炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

新智元报道

编辑：英智

【新智元导读】Atharva博客揭示，AI是工程师能力的放大器。扎实的编程基础搭配精准提示，能让AI助你打造出极致产品。想知道如何用AI加速开发、少踩坑？快来看高手的秘诀！

最近，Karpathy在YC AI创业学校演讲中推荐了一篇博客。

这篇博客中，Atharva表示，AI是放大器，coding功底越扎实，AI给的助力就越猛。

当你能用精准的提示词拆解需求，当对系统设计有敏锐直觉，AI会把你的能力指数级放大；反之，模糊的指令只会让AI输出漏洞百出的代码。

AI是打造认真、靠谱产品的工程团队的好帮手，这需要对这些工具有着娴熟的驾驭能力。

用AI开发，速度快得飞起！用对了，团队能更快地缩短与用户的反馈闭环，从而打造出更优秀的产品。

然而，用好AI工具也颇具挑战。用得不好，代码可能稀烂，甚至拖慢进度，深陷于垃圾代码和技术债务的泥潭。

AI编程是个放大器

想让AI发挥出色效果，首先要提升自己的水平。

AI是一个放大器。如果你的能力很差，收益自然微不足道；如果你的能力系数为负，收益甚至可能是负值。

最优秀、经验最丰富的工程师能从 AI 工具中榨取更多价值，原因如下：

所以，要秉持工匠精神。就算AI帮忙，也要对产出成果感到骄傲，这点在AI系统的最终产出中得到了清晰的印证。

举个例子。下面这个提示词不算差，但显然不够深思熟虑：

这个提示词能生成一个勉强可用的结果，但很可能会忽略一些边缘场景、最佳实践和质量标准。

相比之下，高手可能会这样提问：

优先考虑简单、可读性强的实现，避免过早优化。请仅用Python标准库（stdlib），不要引入Redis或其他外部依赖。

哪个提示词能更好地实现设计者的意图？一目了然吧！

还有个卓有成效的技巧，叫「元提示」（metaprompting）。

先给模型一个简单任务，让它帮忙挖出需要权衡的因素和潜在的边界情况，整理成技术规格，再让另一个AI智能体去执行。

实际上，上面那个「高手提示」就是AI帮忙优化的，AI现在已经很擅长为自己写提示词了。

AI工具的玩法总在变，但有一条金科玉律：努力提升自己，成为一名优秀的工程师，你的习惯会迅速传递给AI。

这之所以有效，根本原因在于：凡是能帮人类更好地思考和工作的方式，同样也能帮助AI。

能帮人类的，也能帮AI

在AI技术进步带来颠覆性变革的今天，有必要重新审视软件工程的定义。

软件工程的核心不是光写代码，至少，这并非它的决定性特征，正如写作的本质并非只是在纸上挥洒笔墨。

软件工程是一门艺术与科学，旨在维护一个庞大且定义明确的心智模型体系，以满足业务需求。核心是打造和维护复杂的社会技术系统，代码只是一种表现形式。

在AI强大到足以吞噬整个社会技术系统，并把培育它的人全踢出去之前，它必须要融入这个系统。

换句话说：在一个同样适合人类发展的环境中，AI也能更好地茁壮成长。这意味着，团队必须具备扎实的软件工程基础。

AI偏好的高质量团队和代码库有这些特征：

当今的AI能利用所有这些要素，自动搞定任务。

给一个编程智能体分配任务时，它会在其智能体循环中，通过运行测试用例和静态分析工具来不断进行自我修正。

这极大地减少了为完成工作，而需要进行的手把手干预。丰富的环境与上下文，能帮助AI更好地工作。

在此分享一则轶事：Atharva曾参与一个项目，其中包含两项服务。

一项服务具备上文描述的所有优点——良好的测试、完善的文档、一致的代码模式以及大量的检查与防护机制。而另一项服务则混乱不堪，上述优点一概皆无。

结果，AI编程智能体在处理后者一个同等难度的任务时举步维艰，远不如处理前者时那般顺利！

这很可能是因为，那个混乱的代码库对AI造成的困惑，与对人类工程师造成的并无二致。

对于何为正确的行事方式，它传递出了混乱甚至矛盾的信号。

编辑器中的工具与战术

战略讲完了，来点干货战术：

不计成本，使用最好的AI模型

务必使用当前最顶尖的编码模型，不要为了节省额度或开销而选择次级模型。

优质模型带来的优势会产生复利效应。拥有一个强大的编程模型作为基础，接下来介绍的所有战术都将事半功倍。

提供精准的上下文

AI辅助编程的效果，很大程度上取决于为LLM提供上下文的技巧有多娴熟：

开发新功能或重构

调试

编辑器之外的实用招数

用AI提升个人技能与知识

AI是一位拥有海量知识、具有高效研究能力，超级有耐心的老师。

应积极用AI学习新知，揭开陌生代码或技术栈的神秘面纱。坚持不懈地深入挖掘，探寻最佳实践。同时，务必让AI引用高质量的信源，确保学到的知识准确无误。

创建海量详尽文档

把代码库信息提供给AI，就能轻松地创建大量细致的文档。比如：

这样做的好处显而易见——如今，生成文档的成本已极其低廉，而这些文档又能反过来极大地提升AI以及人类成员的工作效率。

解决日常协作小摩擦

AI能极大降低团队日常工作中遇到的各种小阻力：

代码评审 (Code Review)

调试和监控线上应用

性能优化

数据库优化故事

下面是近期一次互动实例：优化PostgreSQL中的一整套查询。

每天要执行大约十次查询，每天一次，用于生成一组用于分析的报表，基于事务表的非规范化视图。这些查询庞大且缓慢。

作为一名训练有素的工程师，他挑出最慢的查询，然后：

等待了13分钟后，得到了一份相当友好的输出。

感谢像Hubert depesz Lubaczewski这样的好人，提供了一个很棒的工具来处理这些相当友好的输出。

通过这个工具，输出变得更加友好，一个大大的红框跳出来，清楚地告诉他哪里出了问题。

但他训练有素的工程师大脑却在想：现在该怎么办？！

Sir depesz的工具暗示了一个work_mem问题，这是一个可以在夜间运行这些查询时调整的旋钮。这比重写一个200行的、关联了整个世界的SQL查询要实用得多。

但该如何思考和推理这个问题？硬件能支持什么？他对PostgreSQL的旋钮调整几乎没有经验。

在上述故事发生前一个月，也就是2024年10月，人们对一个当时被称为Sonnet 3.5（新版）、如今被称为Sonnet 3.6的模型赞不绝口。当时它无疑是最好的AI模型。

他把查询计划和硬件规格塞给了Sir Sonnet 3.5（新版），以下是提示：

并非所有建议都完全合理，但关键建议看起来不错。于是他听从了AI的建议，重新运行了查询。然后数据库崩溃了。

Sir Sonnet回答：

（想象一下，这里还有几次迭代，以及对Sir Sonnet过于自信的胡言乱语的一些抱怨。）

最终，查询速度显著提升。他尝试调整了许多PostgreSQL参数，并整理了一个矩阵：

他和Srihari交流了经验，像Srihari这样经验丰富的人可能一个下午就能搞定。

Sir Sonnet帮忙的地方在于，作为一个从未调整过PostgreSQL参数的人，他能像Srihari一样高效产出。而且，与 Sir Sonnet的对抗式互动让他以前所未有的速度学习了PostgreSQL的内部机制。

如今，大模型比过去聪明得多。它们能更智能地推理，工具使用也更出色。

人们编写软件的方式正发生着巨变，因此有必要重新审视一些曾被奉为金科玉律的传统智慧。

别急着搞复杂抽象：首先，花费过多时间去寻找和构建精巧的抽象，其价值正在降低。

DRY（不要重复自己）原则对确保代码模式的一致性固然有用，但为了应对需求变更而维护，本身就需要付出成本。

返工的成本极低。小范围的代码编写不如整体代码结构和组织重要。可以快速构建多个原型测试想法。

氛围编程很适合原型开发，但事后要将原型抛弃并重新进行规范的开发。

验证并修正一个既有方案，通常比从零开始创造它要容易得多。这极大地降低了人们尝试新事物的阻力。

测试是绝对不容妥协的。AI能够快速、批量地生成测试用例，这让任何不写测试的借口都荡然无存。

但请记住，必须时刻严格审查其生成的内容！

参考资料：

https://blog.nilenso.com/blog/2025/05/29/ai-assisted-coding/

https://simonwillison.net/2025/Jun/10/ai-assisted-coding/

https://x.com/deedydas/status/1936090859319259321