Newshot

我用 AI 编程一年学到的事

Translation(model translation, not the source's own text)

AI 时代的软件开发

2026-11-12 · Robert Stark,CTO

过去十二个月里,我编写软件的方式发生了翻天覆地的变化。接下来十二个月里它很可能还会再变,但我想把日常工作中一些似乎已经沉淀下来的观察,以及我因此形成的工作方式写下来,这或许对我自己和对别人都有帮助。

代码如今是生长出来的,而不是被创造出来的。

这大概是最大也最抽象的一条观察,虽然听起来像隐喻,但它并不是。你把基本规则和目标作为种子播下去,看看从中长出什么,并在结果代码生长的过程中引导其中的元素,让它以你想要的方式做你想做的事,而不必真正操心那些更细枝末节的部分。

我的做法

我开始每个项目时都会先写一份类似“宪法”的文档。它详细说明这个代码库为何被创建、它要遵循的具体设计原则和偏好、要使用的具体技术,以及开发循环应该是什么样子的长期规则。

我刚开始用 AI 时,本能地倾向于只把具体的指令放在最前面,但随着时间推移、模型变得更好,我注意到把“为什么”写进文档确实有助于让 AI 对齐我的实际目标。

这最终是一份活文档,常常会成为整个仓库的 README,但你得先有扎实的内容,才能放手让 AI 去跑。

代码库不再被直接阅读了。

即便生成的代码很漂亮、组织良好、抽象得当,并且围绕尽可能最好的原则进行架构,也不会有人直接去读它。所有代码库,无论大小、美丑,都是通过 AI 代理来检视的——按需搜索并提炼其中的内容。

我的做法

我的顶层 README 文件会讲清三件事:目的、结构、用法。这些内容取自前面提到的“宪法”文档,并且随着时间推移会越来越重要,因为 AI 在每个新会话开始时都需要看到这些信息。第三方 agent 也会需要它。

系统现在的迭代精炼通过重写来完成,而且这样更好。

在 AI 之前,启动一个新项目意味着要有一个非常具体的愿景,你朝着它努力数周或数月,并在此过程中不断精炼。你通常会有数周甚至数月的持续投入,围绕事情目前的运作方式以及系统应如何随时间扩展或改变,建立上下文和心智模型。

这段旅程不再存在了。系统会在几周甚至几天内就超出你完全理解它的能力。你创建 git 仓库的那一刻,协作者就已经以 AI agent 的形式在场了。你不再享有像过去那样随时间精炼系统愿景的奢侈。

不过,你现在可以尝试许多不同的愿景,并非常迅速地抛弃它们。说实话,这好多了,也更不容易陷入大多数遗留系统最终落入的那种可怕的局部最优。

我的做法

我经常让 AI 探索应用于现有系统的替代设计或技术。

“如果我们用 bazel 会怎样?”

“如果我想把搜索和发现列拆分到一个单独的数据库会怎样?”

我会让 AI 规划迁移到不同的架构、不同的设计模式、不同的构建系统、不同的 CI 提供商等等,然后看看会得出什么。我大概每两周做一次,尽管我几乎从不真正执行(九个月里只做了三次),因为我几乎总能从这些计划本身学到东西。有时我发现某些本不该紧密耦合的东西被紧密耦合了,有时我发现某个功能的表现和我预期的不一样,有时我发现了一个相当大的简洁性或性能收益。

我属于认为如今设计更重要而非更不重要的阵营。

文章标题:我用 AI 写代码一年学到的事

我不是说要读每一行代码、死抠细节。我是说,规则和约定会让 AI 变得更高效或更低效,而效率依然重要。用更少的时间、更少的头疼得到同样的结果,就是更好,没得商量;而且关心设计、约定以及你攻克功能的顺序,会产生巨大的影响。

我的做法

学习设计模式。了解它们有什么用、为什么被发明出来。这些东西以紧凑简洁的方式传达原则,并且有非常清晰的成本与收益。它们存在的原因并没有从代码中消失,只是从我们的视野中消失了。

重要的设计原则种类,以及它们何时重要,已经变了。

YAGNI 这个概念已经从应用于代码,转变为应用于你的提示词。一次只向 AI 要一件事,并且具体说明你想要什么。DRY 更多关乎结构,而非其他任何东西。你需要一个 AI 能够连贯地导航和搜索的代码库,否则它会在不同地方一遍又一遍地重写同样的函数。

我的做法

我一次只处理一个功能单元,并且把重构与功能变更分开,至少在提交边界上分开。

我还遵循严格的结构规则,根据代码的用途决定代码放在哪里,同时采用广度和深度两种结构。“领域”是广度结构,代表一个服务或系统所处理或操作的“事物”或“类别”,比如“users”、“trust providers”或“tokens”。“层”是深度结构,把领域按不同职责拆分,比如持久化、遥测、服务处理器或守护进程。这让我能用语义上精确的指令来命令 AI,这些指令可以直接对应到受影响的目录和文件,而无需我指定具体路径,并且能防止 AI 每次我让它完成任务时都搜索我的整个代码库。

垃圾会累积。

历史在注释中堆积,文件被复制而不是导入,包依赖变成一张没有方向的网。难以导航的代码会导致 AI 写出难以导航的代码。AI 在上下文不足的情况下进入,没有办法收集相关上下文,结果随着时间推移,它给你的东西越来越不是你想要的。

我的做法

我在所有的功能开发循环中都加入清理步骤。按某种节奏,不一定每个任务都做,我让 AI 以简化和单一职责为基础,针对代码精简、注释精简或解耦设定具体目标。

我留意的具体垃圾:

  • 防范无效输入或输出的代码。这往往是不必要的膨胀。
  • 数据库一致性保证。问 Claude 哪些行锁或互斥锁可以移除,或者移除它们会有什么后果,往往会发现其中许多是不必要的。
  • 包内抽象。不与其他包共享的代码几乎总是应该是具体的,而不是使用接口或其他此类抽象。
  • 临时测试。有些模型在开发过程中倾向于编写大量临时测试,需要提示它们自己清理。(说的就是你,Astra)。

我的大多数问题都归结为缺失的上下文。

根据我的经验,SOTA AI 倾向于“搞错”的大多数情况,都源于某块缺失的信息。要么是代码库中没有的环境知识,要么是我没有写下来的偏好,要么是之前会话中做出的决定。在当前上下文窗口之外,LLM 只知道它们训练时所用的内容,而你的代码库很可能不在那个语料库中。当然,不够突出,不足以对你的体验产生有意义的影响。

我的做法

用 AI 写代码一年,我学到了什么

我的工作方式可以称为“元规划”(metaplans)。我先设定一些高层目标,然后搭建一个文件层级结构,把实现这些目标所需的不同工作以不同详细程度组织起来。执行阶段就是去执行这棵文件树的“叶子”节点,也就是具体的代码改动。高层目标以及所有中间决策和讨论,在这些节点完成后依然保留。我会把这些文件保留几周甚至更久,供后续工作参考。这在其他规划会话中尤其有用,因为之前的决策往往能为 AI 规划下游特性和功能提供良好的上下文。

上下文过多也可能是个问题。

LLM 大概是为了弥补自身的盲区,会到处查看远超必要范围的内容,看一些和你想要的东西毫无关系的东西,而一旦它们查看了某个地方,就可能确信那是相关的,不管实际上是否相关。这经常导致偏离目标的改动。

我的做法

我对代码如何在服务之间、仓库之间,甚至包内部共享设有严格规则。代码在尽可能低的层级共享,放在“pkg”目录中。跨领域共享的代码必须放在共享的“pkg”目录里。“pkg”目录中的代码必须是无状态的。它可以通过接口之类的方式命名或处理状态,但不能自己持有状态,因为状态始终属于某个领域。我有一些 linter 来强制执行许多这样的规则,以促成易于搜索的代码库。

你对抗不了权重

LLM 是在海量数据上训练的。你可以用它们的上下文窗口很好地引导它们,但它们从根本上受限于训练中所学到的模式和概念。

无论你在提示词里重复多少遍“不要留下记录代码历史的注释”,如果模型是在十亿条历史注释的样本上训练的,你就会得到这种注释。权重永远会赢。

我的做法

放弃。把想要的规则留在那里,甚至加一个清理循环来强化该行为,但如果模型无视它们,你就只能随它去。挑值得打的仗。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by HN AI
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗