AI-Coding

发表于 分类于

AI编码开发

初接触

从插件辅助开发，提示代码，到现在用AI完全编码，这条路，我走了好久。之前 TabNine 刚出现的时候，我就是其第一波使用用户。其收费时，对老用户也很友好，直接提供了长期使用权。2023年，ChatGPT 发布，我主要是旁观。直到 DeepSeek 出现，才开始大面积使用，但主要是对话，不是编码。

尝试

后面陆陆续续使用了 Lingma/CodeBuddy ，这些，都无法完全编码。编码的时候，AI会提供代码片段，但代码片段，往往不能满足需求，需要人工修改。上下文也短，无法识别整体意图。

后面推出了 CLI 模式，尝鲜使用了 CodeBuddy/Qoder。老实说，也还是弱。编码能力，执行能力，执行速度都弱。但是，这个模式下，走一个完整流程，已经是很轻松的。能看到AI显著的进步：输入详细详尽的需求，AI能给出相对完整的代码，能执行。但复杂的业务需求，复杂的技术需求，AI无法处理。

另一种尝试

我反思网上各种声音说好，而我自己说不好。那是不是工具不好？我换用了 opencode，付费了 DeepSeek。这套组合拳，效果确实好。

这个模式下，AI的能力，达到了我可以接受可以满意的标准。甚至，让我恐惧，真的很棒！但是，我浅尝辄止的情况下，两天就20元的消耗，让我不得不考虑性价比。

大举使用

正好这时，年初各大平台为了扩大用户量/增加客户粘度，大量面向程序员放出 Coding-plan 套餐。这个模式下，我抢了一个百炼的套餐。

我考虑到我的消耗，我直接选择了 200 的 Pro 套餐。但是一个月下来，实际重度使用情况下，我其实 40 的 Lite 套餐就够了。我最终也就用掉了 16% 的 Pro 套餐。按调用次数而不是按 Token，还是非常方便的，也非常省的。可惜现在所有套餐都售罄，没法换了。

从我的尝试看，GLM-5 是一个非常适合AI开发的模型。我用这个模型做了很多尝试：

  • 我用其基于我自行编制的 skill 描述，识别代码，解构结构，走查代码，非常给力。
  • 我用其对我自己的代码进行调优，宽泛地要求优化代码，其能自行定位可优化点，并给出优化代码，实践优化，完成优化，落地成功。
  • 我用其根据我提供的思路，从零开始构建技术组件。我得说，这个模式下，我非常享受。我的想法，完全能快速落地，快速迭代，快速变现。只要我有一个思路，AI 就能做出来，而不要考虑这个领域熟不熟，技术行不行。
  • 我用其根据我的要求，完成试卷编写，完整地出具几份面向程序员的试卷。这个活不难，但很繁琐。目前有AI，这个活相当轻松。
  • 我提供部分信息，要求AI扩写设计，形成设计文档。这个模式下，AI 也很给力。文档的内容翔实程度，清晰程度，都是远超需要的。

对比 MiniMax M2.5/Kimi K2.5/Qwen 3/Qwen 3.5，GLM-5 模型是我最喜欢的。MiniMax M2.5 的模型，对复杂的业务需求，无法处理。Qwen 系列，能处理，但不如 GLM-5 模型优雅，或者说，符合/贴合我个人的代码风格。

AI项目开发反思

  1. 需求分析：需要有明确的需求，并确定需求范围。对业务的描述，需要详细，清晰，准确。
  2. 架构设计：架构不能由 AI 直接给出，AI 给出的架构，并不能满足需求。需要架构师/高级程序员进行架构约束，明确架构主题思路，让 AI 在架构约束下，给出架构。
  3. 代码实现：AI 能快速出具代码，但大规模的代码交付过程中，AI 受 Token 使用量的限制，会倾向于简化代码或用空实现代替。简而言之就是 AI 偷懒。这个是必须通过严格的人工走查来避免的。
  4. 单元测试：AI 自己的代码，需要要求其自行实现单元测试。通过单元测试，其自身会去回检代码质量，完成回归。但需要人工核检测试代码质量及正确性，确保测试真的能覆盖场景。必要时，可自行执行所有代码，提供测试覆盖率报告，让 AI 提升测试覆盖率。
  5. 性能测试：部分代码需要高性能的，可要求 AI 完成代码的性能测试。通过数据收集，AI会不断迭代进行性能优化。但性能优化过程中，AI 自己思路可能会错误，需要人工纠偏并提供扩大化思路。

结论

AI 开发的效率极其高，但需要安排 AI 工作的人员本身也具有足够经验足够技能。推进要以人为主，不能 AI 牵头，走到哪滑到哪。