动机

这个博客很早就部署了，不过之前使用的是一个开源项目Notion-Hugo，这个项目作的很棒，给我提供了一个很好的思路，基于Notion作为CRM，使用Hugo主题进行部署，既满足了我日常使用Notion写作，Hugo漂亮的主题还对我胃口。不过该项目是使用TypeScript写的，在项目运行过程中偶尔会有一些错误出现，我自己调起来又有点麻烦，有时候就索性不管了，一放就好久，到头来还得硬着头皮去调，花了不少时间。后来我就想为什么我不自己开发一个呢，功能也不复杂，完全可以使用Python来开发，应该花不了多少时间，于是就有了这个项目，不过代码基本上都是AI写的，我基本只负责提需求和审查代码。

开发过程

因为本篇文章拖了很久才写，那时候使用的AI Coding还是GitHub Copilot，不像现在的Cursor这样的AI IDE，能够实现全自动的开发。但是相比以前还是有了10x的效率提升。

整个开发过程还是很丝滑的，虽然之前也使用了AI Coding，但是没有这次使用这么彻底，这次我想的是完全不自己动手，全凭AI来完成。

首先是搭建整个项目的框架，我通过chat的方式询问了标准的博客项目的架构是什么样的，然后手动创建了项目目录，接着我让AI开发了与Notion交互的测试代码，测试了下，通过！

然后是仿照Notion-Hugo项目的方式，实现了从Notion获取数据，然后转成Markdown格式，通过hugo进行部署。甚至很多代码我直接copy Notion-Hugo的TS代码，让AI转成Python，比如不同类型Notion数据的转换。

项目开发完，基本没有遇到什么bug，遇到了我就把报错信息提供给AI，让AI自己解决。接着部署到github.io就完成了。非常简单丝滑，开发时间也很短，差不多只用了一个下午。

AI Coing发展过程

接下来我来简单介绍一下AI Coding的发展过程。

最早的时候我们使用的编辑器都会有提示功能，例如VS Code、JetBrains相关的产品，这类产品基本是基于语法、模板进行代码提示，实现了括号匹配、关键词补充等功能。

后来发展到使用一些简单的神经网络算法进行代码提示，例如LSTM，但是一直没有火起来，使用体验也没有太大的提升。

直到LLM发展以后，基于LLM的续写能力，能够实现精准的代码补充，因为你的注释、代码上下文能够为LLM提供充足的信息，让代码预测更加精准，这一时期GitHub Copilot是典型的代表，但是每个月10刀的订阅费，让国内的用户还是望而却步，这时候国内的模型厂商免费提供了大量的插件，例如通义灵码、CodeMars等，我都有使用过。

随着LLM能力的提升，代码补全已经太简单了，我们可以通过chat的形式给LLM模型发送指令，让其完成相应的代码开发，比如使用Python帮我实现快排、帮我给接口添加标准的日志等，之后LLM会完成响应的代码，我们可以通过复制粘贴的形式，或是直接应用的形式使用代码，但是这种形式仅局限在与一个代码文件，并不能根据整个项目进行实现。

简单的chat已经不能满足我们的要求了，能不能有更加方便的方法呢？比如我说帮我实现一个web页面，接入天气api，可以查询不同城市日期的天气，这时候Agent的形式就来了，Agent可以帮你构建整个项目，创建好项目的目录结构，分别实现不同的功能。这一时期的代表就是Cursor，我们通过自然语言的交互，可以实现整个项目的搭建开发。这里插一句，Cursor的爆火跟anthropic的Claude-3.5-Sonnet是有直接关系的，Claude-3.5-Sonnet是当时最好的编程模型，没有之一。可见AI Coding的发展是强烈依赖LLM模型的能力的。

更进一步，除了开发任务，还能进行自动运行、部署、交付，这相当于一个程序员的大部分工作了，Devin做到了，他通过构建一个虚拟环境，赋予LLM足够的权限，实现自动化的工作，Agent的形式我们还需要配合，比如审查代码、点击接受代码、调整需求等。Devin完全是自动化的，我们可以下达指令以后，就去干别的事情了，等着交付就行。Devin一个月500刀的订阅费，你们觉得值不值呢？如果Devin具备高级工程师所具备的能力，我觉得那相当值，但是现在可能还没有达到这种能力，仍然会有出错的可能，所以让子弹再飞一会吧。

一些思考和感想

随着对AI Coding的使用越来越多，现在我对于工作上的需求，和自己的想法越来越open，特别愿意尝试新技术，比如对于一些不太熟悉的技术栈，我都可以去尝试。因为我本身是算法工程师，所以对于后端开发、前端开发，并没有专业的工程师那么熟悉，但是现在我会主动去使用AI进行搭建web demo，以供产品、运营等同学去进行测试我们的模型，针对自己的一些想法，也会使用AI去做一些小工具来进行验证，还能提供自己的工作、学习效率。因为我总感觉之前我是单打独斗，现在有一个“老师傅”站在我的身后，在我有任何问题的时候，都能耐心的、掰开了、揉碎了讲给我听，还能通过各种例子来帮助我理解。这就是AI带给开发者最好的福利吧。

对于有开发基础的工程师来说，AI Coding带来的是远超10倍的效率提升，对于没有基础的人来说，是从无到有的提升。所以未来肯定是一个人人都会编程的时代，对于工程师和没有编程基础的人，我给出的建议是，尽可能的多尝试和使用，但是也不能一点编程知识也不学习，还是要学习一些编程基础的，不然无法判断代码的好坏，甚至代码可能都运行不起来。

当然随着模型能力的提升，对人的要求也是越来越低，比如之前我们需要做详细的Prompt Engineering来让模型遵循我们的指令实现我们的需求，但是现在很少有人特别详细去写Prompt了，因为模型的理解能力变强了，不需要太多的Prompt技巧了，只需要将需求描述清晰，模型就能准确的去实现。

根据我的经验来说，最好不要一下给模型最终的需求，而是将需求进行拆分，根据最终的目标让模型逐步进行实现。这是因为模型本身上下文是有限制的，模型无法做到一步到位，并且如果是一个很大的需求，模型在实现过程中的某一个环节如果出问题的话，根据错误累积原则，错误会越来越严重，最终可能导致实现的代码与需求不符。

如果在编程过程中，一个问题总也无法很好的解决，模型可能会一直通过打补丁的方式进行实现，这可能会导致代码库越来越臃肿，以至于我们无法进行维护，甚至导致整个项目瘫痪，所以这时候可能多尝试其他的模型，比如ChatGPT，可以将当前的问题抽象进行描述，看看其他的模型有没有更好的解法，这相当于简化了模型的上下文，让模型只专注于当前遇到的问题，而不是考虑整个代码库进行回答。这样带来的好处是能精准定位问题和解决，不至于让整个代码库进行修改。找到问题解决的思路以后，可能让IDE帮忙进行解决，也可以手动解决，都是可以的，宗旨就是尽量不要一直打补丁。

还有一些项目可能是使用公司内部的框架，或者是一个多年的老项目，这时候使用AI Coding可能会遇到很多问题，比如AI不了解框架的使用，或是参考代码库内其他的错误的使用方法，导致出错，这种错误很难解决，所以这种情况，最好还是给出清晰的定义，甚至一些好的代码示例，如果框架有文档，也可以交给AI，也就是我们所说的few-shot，让AI去学习正确的使用方法，从而达到比较好的效果。当前目前来看使用AI还是在公开的框架上效果是最好的，因为有充足的训练数据，AI的理解比较到位。

最后

大家都在谈AGI，我认为编程领域的AGI已经到来了，当然如果你定义AGI是帮我做一个淘宝，AI能够从0开始搭建底层的代码，包括整个项目的部署运营，那肯定不是的。编程领域的AGI是通过使用AI实现效率的大幅提升（10倍以上）、代替部分人员的实际工作，这真的已经到来了。

Andrej Karpathy提过Vibe Coding，也就是完全沉浸式编程，只给LLM发出指令，等待其运行完成，直到项目完成。这种感觉只有体验过才会觉得有多美妙，这时候我们就是一个创造者，搭配着无所不能的AI，我们可以做任何事！

我还有一个想法，那就是一定会有一些AI Native Codebase，也就是整个代码库全是由AI来管理的，从代码的编写，bug的修复，代码的上线等各种流程，当这种情况出现的时候，我们就可以宣布AI Coding的AGI彻底到来了！