2024年AI编程的真实实力：谷歌工程主管揭示背后的严酷现实

【新智元导读】2024 年 AI 编程的真实实力揭示！谷歌工程主管 Addy Osmani 为我们带来了 AI 辅助编码在实际开发中的深刻见解。

在 2024 年，AI 编程已经深入各个行业，深刻影响着软件开发的整个生命周期。

然而，令人困惑的是，虽然人们普遍认为 AI 编程效果良好，但我们日常使用的软件似乎并没有显著的进步，究竟是为什么呢？

不久前，Addy Osmani，这位谷歌的工程主管兼亚马逊畅销书作者，分享了 AI 在实际开发中的应用现状。

开发者如何利用 AI？

通常，团队在开发过程中会采用两种主要模式来使用 AI：一是「引导程序（bootstrappers）」，二是「迭代器（iterators）」。这两种方式都能帮助工程师，甚至非技术用户，缩短从构思到实现的距离。

引导程序

这一类工具包括 Bolt、v0 和 screenshot-to-code 等，具有以下特点：

从设计图或初步想法出发；

利用 AI 生成完整的初始代码库；

能够在几个小时或几天内完成工作原型；

侧重于快速验证和迭代过程。

这样的工作流程令人惊叹。例如，一位独立开发者可以借助 Bolt 在短时间内将 Figma 设计转换为有效的网页应用。尽管不符合生产级别的标准，但获取初步用户反馈却绰绰有余。

迭代器

这一类工具主要用于日常开发流程，比如 Cursor、Cline、Copilot 和 WindSurf，虽然效果不如引导程序那样惊艳，但却更加切实际，例如：

完成代码，提供建议；

执行复杂的重构任务；

生成测试用例和文档；

作为问题解决的「结对程序员」。

尽管这两种方式都能显著提升开发速度，但我们也要意识到「天下没有免费的午餐」。

AI 速度的隐性代价

高级工程师在使用 Cursor 或 Copilot 等 AI 工具时，能够在短短几分钟内搭建出完整的功能框架，并完成测试和文档的编写，这如同魔术般迅捷。

然而，仔细观察后会发现，资深工程师在参考 AI 建议的同时，还会：

将生成的代码重构为更小的模块；

添加处理边缘情况的逻辑；

优化类型定义和接口；

添加全面的错误处理机制；

甚至对 AI 提供的架构进行质疑。

换句话说，他们运用多年的工程经验来塑造和限制 AI 的输出。AI 虽然加速了代码的实现，但人类的专业知识则确保了代码的可维护性。

相比之下，初级工程师往往忽视这些关键步骤。他们容易全盘接受 AI 的输出，最终导致所谓的「纸牌屋代码」，表面上完整，但在现实条件下却可能崩溃。

知识悖论

有趣的是，实际上 AI 更能帮助经验丰富的开发者，这一现象多少显得反直觉。

高级工程师能借助 AI 迅速构建想法的原型（理解）、生成基础实现（可改进）、探索已知问题的替代方案等；

而初学者则常常接受不准确或过时的解决方案，忽视关键的安全和性能问题，对于调试 AI 生成的代码也无能为力，最终构建出一个自己不完全理解的脆弱系统。

70% 的难题

非工程师在使用 AI 编码时，常常面临一个尴尬的境地：他们可以出乎意料地快速完成 70% 的工作，但最后那 30% 却极为艰难。

这个「70% 的难题」揭示了 AI 辅助开发的现状，初期如有神助，随后却被现实打击。

实际情况通常是：

尝试修复一个小错误——>

AI 提出一个看似合理的修改——>

这个修改却破坏了其他部件——>

请求 AI 修复新出现的问题——>

又引发两个新 bug——>

形成无限循环。

这个循环对非工程师尤其痛苦，因为他们缺乏专业背景来理解实际问题出在哪里。

有经验的开发者在遇到 bug 时，能够依靠多年的模式识别能力推断出潜在原因和解决方案。如果没有这种背景知识，就如同在用不完全理解的代码「打地鼠」。

学习悖论

还有一个更深层次的问题是，让非工程师使用 AI 编码工具，实际上可能会阻碍他们的学习。

虽然生成的代码能运行，但开发者却不了解其基本原理，这导致他们错过了学习基本模式、未能培养调试技能，也无法进行架构决策的推理，而这些代码又需要后续的维护和扩展。

因此，这些开发者不断依赖 AI 来解决问题，而不是提升自身的处理能力。

非工程师使用 AI 编码工具的最佳方式或许是采用「混合模式」：

1. 利用 AI 进行快速原型设计；

2. 花时间理解生成代码的工作机制；

3. 学习基本的编程概念及 AI 的应用；

4. 逐步建立知识框架；

5. 将 AI 视为学习工具，而非单纯的代码生成器。

然而，这需要耐心与持续的努力，与许多人使用 AI 工具的初衷恰恰相悖。

这个「70% 的难题」表明，当前的 AI 并未达到许多人希望的水平。最后 30% 的工作（将软件转变为可生产、可维护的状态）仍然需要真正的工程知识。

最佳实践

Addy Osmani 观察了多个团队，归纳出一些最佳实践方法：

「AI 初稿」模式

未来 AI 辅助开发的全新视角

利用 AI 生成初步实现；进行人工审查与模块化重构；加强错误处理机制；编写详尽的测试用例；记录重要的决策过程。

「持续互动」模式

针对每项特定任务开启新的 AI 对话；确保上下文简洁清晰；定期检查并提交修改；保持紧密的反馈环节。

「信任并验证」模式

基于 AI 生成的初始代码进行手动审查，特别关注关键路径；对边缘案例进行自动化测试；定期开展安全审查。

AI 的未来潜力究竟如何？

尽管面临诸多挑战，作者对 AI 在软件开发领域的未来持乐观态度。关键是充分挖掘 AI 的独特优势：

迅速推进已知模式的实现，AI 如同一位耐心无比的编程伙伴，能够以极快的速度输入代码。

探索创新的可能性，AI 在快速构建想法原型和测试不同方案方面展现出色，犹如一个沙盒，便于我们迅速实验各种概念。

自动化日常任务，AI 显著减少了在模板和常规编码上耗费的时间，从而使我们能够专注于更具挑战性的问题。

若您刚开始接触 AI 辅助开发，作者建议先从小规模的项目入手。

将 AI 应用于那些非耦合、界定明确的任务，仔细审查生成的每一行代码，逐步扩展功能。

在此过程中，保持模块化：将所有内容拆分为小型关键文件，确保组件之间的接口清晰，记录模块的边界。

此外，信任自己的经验至关重要：AI 应被视为加速工具，而非您的判断的替代品，若感觉不对劲应随时质疑，并始终维护自己的工程标准。

智能体的崛起

进入 2025 年，AI 辅助开发的格局正经历深刻的转变。尽管现有工具已改变了原型设计与迭代的方式，但我们正站在更为重要的变革前沿：智能体（Agent）软件工程的崛起。

智能体系统不仅能够回应指令，还将以更强的自主性进行规划、执行和迭代解决方案。

例如，Anthropic 的 Claude 具备使用计算机的能力，或 Cline 能够自动启动浏览器并执行测试。

在调试过程中，智能体系统不仅会给出修复建议，还能：

主动识别潜在问题、启动和运行测试集、检查 UI 元素并截取屏幕、提出并实施修复方案、验证解决方案的效果。

下一代工具将无缝集成视觉理解（如 UI 屏幕截图、模型、图表）、自然语言对话及环境交互（浏览器、终端、API）。

未来的 AI 不会取代开发人员，而是成为一个越来越强大的协作者，既能主动出击，又能尊重人类的指导与专业知识。