Published on 2025-08-07
AI在软件开发中的实践与局限性(翻译)
在新兴IDE ZED的视频“Agentic Engineering”中，主持人与嘉宾阿尔贝托（Alberto）讨论了人工智能在软件开发中的实际应用与局限性。下面是基于视频的翻译。(视频源地址)
阿尔贝托是一位拥有15年全栈Web开发经验的资深软件工程师，他分享了一篇博客文章中关于使用大型语言模型（LLMs）开发SaaS应用的经验教训。他选择使用Go语言以满足商业客户日益增长的数据需求。
阿尔贝托起初对AI的潜力充满热情，使用了GitHub Copilot和LLMs（如ChatGPT、Claude、Gemini）来生成代码，希望通过AI实现快速开发。然而，他遇到了以下重大挑战：
- 代码质量问题：AI生成的代码存在命名不一致（例如“third_party_API”与“third_party_provider”）、代码冗余（例如多次声明Redis配置）以及生成过多无用文件，导致代码库杂乱。
- 修复不可靠：当出现错误时，AI尝试修复常常引入新问题或破坏现有功能，形成“前进一步，后退一步”的循环。
- 缺乏控制：由于对Go语言不熟悉，过度依赖AI让阿尔贝托感觉与代码库脱节，无法完全理解生成的代码。
- 幻觉和上下文问题：LLMs有时会引用不存在的数据库表，或忽略已提供的上下文（例如误认为使用MySQL而非ClickHouse），令人沮丧。
在进行了一次“恐怖的”代码审查后，阿尔贝托改变了方法。他回归传统方式，如使用纸笔规划，学习Go语言的最佳实践，并将AI视为战术助手而非架构师。这包括自己编写初始代码草稿，仅将AI用于小任务（如重构、将PHP逻辑转换为Go），并仔细审查AI的所有输出。
在后续实验中，阿尔贝托使用更新的模型（如Claude 4 Opus）重新尝试解决问题，发现了一些改进（例如命名不一致和代码重复减少），但问题依然存在，例如多次应用速率限制器导致性能问题。他得出结论，尽管AI模型有所改进，但仍会犯基本错误，需要人工监督。
主要结论：
- AI的角色：AI最适合用于增强特定任务（如学习新语言、生成粗稿），而不是完全自动化复杂的软件开发。
- 人工监督：开发者必须保持控制，将AI视为助手，通过规划和审查保持对代码库的清晰理解。
- 收益递减：新型AI模型显示出增量改进，但仍存在代码重复、命名不一致和幻觉等问题，表明核心智能的提升有限。
- 平衡视角：阿尔贝托主张避免过度炒作或怀疑，鼓励开发者尝试并找到适合自己的方法，不必因AI将取代程序员的说法感到压力。
他总结道，AI使开发者能够专注于更高层次的架构决策，但目前还无法自主构建生产就绪的应用程序。讨论强调了使用AI的务实方法，认可其价值，同时也认识到其当前局限性。