1. 每次提问，AI往往只解决整个问题的一部分。
2. 修复了一个问题，却可能引入另一个新问题。
3. 修复过程中，AI有时会连带改动其他部分的实现。

当然，如果愿意花时间持续沟通、反复调整，通过checkpoint的方式来精准定位问题并小步迭代，最终仍然能达成可执行的目标——虽然也有人连续交互几天后最终还是放弃了。

这种AI Coding方式多见于非软件工程师（比如产品、运营）用它来交付功能，或者刚转型全栈的工程师在非自己专业领域的早期实践——后面他们多半还是会深入掌握相关技能和知识，那就不再是Vibe Coding了。

非Vibe Coding

非Vibe Coding要求你具备实际编程技能和对相关技术知识的一定了解——或者至少能借助AI快速学习语言原理和当前用到的技术细节。通过更精准地描述需求，以及抓住问题本质去协同AI迭代，才能做到真正高效的co-programming。假如你不懂，可能连一个有价值的问题都提不出来。遇到小错误（比如改个样式，AI怎么教都学不会，要么连带改了一堆，要么什么都不动），也可以手动修改，快速推进。

当前AI编程的能力边界

现在的LLM在从0到1编写新功能、新模块、新系统时，能力确实在持续提升。因为这类任务没有历史包袱，没有潜在约束，且可以通过编译器、单测、部署反馈等标准方式验证对错。然而，一遇到庞大的历史代码——需要分析代码结构、模块、服务，根据需求找到变更点，并遵循现有架构的设计原则和约束去做修改——AI目前的表现还非常不足。

LLM的输出本质上依赖训练数据。在编程领域，我们看到的好代码（包括好的规范、优雅的实现）都基于训练数据的规范化和高质量。因此，LLM在那些规范标准、类库集中且通用的语言中，能提供更好的价值。

我们在教学生、培训实习生或面试候选人时，常常考核他们从0到1写代码的能力。但这些人进入企业岗位后，绝大多数时间并不是在从0到1写模块或系统，而是在阅读、分析已有的代码（常常是遗留代码），做调整、调试和重构。真正亲手编码的量通常不多。这种现实，很可能就是大家使用AI Coding时体感差异巨大的一个重要原因。

AI协同粒度的不同影响

在日常迭代和协同编码中，AI Coding可能带来以下几个层面的问题，值得关注：

• 单个Commit中可能引入的问题：会引入无用代码，或者对需求实现及问题优化解决存在偏差。
• 单次需求迭代中可能引入的问题：
• 解决问题的方式偏“蛮力”或“硬编码”，只在表面做处理，而不深入分析根因。
• 需求实现度不足。
• 人与AI的协同还在摸索阶段，没有做好合理分工，导致迭代过程更复杂，甚至出现“还不如我自己写”的声音。
• 持续的协同、迭代、交付周期中可能引入的问题：
• AI基于通用类库面向功能实现，基本都是“烟囱式”的，整体架构缺乏设计，代码复用性差。
• 内部封装好的服务、工具类（比如企业或团队内部的二方库和公共基础类）容易被“忽略”，每次迭代都重新从0到1实现。
• 可维护性差，主要指可读性和变更成本。可读性差源于横向设计和抽象不足，单个方法可能还行，但整体理解难度大；变更成本高则体现在横向变更上，单方法内部变更成本倒不太夸张。

这些问题并非无解，可以通过以下方式优化：

1. 给AI设计好任务，让任务更清晰。
2. 在prompt中增加架构约束和规范条目。
3. 提供内部服务列表和说明，通过RAG方式检索召回可用的服务和方法。
4. 基于基础模型对代码库做微调，帮助模型理解当前代码库的结构、模块和内部服务。

当然，以上讨论是建立在“当前软件工程设计仍以人为中心”这个前提之下的。如果未来整个流程完全围绕AI来运作——所有编码、设计、需求交付迭代都由AI完成，那么所谓理解问题、人与AI的协同是不是就不存在了？在纯AI Coding的世界里，不需要架构设计、不需要开发框架、不需要考虑复用性，因为AI能快速理解、快速遍历、快速执行，且工作量不敏感。这种“美好”憧憬或许能实现，但以目前发展来看，短期内不太可能——暂且留白吧。

人与AI在编程领域下的核心区别

提升Coding with AI效果的几点实用建议

与AI协同的有效路径

AI Coding的能力到底强不强？可能众说纷纭。但AI Coding能力的提升速度很快，相信更多人会同意这一点。我们不必在“AI Coding到底匹配什么level的工程师”上寻求共识，更重要的是正确认知AI的能力，学会正确使用它，并具备面向AI高效提问的底层认知基础，才能达成更好的协同，真正实现提效。

开发同学想更好地利用AI的编码能力，可以从五个维度思考：

1. Context：给AI完整的问题描述和背景，不能只是简单的指令。否则AI就会发挥“想象力”重新定义问题，开始自我发挥。
2. Research：当AI的答案不符合诉求时，不要只是把问题重新粘贴给它，再附上一句“解决下上述问题”就指望搞定。更高效的做法是：针对问题进一步提问以帮助AI定位，或让AI先对某个方面做些了解，再优化或修复。
3. Reframing Problems：在了解问题的真正原因后，以AI更容易理解的方式重新组织问题结构，再让AI迭代处理。如果反复描述问题的表象，AI很可能给出几乎相同的答案，陷入绕圈圈。
4. Refine：结合自身知识进一步理解问题，针对本质提出更精准的提问。比如看到403访问错误，进一步判断是跨域问题，那就把具体的洞察给到AI，让它迭代解决。
5. Critical thinking：对AI的输出做辩证判断——它有用吗？有意义吗？符合你的诉求吗？然后针对不足进行多轮交互，直到得到满意结果。

更好地协同AI Coding的几点建议

个人和团队在协同AI时的一些注意点

从个人维度出发，有几点值得特别强调：

1. 对AI交付的代码要做好review。编码工作虽然“外包”给了AI，但责任还在个人，要求不能降低。
2. 找到与AI交互的最佳任务粒度和迭代提问方式，让AI Coding成为真正有价值、有效果的事。
3. 当AI无法解决（能力不足或引导无果）时，主动介入，分析问题，要么进一步精准交互，要么手动处理。

在团队层面，也有三点建议：

1. 在文化和实践上鼓励Coding with AI的尝试，推广好的实践和心得，对手写代码和AI产出代码的价值同等看待。
2. 横向建设代码质量检测工具（可以结合规则做AI CR，目前头部企业已有针对AI Coding的评测工具）。
3. 引导团队“Stay left，not shift right with AI”。对程序员来说，就是要更多地去理解需求、理解用户习惯、梳理问题域、设计解决方案、构建合适的架构、做好系统及模块设计，而把编写具体function和执行逻辑更多地交给AI。

程序员需要重点建设的能力建议

下面的建议遵循一个原则：把AI擅长做的事情交给AI，把时间更多分配在AI不能太能做好的事情上。

1. Investigative skills（问题理解与任务拆分能力）
   • 能正确定义问题，并合理拆解成不同任务。
   • 针对拆解后的任务，结合AI一步步实现和验证，有偏差及时调整。
2. Evaluative skills（评估能力）
   • 能解决同一个问题的方案往往不止一个，需要有能力评估不同方式的优劣，结合业务、资源、团队成员特性做权衡。不要盲目遵从所谓“最佳实践”——脱离上下文谈论实现是没有意义的。
   • 对AI给出的结果有评估能力，并能给出相应的优化调整prompt。
3. Innovation skills（创新能力）
   • 主动学习新框架、新技能、新语言，能在实践中运用新颖且更高效的解法，做一些真正有创新的东西。

除了上述与AI协同相关的建议，程序员仍然需要持续打磨基本功——各类语言基础、常用中间件的使用与原理、主流容器和框架等。不要以为很多工作被AI替代了，自己就可以停止学习了。自身的能力和认知，决定了我们能协同AI所获得的价值上限。

结语

AI Coding的能力无疑在快速发展和提升，但说“替代”程序员，多少有些过分焦虑了。可如果完全不予理会，也确实会增加被“淘汰”的风险。这种截然不同的态度正好说明：持不同观点的两拨人，在相同信息输入下经过自身思考框架加工后得出了差异巨大的判断。这正是个需要持续探索、值得深入学习的方向。保持好奇，无论完善输入还是优化自身的思维框架，都很有价值。

了解AI当前的能力，结合对LLM生成式AI原理的认识，提前判断哪些方面会持续提升、哪些方面由于自身局限难以突破，进而调整自身的能力提升方向和发展路径，努力在AI时代打造差异化竞争力。

参考资料

• https://learning.oreilly.com/videos/coding-with-ai/0642572017171/

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：最新AI编程技术深度探讨与实用交流分享要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题