匿名投稿：《AI 的笨是可知的，小弟的笨是不可知的》

来自一位大厂朋友的经验分享，谈他在用 AI 辅助写代码的感受：

我们的 AI 写码之旅

我们的挑战：

1. 编程语言：Rust，可以说是“专门为 AI 负优化”的语言。
   
2. 产品：特殊设计的操作系统，几乎没有任何现成的参考。
   
3. 自研的第三方库，包括 RPC、异步调用等，大部分库只有我们自己在用。
   
   我们经历了几次迭代，目前还没有为 Rust 专门调优 LLM。
   
   初始阶段
   
   
4. 使用通用的代码补全与生成模型做 tab 补全。
   
5. 使用通用的 Chat 模型进行跨文件代码生成、解释以及生成单元测试等。
   
   这个阶段整体表现不佳。只有 tab 补全在一些简单情况下偶尔能有用。由于 LLM 对我们的系统一无所知，一旦遇到特定领域内容，LLM 就会开始“瞎猜”。
   
   第二阶段
   
   我们把项目代码放进去对 LLM 进行微调。
   
   在这一阶段，LLM 勉强理解了一些系统相关的内容，能生成部分相关代码，但准确性依然不高，尤其在我们逐步废弃一些旧组件、引入新组件的过程中，LLM 容易混淆。毕竟当前文件里旧组件的使用频率可能比新组件更高。
   
   简单的单元测试和基础的 setup 代码，LLM 能生成一些，但通常还是需要人工改动；复杂的部分几乎没戏，尤其是 setup，AI 往往“乱来”。
   
   但好的一面是，代码解释的效果好了很多。总结下来就是：它能省下一部分工作量，但离省下全部还有很大差距。
   
   一个明显的好处是，我减少了和初级开发沟通的次数。有些设计，只要我把分割做得足够清晰，给出合适的提示，AI 就能完成个七七八八。
   
   之前的工作流是：我设计、分割，自己搞定难点，把简单的、重复的工作交给小弟，或者写好 demo 再分配任务。
   
   现在的工作流是：我设计、分割，难的部分自己搞定，剩下的交给 AI。说实话，有时候感觉更累了 😂
   
   但至少，AI 的“笨”是可以预见的，而小弟的“笨”却难以预料。
   
   举个例子，有一次我把 demo 都写好了，调试通过，只需要小弟加两个测试就能交付。结果小弟愣是“搞”了一个月... [捂脸]
   
   https://t.co/sI1TijsV7X