2024年的AI编程到底什么实力？近日，Google的工程主管Addy Osmani，为我们揭示了AI辅助编码在一线开发中的真实情况。2024年，AI编程已然渗透了各行各业，影响着软件的整个生命周期。那么问题来了，AI coding用过都说好，但我们平时用的软件咋感觉没啥进步呢？

近日，Addy Osmani，Google的工程主管，同时也是一位亚马逊畅销书作家，为我们揭示了AI辅助编码在一线开发中的真实情况。

码农怎么用AI？

一般来说，团队利用AI进行开发有两种不同的模式：“引导程序（bootstrappers）” 和 “迭代器（iterators）”。两者都在帮助工程师（甚至是非技术用户）缩小从想法到执行的差距。

Bootstrappers

这一类包括Bolt， v0， 和screenshot-to-code等AI工具，其特点为：

从设计或粗略概念开始；

使用AI生成完整的初始代码库；

能够在几小时或几天内获得工作原型；

专注于快速验证和迭代

这样的工作流令人印象深刻。比如一位独立开发人员可以使用Bolt，在短时间内将Figma设计转变为有效的Web应用程序。尽管达不到生产级别的要求，但用来获得初步的用户反馈绰绰有余。

Iterators

这一类主要负责日常开发工作流程，包括Cursor、Cline、Copilot和WindSurf等工具，效果没有上面那么浮夸，但更加实在，比如：

完成代码、提供建议；

执行复杂的重构任务；

生成测试和文档；

作为解决问题的“结对程序员”

虽然这两种方法都可以大大加快开发速度，但“天下没有免费的午餐”。

“AI速度”的隐性成本

高级工程师使用Cursor或Copilot等AI工具，可以在几分钟内搭建整个功能的基架，并完成测试和文档，就像变魔术一样。

但仔细观察就会发现，在参考AI建议的同时，资深工程师们还会：

将生成的代码重构为更小的模块；

添加边缘情况处理；

优化类型定义和接口；

添加全面的错误处理；

甚至是质疑AI给出的架构

换句话说，他们正在用多年积累的工程智慧，塑造和限制AI的输出。AI负责加速代码实现，但人类的专业知识确保代码的可维护性。

而初级工程师就经常错过这些关键步骤。他们更容易接受AI的输出，从而导致所谓的“纸牌屋代码（house of cards code）”——看起来很完整，但在现实世界的压力下会崩溃。

知识悖论

所以实际上，相比于初学者，AI反而更能帮助有经验的开发人员，——这多少有点反直觉。

高级工程师利用AI快速构建想法的原型（理解）、生成基本实现（可改进）、探索已知问题的替代方法等等；

而初学者却经常接受不正确或过时的解决方案、忽略关键的安全性和性能问题、不知道如何调试AI生成的代码，最终构建了一个自己不完全理解的脆弱系统。

70% problem

使用AI进行编码的非工程师，经常遇到一个窘境： 他们可以出人意料地迅速完成70%的工作，但最后的30%就相当痛苦了。

“70% problem”揭示了AI辅助开发的现状，刚开始如有神助，后来被现实按在地上摩擦。

实际情况通常是：

尝试修复一个小错误——>

AI提出了一个似乎合理的更改——>

这个更改破坏了其他一些东西——>

要求AI修复新问题——>

又产生了两个新bug——>

无限循环

这个循环对于非工程师来说尤其痛苦，因为他们缺乏专业知识来理解真正出了什么问题。

有经验的开发人员遇到bug时，可以根据多年的模式识别来推理潜在原因和解决方案。如果没有这个背景，那基本上就是在用自己不完全理解的代码“打地鼠”。

学习悖论

还有一个更深层次的问题：让非工程师使用AI编码工具，实际上可能会阻碍学习。

代码生成了、运行了，但“开发者”不了解基本原理，此时，他错过了学习基本模式、没有培养调试技能、无法对架构决策进行推理，而这份代码又需要维护和扩展。

于是，“开发者”不断返回AI来解决问题，而没有培养自己处理问题的专业能力。

非工程师使用AI编码工具的最好方式可能是“混合模式”：

1. 使用AI进行快速原型设计

2. 花点时间了解生成的代码是如何工作的

3. 学习基本的编程概念以及AI使用

4. 逐步建立知识基础

5. 将AI用作学习工具，而不仅仅是代码生成器

但这需要耐心和奉献精神，与许多人使用AI工具的目标恰恰相反。

“70% problem”表明，当前的AI还不是许多人希望的那个AI。最后30%的工作（使软件可用于生产、可维护等），仍然需要真正的工程知识。

最佳实践

Addy Osmani观察了几十个团队，总结了一些最佳实践方式：

“AI初稿”模式

让 AI 生成基本实现；手动审查和模块化重构；添加全面的错误处理；编写全面的测试；记录关键决策。

“持续对话”模式

为每个不同的任务开始新的AI聊天；保持上下文集中和最小；经常查看和提交更改；保持紧密的反馈循环。

“信任但验证”模式

使用AI生成初始代码；手动审查所有关键路径；边缘案例的自动测试；定期安全审计。

AI的真正前景？

尽管存在这些挑战，但作者对AI在软件开发中的作用持乐观态度。关键是要充分利用AI的真正优势：

加速已知AI擅长帮助实现我们已经了解的模式，就像有一个无限耐心的结对程序员，他可以非常快速地打字。

探索可能性AI非常适合快速构建想法原型和探索不同的方法，就像一个沙箱，我们可以在其中快速测试概念。

自动化例程AI大大减少了花在样板和日常编码任务上的时间，让我们可以专注于有趣的问题。

如果您刚刚开始AI辅助开发，作者的建议是，先从小处着手。

将AI用于非耦合的、定义明确的任务，查看生成的每一行代码，逐渐构建更大的功能。

过程中保持模块化：将所有内容分解为小的重点文件，在组件之间保持清晰的接口，记录模块的边界。

重要的一点是，相信自己的经验：AI用来加速而不能取代你的判断、感觉不对劲时要质疑、时刻维护自己的工程标准。

Agent兴起

随着我们进入2025年，AI辅助开发的格局正在发生巨大变化。虽然当前的工具已经改变了原型设计和迭代方式，但我们正处于更重要转型的风口浪尖：智能体（Agent）软件工程的兴起。

智能体系统不仅可以响应提示，还将以越来越高的自主性规划、执行和迭代解决方案。

比如Anthropic的Claude能够使用计算机，或者Cline自动启动浏览器和运行测试的能力。

在调试过程中，智能体系统不仅给出修复bug的建议，还可以：

主动识别潜在问题、启动和运行测试套件、检查UI元素并捕获屏幕截图、提出并实施修复、验证解决方案是否有效。

下一代工具将可以无缝集成视觉理解（UI 屏幕截图、模型、图表）、口头语言对话和环境交互（浏览器、终端、API）。

未来的AI不是取代开发人员，而是成为一个越来越有能力的协作者，既可以采取主动，又能尊重人类的指导和专业知识。