原來，摔斷胳膊也是一件幸事......

當事人表示，「我再也不想回到過去了」。

這是為何？

事情是這樣的，幾個月前，Claude工程師Erik Schluntz騎車上班的路上，意外摔斷右手，打上了石膏。

為了生計，他不得已用左手打字。

即便如此，Schluntz依舊在Anthropic舊金山的辦公室里，一周狂肝了3000行代碼。

為AI編碼點贊

誰也不曾想，這背后竟是AI立了大功。

他通過結合語音轉文字技術，與Claude AI結隊，整整寫了2個月的代碼。不過，必須承認的是，其中有許多是「樣板代碼」。

為此，Schluntz還撰寫了一篇長文，題為——AI替代了我的右手。

文章中，他表示，「通過這件事，體驗到了人類幾乎不再需要自己編寫代碼的未來」。

老實說，我愛上了這種感覺。

另一位Anthropic工程師表示，通過從這件事，我們可以獲得軟件工程未來幾年的關鍵一瞥。

即使右手不能使，AI是完全可以讓你成為一個10倍程序猿。

那么，Erik Schluntz如何在受傷期間，能夠讓AI為他高效編碼呢？

初始設置

首先，文章開篇他最先介紹了，自己如何對AI進行設置，最終決定使用了Claude AI。

Schluntz在摔斷手之前，也曾使用類似Copilot等AI代碼生成工具，但主要還是「手寫」。

2105年哈佛碩士畢業，Cobalt機器人公司創始人、Anthropic AI技術研究員

此外，他也使用過「語音轉文字」，但也主要在手機上發短信，并未在電腦中嘗試過這一功能。

好在，Mac內置語音控制在NLP處理上非常出色。

唯一不足的是，在聽寫任何與代碼相關的內容時，Siri表現得很糟糕。畢竟，一些符號和詞匯，大大超出其識別范圍。

就比如：

Schluntz：Eval

Siri：Eval？你想說的是Evil嗎？

當然，目前有一些專門針對代碼的優秀語音轉文字系統，比如Talon。

但由于Schluntz對AI代碼生成非常感興趣，于是決定嘗試，用自家AI去完成這項艱巨的任務。

這里沒有使用Copilot，是因為其自動補全功能，對作者來說異常慢，需要開發者先寫出半行代碼，才能實現。

畢竟摔傷了一只手，「動嘴」還是比「動手」快。

這時，只需將大塊代碼庫內容一鍵復制粘貼到Claude AI中，然后通過語音命令進行轉換。

舉個栗子，Schluntz會說「重構ABC函數以接受輸入XYZ」或「為這些新函數ABC編寫單元測試，并查看XYZ的示例測試」。

雖然Claude并不總是能在第一次嘗試時成功，但它能很好地接受后續指令和調整——

「我感覺就像是，和AI進行『結對編程』，而由另一個人操作鍵盤」！

調教Claude

「被迫」這樣寫代碼后，Schluntz很快就弄清楚了，什么樣提示會生成有效代碼，什么會是無效。

有時候，它非常神奇，但有時候，就連作者本人恨不得把電腦扔出窗外。

他不得不在IDE和Claude之間頻繁地復制粘貼，并手動拼接被Claude輸出長度限制截斷的代碼片段。

甚至，有幾次他對Claude「提高了嗓門」，只因AI「忘記了」Schluntz之前的指令。

接下來，就看看Schluntz如何調教的Claude。

要具體，并舉例說明

如果你只給出一個基本請求，LLM可能會給出一個中規中矩的通用答案，可能并不適用于你的特定代碼庫。

這時， 就需要給出「非常明確的指令」，來獲得更優的結果。

比如，詳細說明你期望的輸入和輸出，使用哪些庫等。

Schluntz發現，將指令放在輸入的開頭和結尾效果最好，可以確保AI不會「遺忘」重要的上下文。

最好是，能夠提供代碼庫示例，供AI參考。特別是，在編寫單元測試、處理樣板代碼時，AI表現特別好。

通過示例，AI還可以學習如何使用代碼庫中的內部工具函數。

這當中，遷移和重構，是最完美的應用場景。

Schluntz會手動遷移一個實例，然后用它作為示例讓Claude轉換其余的輸入。

通過這種方式，他可以快速重構大約3,000行代碼。

讓Claude掌舵

大多數人把LLM當作StackOverflow的替代品：他們雖是在詢問方向，但仍然自己在駕駛。

Schluntz則反其道而行之。

「如果你能夠給Claude正確的基礎構建模塊，它往往可以一次性完成整個任務」。

在周末的機器人項目中，Schluntz和朋友Survy給Claude提供了一段控制單個電機和讀取藍牙游戲手柄的代碼。

通過這些構建模塊，Claude能夠一氣呵成地編寫出所有遠程控制機器人的代碼，節省了大量時間和繁瑣的數據處理！

令人驚訝的是，這與常見的建議完全相反，即一次只向LLM提出一個問題。

尤其是，在Schluntz不熟悉的領域，Claude往往在任務分解方面表現得尤為出色。

過于具體的請求也能奏效，但有時會導致失去整體視角，類似于在沒有整體背景的情況下，給出狹隘的建議。

RTFM == Read This For Me

電機控制器，有一份100頁的說明書，內容繁瑣且復雜。

但Schluntz和Survy將其上傳到Claude，然后提問，迅速解決了其中一個問題。

在以前，這可能需要一個小時的仔細閱讀，并查找相關術語和教程。

機械同理心

「你不需要成為工程師才能成為賽車手，但你必須擁有機械同理心。」

——三屆F1世界冠軍Jackie Stewart

漸漸地，Schluntz開始建立起一種非常好的直覺，Claude能正確處理哪些事情，以及哪些事情仍需要人類做。

了解這種區別，讓他在兩個方向上都避免了很多挫敗感。

Schluntz學會了哪些地方可以進行簡化處理：

- 「我正在使用一個名為pygame的Python庫……」 簡化為 「在pygame中……」

- 「當我運行你的代碼時，我收到了這個錯誤信息……你認為我現在應該怎么做」 簡化為直接復制堆棧追蹤（stack trace）。

他甚至還學會了，轉換或重構大塊代碼可以帶來顯著效果。例如，在每一行之間添加計時器（timing instrumentation）。

另一方面，Schluntz學到如果一個LLM在兩次嘗試中，無法修復一個錯誤，那么它永遠也不能修復。這時就需要自己動手了。

他還對Claude可能會犯的錯誤，有了很好的直覺。

有一次，Claude給了一段代碼，它循環遍歷motor1, motor2, motor2, motor4，遺漏了motor3。

作者的朋友注意到這一點，并說 「這一定是幻覺」！但Schluntz能感覺到，「Claude絕不會犯這種錯誤」。

果然，當他們檢查輸入時，發現這個錯誤確實存在于最初放入Claude的原始代碼中。

為自己構建臨時工具

當Schluntz帶著機器人繞著后院轉了一圈后，它輸出了一份包含GPS坐標和其他數據的CSV文件。

他想檢查這些數據與實際情況的準確性，但并沒有很高效的方法，要弄清楚如何查看和分析這些GPS坐標可能需要一個小時。

甚至，他可能會手動在手機上檢查GPS坐標，用眼睛死死盯著這些數字，害怕漏掉其中一行。

這次，Schluntz將CSV文件的前兩行提供給Claude。

它立即生成了一個網頁APP，可以在衛星圖像上渲染上傳的GPS坐標CSV文件！

擁有恰好符合我需求的完美調試工具，而不用依賴print語句或預先構建的可視化工具，徹底改變了局面。

AI讓軟件開發變得如此便宜，以至于它可以為特定任務創建一次性工具！

總的來說，這些經驗和教訓讓Schluntz在使用AI寫代碼時，變得更高效！

沒有AI工具，這就像是放棄編譯器，改為手寫匯編語言一樣。

未來會怎樣？

在文章的最后，Schluntz將AI編程劃分為三個階段：

過去1-2年

過去的幾年里，AI在軟件工程中的最大用途是，在IDE中使用Copilot自動補代碼，或是通過ChatGPT查詢代碼知識（以往需要去StackOverflow尋找答案）。

以及，通過一些智能體，在沒有人類監督情況下輔助編程，執行多個步驟，但這些并不實用。

今年

2024年，這三個領域都在發生變革。

諸如Zed、Cursor和各種VSCode擴展這樣的IDE，深入地整合了大模型，擁有更完美的上下文，還能處理更大塊的代碼生成。

Claude Artifacts、ChatGPT的Data Analyst取代了Jupyter Notebook。它們已經成為作者的原型開發工具，和一次性代碼的首選解決方案。

最后，一批如Cognition、Factory、CodeGen等智能體初創公司，正在端到端地自動化某些工作流程。

未來1-3年

Schluntz認為，未來1-3年，會出現真正的「AI工程師」。

也就是說，這三個領域可能會融合成一個產品——「AI工程師」，一個可以在自主模式和同步模式之間連續工作的系統：

1. 自主模式適用于范圍明確的任務

AI將完全獨立工作，具備編寫和運行代碼、使用外部工具、搜索網絡信息、訪問內部文檔以及從過去錯誤中學習的能力。它會不斷迭代任務，直到完成或遇到瓶頸。這將占據80%的工作量。

2. 配對編程模式適用于最難的任務

人類將在高層次上指導AI，而AI負責處理低層次的實現細節。互動將是高度多模態的，人類和AI將在文本描述、視覺圖表、口頭討論和直接操作彼此代碼之間無縫切換。你可能會共享屏幕，讓AI跟隨并給出建議和意見，或者AI共享它的屏幕，而你在它操作時給予指導。

除此之外：

- AI工程師將擁有與你作為員工時相同的所有背景信息和知識

AI將連接到公司的知識庫，訪問你的設計文件和客戶訪談記錄。無論是自主操作還是與人類配對，AI都能在需要時無縫地提取這些信息以做出決策。

- AI工程師將是主動的而不是阿諛奉承的

如果你提出一個設計建議，AI會提供用戶訪談記錄，并提出更好的建議。

AI工程師將為其工作中的簡單和可預測部分派遣更便宜的子智能體，從而降低計算成本和延遲。就像你可以瀏覽日志文件而不必逐字閱讀一樣。

在Schluntz看來，AI工程師在特定方面將比大多數人類工程師更聰明，但有時會缺乏常識或者需要重新集中注意力并接受指導。

實際上，這與今天經理和產品經理與工程師合作的方式并沒有太大區別。

我們還需要工程師嗎？

正如計算器的發明并沒有讓會計師失業，而是提升了他們的工作，使他們能夠在更高的抽象層次上進行思考。

會計師仍然需要知道如何做數學運算和理解計算，但像計算器和電子表格這樣的工具使他們能夠創造比以前更多的價值。

類似的，AI也會降低創建軟件的門檻，就像任何人都可以使用Excel做個人會計一樣。

學生們可以在宿舍里啟動完整的應用程序和業務，小型工作室也可以為自己創建量身定制的軟件工具。

這時，創造力將會是唯一的瓶頸。

人類工程師不會消失。

我們仍然需要在高層次上進行優先級排序，理解問題的整體架構和范圍，并審查AI的工作，尤其是在系統變得更大時。

不同的是，我們將會把更多的時間花在思考構建什么上，而不是重復性地考慮「如何」構建。

如今，Schluntz已經擺脫了石膏的「束縛」，但他依然會將大部分代碼交給Claude去寫。

軟件工程的未來

巧合的是，Cognition AI的總裁Russell Kaplan昨天也發表了長推，預測在AI越來越擅長寫代碼的時代，軟件工程行業將如何發展。

Congnition AI正是第一個AI軟件工程師Devin的開發商。

在Kaplan看來，研究實驗室將對下一代模型的編碼和推理進行更多改進。很快，模型在編程上就會變得非常出色。

為什么呢？

除了通用人工智能的進步外，編程還有一個獨特的優勢：通過「自我對弈」實現超越人類的數據擴展潛力。

模型可以編寫代碼，然后運行它；或者編寫代碼，編寫測試，并檢查一致性。

這種類型的自動監督在大多數領域是不可能實現的，因為我們在接近人類專業知識極限時，面臨著后訓練的數據壁壘。而代碼不同——它可以通過經驗和自動化進行測試。

因此，軟件工程在幾年內將會發生根本性的變化。

真正的編碼智能體將能夠完成端到端的任務，并與今天的AI Copilot相輔相成。

在這個新世界中，每個工程師都將成為工程經理，并配有一支由智能體組成的實習生大軍。

工程師只需將把基本任務委派給編碼智能體，然后就能把更多的時間花在解決更高層次的問題上：理解需求、架構系統以及決定構建什么。

這將引領我們進入一個前所未有的軟件繁榮時代。

很快，曾經難以開發且成本高昂的軟件將變得更加易于獲取（提高10倍），「一次性軟件」也將會大量涌現。

未來的軟件工程師將比現在多得多，只是工作方式會有很大不同：更多的自然語言，以及更少的樣板代碼。

當然，對于這種變化，工程師們很快就能夠適應，就像他們從匯編語言過渡到Python時一樣。

除了直接的生產力提升之外，這還會對初創公司產生實質性的「二階效應」。

首先，面向開發者的公司也將針對編碼智能體進行「營銷」。畢竟，你的智能體會決定使用哪個云服務和選擇哪個數據庫。

曾經作為優先考慮的用戶友好CLI，將轉變為智能體友好的UI/UX界面。

產品質量的門檻也將提高。在開發者能夠更快交付的世界中，半成品或功能不完整的MVP將不再被接受。

隨著編碼智能體的興起，測試基礎設施將變得更加重要和普及。因為編碼智能體會編寫更多的測試，同時也會依賴這些測試來檢查他們的工作。

隨著智能體使代碼遷移變得更容易，轉換成本將不再是科技公司的護城河。公司甚至將智能遷移助手與產品進行捆綁銷售，來簡化使用流程。

無論具體情況如何，總體趨勢是明確的：現在是成為開發者的最佳和最高效的時代。