事實(shí)表明，AI無(wú)法替代開(kāi)發(fā)者，但更適用于優(yōu)秀的開(kāi)發(fā)者。而識(shí)別大型語(yǔ)言模型（LLM）生成的代碼什么時(shí)候會(huì)出錯(cuò)，需要開(kāi)發(fā)人員具有豐富的知識(shí)和經(jīng)驗(yàn)。

軟件工程師David Showalter在談到AI編程時(shí)表示：“目前，AI模型在幫助編程人員提高工作效率方面表現(xiàn)出色?！蹦敲?，這一觀點(diǎn)是否站得住腳？Showalter的言論實(shí)則是對(duì)AI專家Santiago Valdarrama的回應(yīng)——他認(rèn)為大型語(yǔ)言模型(LLM)作為編碼助手目前還不完全可靠。Valdarrama說(shuō)：“除非LLM給我們同樣的保證(就像編程語(yǔ)言一樣讓計(jì)算機(jī)始終響應(yīng)命令)，否則它們只能被視為華而不實(shí)的‘炫技’， 對(duì)多數(shù)應(yīng)用程序的開(kāi)發(fā)來(lái)說(shuō)并無(wú)實(shí)際價(jià)值?！彼挠^點(diǎn)頗具見(jiàn)地，LLM在如何回應(yīng)提示方面顯然是不一致的，即使是同一提示可能會(huì)得到截然不同的回應(yīng)。因此，Showalter的看法可能過(guò)于樂(lè)觀：雖然AI模型在輔助開(kāi)發(fā)人員編寫(xiě)更多代碼方面有不俗的表現(xiàn)，但這并不等同于能夠生成高質(zhì)量的可用代碼。

AI和軟件開(kāi)發(fā)成功的關(guān)鍵在于敏銳地識(shí)別那些潛在的不完善之處。許多開(kāi)發(fā)人員并沒(méi)有意識(shí)到這一點(diǎn)，他們過(guò)于依賴LLM的輸出結(jié)果。正如計(jì)算機(jī)科學(xué)網(wǎng)站HackerNews的一位評(píng)論員所說(shuō)，“我想知道的是，用戶對(duì)于ChatGPT的信任有多少是建立在那些看似完美無(wú)缺的示例之上的……尤其是對(duì)于特定類型的用戶來(lái)說(shuō)?！睘榱四軌蛟谲浖_(kāi)發(fā)中有效地使用AI，開(kāi)發(fā)人員需要足夠的經(jīng)驗(yàn)判斷LLM的輸出什么時(shí)候可能不夠準(zhǔn)確或存在誤導(dǎo)。

并沒(méi)有簡(jiǎn)單的解決方案

關(guān)于LLM在軟件開(kāi)發(fā)中的應(yīng)用和表現(xiàn)存在不同的看法。正如HackerNews網(wǎng)站的一些評(píng)論所展示的那樣，許多開(kāi)發(fā)人員并不贊同過(guò)度依賴LLM的輸出。他們反駁的理由通常歸結(jié)為：“當(dāng)然，開(kāi)發(fā)人員不能盲目地信任LLM的輸出，就像他們不會(huì)無(wú)條件地信任在Stack Overflow上找到的代碼，或者完全依賴集成開(kāi)發(fā)環(huán)境（IDE）等工具一樣。”

就目前而言，這種看法是正確的，但現(xiàn)實(shí)往往并不盡如人意。例如，雖然開(kāi)發(fā)人員不應(yīng)該完全相信他們使用的集成開(kāi)發(fā)環(huán)境（IDE），但I(xiàn)DE在處理基本編程任務(wù)時(shí)具備一定程度的準(zhǔn)確性和穩(wěn)定性，例如不會(huì)隨意“破壞”程序或弄亂Lisp括號(hào)。ChatGPT很可能會(huì)出錯(cuò)，但是IDE很少出現(xiàn)這種情況。

對(duì)于堆棧溢出（Stack Overflow）上的代碼來(lái)說(shuō)，可能有不同的使用方式。有些開(kāi)發(fā)人員可能會(huì)直接復(fù)制粘貼代碼，而不進(jìn)行檢查。但明智的開(kāi)發(fā)人員則會(huì)采取更為審慎的態(tài)度。他們會(huì)首先查看有關(guān)代碼的評(píng)論，以評(píng)估其質(zhì)量和適用性。

LLM的輸出并不包含這樣的信號(hào)。正如一位開(kāi)發(fā)人員所建議的那樣，“將Stack Overflow和LLM的輸出都視為可能是錯(cuò)誤的結(jié)果，并且可能是由經(jīng)驗(yàn)不足的開(kāi)發(fā)人員編寫(xiě)的代碼。”這是一種明智的做法。即使存在錯(cuò)誤，這些代碼片段或建議也可能為提供有價(jià)值的啟示，幫助開(kāi)發(fā)人員朝著正確的方向前進(jìn)。

同樣，這需要開(kāi)發(fā)人員具備足夠的經(jīng)驗(yàn)以識(shí)別Stack Overflow的代碼示例或LLM生成的代碼是否存在錯(cuò)誤?；蛘唛_(kāi)發(fā)人員足夠明智，只將這些代碼用在“200行樣板文件”或“React頁(yè)面中的大表”等常見(jiàn)的場(chǎng)景中。在這些場(chǎng)景中，可以不必完全信任這些代碼，只需在完成之后進(jìn)行測(cè)試即可。

總之，正如一位開(kāi)發(fā)人員所總結(jié)的那樣，“我對(duì)LLM的信任程度就像我對(duì)初級(jí)開(kāi)發(fā)人員或?qū)嵙?xí)生的信任一樣。我會(huì)給它分配一些我知道如何完成的任務(wù)，以此驗(yàn)證其準(zhǔn)確性，但不會(huì)在這些任務(wù)上花費(fèi)過(guò)多的時(shí)間。這無(wú)疑是最佳的策略。從AI中獲益最大的開(kāi)發(fā)人員是那些明智的人，他們知道LLM什么時(shí)候可能會(huì)出錯(cuò)，但同時(shí)也能從中得到一些好處?！?

尋求正確使用的方法

開(kāi)源Python工具Datasette創(chuàng)始人Simon Wilison曾經(jīng)提出這樣的觀點(diǎn)，“從AI中獲得最佳結(jié)果實(shí)際上需要大量的知識(shí)和經(jīng)驗(yàn)，因?yàn)楹芏喽細(xì)w結(jié)于直覺(jué)?！彼ㄗh經(jīng)驗(yàn)豐富的開(kāi)發(fā)人員測(cè)試不同LLM的局限性，以衡量它們的相對(duì)優(yōu)勢(shì)和劣勢(shì)，即便一些LLM模型表現(xiàn)不盡如人意，仍然可以利用其價(jià)值。

初級(jí)開(kāi)發(fā)人員如何有效利用AI進(jìn)行編程？AWS AI開(kāi)發(fā)者體驗(yàn)主管Doug Seven表示，像Amazon Q Developer（前身為CodeWhisperer）這樣的編碼助手，對(duì)經(jīng)驗(yàn)不足的開(kāi)發(fā)人員同樣可以提供幫助。這些工具能夠?yàn)樗麄兲峁┯袃r(jià)值的建議，幫助他們明確編程思路，從而減少編程過(guò)程中頻繁向他人求助的需求。

也許正確的答案是：取決于具體情況！

而且重要的是，軟件開(kāi)發(fā)的理念通常不是“更快、更多地編寫(xiě)代碼”。實(shí)際上，優(yōu)秀的開(kāi)發(fā)人員編寫(xiě)代碼的時(shí)間很少，而花費(fèi)更多的時(shí)間思考需要解決的問(wèn)題以及如何找到最佳解決方案。LLM可以在這方面提供幫助，正如Willison所指出的那樣：“ChatGPT(以及GitHub Copilot)為我節(jié)省了大量的‘深思熟慮’的時(shí)間。從在Bash中編寫(xiě)For循環(huán)到記住如何在Javascript中進(jìn)行跨域CORS請(qǐng)求，我甚至不需要再查找其他資料?！?