事實(shí)表明，AI無法替代開發(fā)者，但更適用于優(yōu)秀的開發(fā)者。而識別大型語言模型（LLM）生成的代碼什么時候會出錯，需要開發(fā)人員具有豐富的知識和經(jīng)驗(yàn)。

軟件工程師David Showalter在談到AI編程時表示：“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?！蹦敲矗@一觀點(diǎn)是否站得住腳？Showalter的言論實(shí)則是對AI專家Santiago Valdarrama的回應(yīng)——他認(rèn)為大型語言模型(LLM)作為編碼助手目前還不完全可靠。Valdarrama說：“除非LLM給我們同樣的保證(就像編程語言一樣讓計(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’， 對多數(shù)應(yīng)用程序的開發(fā)來說并無實(shí)際價值?！彼挠^點(diǎn)頗具見地，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得到截然不同的回應(yīng)。因此，Showalter的看法可能過于樂觀：雖然AI模型在輔助開發(fā)人員編寫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和軟件開發(fā)成功的關(guān)鍵在于敏銳地識別那些潛在的不完善之處。許多開發(fā)人員并沒有意識到這一點(diǎn)，他們過于依賴LLM的輸出結(jié)果。正如計(jì)算機(jī)科學(xué)網(wǎng)站HackerNews的一位評論員所說，“我想知道的是，用戶對于ChatGPT的信任有多少是建立在那些看似完美無缺的示例之上的……尤其是對于特定類型的用戶來說?！睘榱四軌蛟谲浖_發(fā)中有效地使用AI，開發(fā)人員需要足夠的經(jīng)驗(yàn)判斷LLM的輸出什么時候可能不夠準(zhǔn)確或存在誤導(dǎo)。

并沒有簡單的解決方案

關(guān)于LLM在軟件開發(fā)中的應(yīng)用和表現(xiàn)存在不同的看法。正如HackerNews網(wǎng)站的一些評論所展示的那樣，許多開發(fā)人員并不贊同過度依賴LLM的輸出。他們反駁的理由通常歸結(jié)為：“當(dāng)然，開發(fā)人員不能盲目地信任LLM的輸出，就像他們不會無條件地信任在Stack Overflow上找到的代碼，或者完全依賴集成開發(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，雖然開發(fā)人員不應(yīng)該完全相信他們使用的集成開發(fā)環(huán)境（IDE），但I(xiàn)DE在處理基本編程任務(wù)時具備一定程度的準(zhǔn)確性和穩(wěn)定性，例如不會隨意“破壞”程序或弄亂Lisp括號。ChatGPT很可能會出錯，但是IDE很少出現(xiàn)這種情況。

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

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

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

總之，正如一位開發(fā)人員所總結(jié)的那樣，“我對LLM的信任程度就像我對初級開發(fā)人員或?qū)嵙?xí)生的信任一樣。我會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，但不會在這些任務(wù)上花費(fèi)過多的時間。這無疑是最佳的策略。從AI中獲益最大的開發(fā)人員是那些明智的人，他們知道LLM什么時候可能會出錯，但同時也能從中得到一些好處?！?

尋求正確使用的方法

開源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和經(jīng)驗(yàn)，因?yàn)楹芏喽細(xì)w結(jié)于直覺?！彼ㄗh經(jīng)驗(yàn)豐富的開發(fā)人員測試不同LLM的局限性，以衡量它們的相對優(yōu)勢和劣勢，即便一些LLM模型表現(xiàn)不盡如人意，仍然可以利用其價值。

初級開發(fā)人員如何有效利用AI進(jìn)行編程？AWS AI開發(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，對經(jīng)驗(yàn)不足的開發(fā)人員同樣可以提供幫助。這些工具能夠?yàn)樗麄兲峁┯袃r值的建議，幫助他們明確編程思路，從而減少編程過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，軟件開發(fā)的理念通常不是“更快、更多地編寫代碼”。實(shí)際上，優(yōu)秀的開發(fā)人員編寫代碼的時間很少，而花費(fèi)更多的時間思考需要解決的問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’的時間。從在Bash中編寫For循環(huán)到記住如何在Javascript中進(jìn)行跨域CORS請求，我甚至不需要再查找其他資料?！?