七種方式讓你的AI編碼結果更靠譜原創

51CTO內容精選

發布于 2025-6-10 08:28

瀏覽

0收藏

企業在積極引入AI的同時，也希望雇用更多工程師，期望開發者能夠借AI之力將產出“提升10倍”。但要真正高效運用AI編碼助手，其中也有不少門道。

首先是AI編碼助手的固有局限，其存在大量不確定性，因此容易引發種種難以避免的意外行為，例如隨機刪除代碼或引入邏輯錯誤。

此外，驅動編碼助手的大模型本身也有問題。一旦使用不當，大模型也可能成為代碼刪除或者安全漏洞的來源。此外，AI智能體還經常陷入遞歸循環乃至無休止的測試循環當中，嚴重影響生產效率。

那么對于AI輔助開發這一未知領域兼全新技能類型，開發者和技術領導者們該如何破局？以下七種方式也許能夠帶來一點啟示。

1.改善提示詞技巧

Sonar公司首席業務增長官Harry Wang認為，“有效運用AI編碼助手的第一步，是從清晰、定義明確的提示詞開始，這也是解開代碼庫復雜性的鑰匙。”

元提示：在提示詞中嵌入指令，幫助模型完成任務。?
提示詞鏈：創建鏈式提示詞工作流，改善規范與規劃效果。?
一次性提示詞：在提示詞中包含輸出參考，例如示例代碼結構。?
系統提示詞：更新底層系統提示詞以反映項目特定需求。?

低質量提示詞往往成為安全隱患的來源，因此必須認真磨練這項技能。相關研究發現，在十項常見弱點枚舉（CWE）攻擊方法中，低效提示詞至少會被其中四項攻破。

2.保持人類參與

根據BlueOptima發布的2024年《生成式AI對軟件開發者績效影響》報告，“適度”使用生成式AI的開發者表現最佳（報告分析了來自21萬8354名企業軟件開發者的總計8.8億項提交成果）。

報告指出，最佳結果源自AI輔助與人類專業知識間的最佳平衡。在實踐中，代碼編寫和驗證工作可以交給AI，項目設計與最終審批則更適合人類。

3.為工作內容選擇正確的大模型

只有在準確性、速度和成本等指標上綜合最優的大模型，才是最適合特定需求的選項。

在LLM Stats公布的排行榜中，Anthropic Claude 3.5 Sonnet的編碼能力在HumanEval基準上得分最高。此外，Claude在安全性方面同樣名列前茅。研究發現，Claude 3.7 Sonnet生成的代碼比OpenAI GPT-4o和谷歌Gemini的輸出結果更安全。

與此同時，OpenAI o3的知識儲備最為豐富，DeepSeek R1的推理能力則一舉登頂。此外，Gemini 1.5 Pro提供最大的token窗口，Lambda擁有最高的性價比。

4.以迭代方式編程并測試

專家建議逐步開發AI代碼。Honeycomb公司聯合創始人兼CTO Charity Majors表示，“一定要將代碼變更的規模控制得盡量更低。千萬不要一次性生成整個網站、API或者功能。”

Layered Sysetm公司API策略師Kevin Swiber則提到，如果大家正在處理一個3000行的代碼文件，那一定要進行拆分。這時候直接使用AI重構將帶來巨大風險，因為AI經常會無故刪除或者移動代碼，所以“一定保證只用AI對細節做優化，阻止直接把大問題交給它。”

因此，Majors建議從端點、組件或者任務著手，之后逐步由AI生成測試、運行測試并生成更多代碼。

5.提前規劃

除了直接在代碼編輯器中使用GitHub Copilot、Cursor或者Continue等工具獲取建議，開發者也可以在行動之初就規劃好一切。Swiber建議使用Markdown文件為AI助手編寫一份完整計劃，借此明確項目目標并詳細說明進度安排。另外，最好能備份原始文件，以便隨時恢復到之前的可用版本。

Swiber強調，“要提前規劃并留下線索，方便自己和智能體靈活參考。”再有，可以使用明確的行內注釋為智能體提供指引，例如“不要修改這些代碼行。”

6.測試、測試、還是測試

對于將要投入生產的AI生成代碼，一定要進行徹底審查。Majors強調，“永遠不要發布自己不理解的東西。”

Sonar公司的Wang表示，“哪怕代碼是由AI生成，最終也還是要由人類對其質量和安全性負責。”

Graphite公司CEO兼聯合創始人Merrill Lutsky認為，“AI生成的代碼更需要嚴格審查和測試，以保證其正確性、高性能與安全性。”

在這方面，Lutsky認為AI造成的問題也完全可以由AI來解決。他認為可以使用AI智能體簡化DevOps流程、自主完成審查及測試流程，并根據需要引入人為干預，借此不斷提升CI/CD的執行效率。

7.關注數據訪問

另一項重點，是為AI提供適當的上下文。Cockroach Labs公司CEO Spencer Kimball表示，“只有AI獲得了足夠的信息，才能做出合理的判斷。”當前模型在上下文窗口和外部數據訪問能力方面仍有局限，但開發者可以直接用內部數據、文檔乃至整個項目作為素材進行大模型微調，借此確保公共大模型也能體會項目中的細微差別。

更重要的是，Kimball認為這將成為以開源為核心的年輕技術企業們的絕佳機遇，因為他們的源代碼和設計文檔都會公開交付給大模型。

大模型在連接性方面也取得了重大進展。例如，OpenAI的智能體SDK與Anthropic模型上下文協議（MCP）在將AI與工具、數據源及其他AI對接方面取得了長足進步。