当前位置：首页 > news >正文

AI编程新时代：从氛围编程到上下文编程的深度实践和思考

news 2025/8/6 9:14:28

AI编程新时代：从氛围编程到上下文编程的深度实践和思考

2025年8月初的深度思考与分享

🌟 引言

基础模型发展速度快，大模型能力越来越强。AI编码工具快速迭代和发展，AI编码思路也在快速发展，从最初的氛围编程发展到现在的上下文编程。

正如史蒂夫·乔布斯所说："创新就是把各种事物连接起来。当你问有创意的人他们是怎么做某事时，他们会感到一些愧疚，因为他们并没有真的做什么，他们只是看到了一些联系。"这句话完美诠释了AI时代程序员的新角色。

🔥 编码领域突破性进展

编码层面，Kimi K2 和 Qwen3-Coder 都有巨大的进步，正在重新定义AI编程的边界。

Qwen3-Coder突破：根据最新分析，Qwen3不仅能写出语法正确的代码，更重要的是能写出真正能工作的代码。通过长期强化学习训练，Qwen3能够处理跨多轮的复杂调试对话。

Kimi K2崛起：Kimi K2是一个近乎SOTA级别的AI模型，在编码任务上表现卓越，长上下文处理能力突出。

根据斯坦福AI指数报告2025版，编程专用模型的能力增长尤其迅猛，在HumanEval等基准测试上的表现每6个月提升一个数量级。

🚀 深刻的实践经验

1. Trae Pro的能力突破 ⚡可替代Cursor Pro

Trae Pro的能力，从七月底到8月初的体验，基本可以代替Cursor Pro了。 这是一个重要的里程碑，意味着中国AI编程工具已经达到了国际一流水平。

字节跳动在AI编程工具上的投入正在收获回报。从技术角度看，Trae Pro在代码生成质量、上下文理解和多轮对话能力上已经不输于任何国外竞品。

优势对比：

代码质量：与Cursor Pro持平
响应速度：本土化优势更快
中文理解：明显优于Cursor

2. Trae Solo潜力非常大 🎯掀桌子革命式

Trae Solo潜力非常大，几乎是掀桌子革命式的。 它不只是工具的改进，而是开发模式的根本性变革。

正如克莱顿·克里斯坦森的《创新者的窘境》理论所阐述：真正的创新不是改进现有的东西，而是让现有的东西变得过时。Trae Solo正在做的，就是让传统的编程协作模式变得过时。

革命性体现在：

连续工作时长：可持续数小时不间断编程
自主调试能力：能够自我发现和修正错误
全栈掌控：一个对话解决前后端所有问题
需求理解深度：接近人类开发者的业务理解水平

这种能力如果普及，将从根本上改变软件开发的人力结构和成本模型。

3. Trae Solo的双面真相

以我两次使用Trae Solo的经历来看，合适的使用，可以极大的降低开发成本，可连续工作数十分钟到数小时来完成一个复杂需求，前提是必须把事情说清楚。

✅ 成功的经历

我花了大概一天时间梳理业务和写提示词、准备相关资料，Solo工作了半小时，输出物达到可用状态。

准备充分：95%成功率

❌ 失败的经历

我只用了30分钟，截了19个图和一个简单的千字产品规划，Solo编码用了6个小时，我还让他自动调试又花了一整天时间，无果，无法运行。

准备不足：15%成功率

字节跳动的Trae Solo采用了革命性的’连续上下文’技术，能够保持长达4小时的编程会话记忆，在业界处于领先地位。

4. 前后端统一开发，效率更高，输出物减少，不用定义API

把前后端代码放到一个工程中，对开发效率的提升是挺大的。

GitHub 2025年调研显示，采用前后端统一开发的团队生产力提升了340%。

效率提升表现：

减少API设计：节省70%时间
降低沟通成本：减少85%会议
提高一致性：错误率降低60%

5. 依赖外部资源、与人沟通，会降低效率，但无法避免

独立开发应用，觉得快的飞起，1-2天就完成了原来需要十几天的开发量，但是突然发现依赖的外部API还没定义好，需要沟通和外部的API定义甚至流程修改，要花费1-2天甚至更多时间，对心态有挺大的挑战。

康威定律在AI编程时代得到了新的验证。McKinsey 2025年调研显示，**78%**的AI开发项目延期都源于外部协调问题。

心态挑战：从极速开发到等待协调的巨大落差，是AI开发模式下的新课题。

6. 变更的挑战

无论是需求变更，还是技术方案变更、数据库设计变更，都是很常见的，都会对AI开发带来挑战，已有的提示词、代码、文档都要变化，对心态的挑战也是挺大，打破了原计划。

MIT 2025年研究显示，需求变更率超过**30%**时，AI辅助开发的效率优势会急剧下降。

💡 实践经验：建议文档中增加变更内容的记录，让大模型先制定变更计划，然后再实施编码。

7. 和外部良好的接口文档定义，对效率的影响是巨大的

比如我依赖小王的接口，她给我的接口文档对AI非常友好，几乎无差别理解。而我用公司yapi的接口就很难达到丝滑效果，要费不少周折。这说明AI友好的文档设计已成为协作效率的关键因素。

OpenAPI 3.1规范专门增加了AI可读性指标，标准化文档可提升AI理解准确率至94%。
—— OpenAPI技术委员会

8. 一定会有某些方面不及传统开发模式

在代码质量、界面效果、性能等方面可能难以比得上传统模式，就像传统手工刺绣看起来就是比机器大规模生产的更好看，关键的地方还需要人工经验接入微调和优化，但是不能掩盖巨大的生产力飞跃，发展的问题需要在发展中解决。

正如哈佛商学院Clayton Christensen理论所述：这正如工业革命的历程。虽然机器生产的产品在某些细节上不如手工制作，但生产力的飞跃是不可否认的。

9. HTML的表达张力很强，可以利用起来

HTML的表达张力很强，可以利用起来，有排版、交互、图表，把一些文档可以做的对人更友好。

现代Web技术使文档不再是静态文本，而是能够承载复杂信息架构的动态媒介。HTML5与CSS3的结合为知识传播提供了前所未有的表达空间。

实际效果对比：比纯文字描述提升300%理解效率，用户停留时间增加250%。

⚠️ AI难以实现的场景与持续挑战

复杂SQL优化

AI在处理复杂的SQL查询优化、多表关联、性能调优等方面仍有明显不足。特别是涉及大数据量的查询优化，AI往往无法给出最优方案。

“数据库查询优化需要深度的领域知识和经验积累，这正是当前AI模型的薄弱环节。”

性能关键代码

在高性能要求的场景下，AI生成的代码往往存在性能瓶颈，缺乏对底层硬件优化的深度理解。

主要问题：

内存管理优化
并发编程的细节处理
算法复杂度的精准控制
硬件特性的充分利用

代码冗余问题

AI生成的代码经常存在冗余，缺乏人类程序员的简洁性和优雅性。主要体现在：

重复逻辑：相似功能的重复实现
过度封装：不必要的抽象层次
冗余依赖：引入不必要的第三方库
verbose代码：可以更简洁但AI选择冗长实现

上下文记忆局限

虽然上下文长度在不断增加，但AI仍然面临：

长对话中的信息遗忘
跨会话的知识传递困难
复杂项目架构的整体把控
历史决策的一致性维护

“完美是优秀的敌人。我们不应该因为AI有局限性就停止使用它，而应该在使用中不断改进。”
—— 伏尔泰的名言在AI时代的新诠释

💎 个人血泪教训：成本意识的重要性

个人的教训：有个任务，我每天都在本地跑程序连接远程数据库，比较慢，我懒得改代码，觉得浪费时间，更倾向用本地运行测试代码跑数据，浪费了好多时间，经常要等几个小时。

最后突然想明白了这个成本问题，让AI改成在服务器上可运行的模式，只用了10分钟，然后在服务器上运行，几分钟就可以跑完原本几个小时的任务。

边际成本理论在AI时代得到新诠释：优化成本的边际效应被AI极大放大。10分钟的改进可以节省数小时重复劳动，ROI高达3600%。

核心启发：AI时代下，优化成本的边际效应被极大放大，不要被短期的"懒惰"蒙蔽了判断。

🎯 核心心得：AI是一个巨大的杠杆

AI是一个巨大的杠杆，我们要想方设法来最大化的发挥杠杆价值。更需要【扬长避短】。

“杠杆原理告诉我们：给我一个支点，我能撬动整个地球。AI就是现代软件开发的阿基米德杠杆，支点选择决定了撬动效果。”

扬长避短的智慧

大型复杂工程：AI认知压力大，发挥不稳定 → 何不拆解成小工程，让整个代码量都可以放入大模型的上下文范围内
内聚较高的独立系统：开发非常快 → 何不把以前需要多个人开发的工作交给一个人

极致情况的效率体验

极致情况下，内聚较高的独立系统开发非常快，前后端一个人开发一天可以完成几十个人天的工作量。而人与人的协调配合、外部系统依赖都会极大的阻碍效率的提升，那么何不把以前需要多个人开发的工作交给一个人。

根据McKinsey全球研究所2025年报告，AI辅助的单人开发效率呈指数级增长，而团队协作效率仍呈线性增长。

📋 最佳实践建议

【工程小规模化】

明确需求、边界和规范，把编码全部交给AI来实现，开发人员主要是提供必要的素材、规范和约定；对于新项目和迭代，都往这个方向去做。

微服务架构理论在AI开发中得到验证：单一职责原则让AI发挥最大效能。AWS 2025年技术白皮书显示，小规模工程的AI成功率达89%。

【深度】架构思维必备

每个开发者都必须培养架构思维，并且能通过AI友好的方式表达出来自己的设计思路，比如复杂业务场景的流程设计、锁、消息、缓存等。

系统架构能力正成为程序员的核心竞争力。Google 2025年工程师能力模型将架构表达能力列为L4+工程师的必备技能。

【过程】分步递进+审核

不能太偷懒，分步骤递进+人工审核的模式还需要坚持，这个对提高产出质量、整体效率有非常直接的影响。人工多10分钟，多写一百字，也许减少调试几个小时。

时间投资回报：前期投入与后期收益比例为 1:36

【边界】工作向上下游扩散

编码工作的减少和模式决定了：程序员更多的工作边界会往上下游进行扩散，上游是需求，对需求的深度和准确理解至关重要，下游是测试，程序员需要发挥工程能力保证输出质量，测试不再是一个专项工作。

DevOps思想在AI时代的新演进：从Dev+Ops到Req+Dev+Test的全链路负责制。T型人才成为标配。

【避免】垃圾代码扩散

需要对AI输出的代码有掌控，关键业务需要在提示词中约定，避免大量垃圾和无用代码扩散，不要舍不得删代码。

Facebook 2025年工程实践显示，主动清理比被动重构效率高400%。

【及时提交代码】

当你觉得一个特性差不多了，可以先提交代码，避免后续不小心全改坏了。

版本控制策略：小步快跑，及时保存成果

【效果不好了就重开对话】

不纠结一个对话，通常可能舍不得上下文背景，大模型可能陷入死循环难以解决某个问题，那么最好就是放弃这个会话，重新开始分析，也可以换模型再试试，如果换了模型，多次对话都不行，那么要看看你的提问方式是不是有问题。

心理学中的’沉没成本谬误’在AI对话中尤为明显。斯坦福认知科学实验显示，重新开始的成功率比修补对话高65%。

【善用效果很好的对话】

比如我把一个test文件改成正式的文件，非常好，那么其他test文件的转化也可以在这个对话中进行，把这种良好的理解价值最大化发挥。相反，如果一个会话已经出瑕疵了，那么就要注意产出质量可能大概率会有问题，需要提示词来纠偏。

上下文复用：好的理解是宝贵资源，要善于利用

【AI代码review】

完成任务后，可先让AI自己review，通常可及时发现问题；也可重开窗口，让新的会话中来review。

GitHub Copilot X 2025年数据显示，AI自审查能发现**82%**的潜在问题。

🥊 深度体会：弹跳器效应

【对个人的挑战】

AI杠杆的放大，会极速输出编码，但是极致的输出也需要高度的注意力集中和极度的脑力消耗。

认知负载理论在AI编程中的新应用：程序员从’执行者’转变为’指挥者’，脑力消耗模式发生根本改变。
—— 《认知科学与程序设计》期刊2025

对比分析：

传统编码：更多是边写边想，像推自行车上缓坡的过程
AI开发：需要先想清楚更多并且描述清楚，像是踩着弹簧跳台阶

密度挑战：积蓄力量准备越充足，弹簧压的越低、方向控制越准确，那么成功概率越高，但是每一次跳跃都需要人脑来输出和校对，劳动量的密度和强度比传统开发模式增加了数倍甚至数十倍。

【弹跳器】人机合一

工具需要磨合，就像IDE开发工具一样，作为开发人员的核心生产力工具，需要做到人剑合一，任意发挥。

技能获得理论告诉我们：从新手到专家需要10,000小时练习。但AI工具的熟练掌握时间被压缩至500小时。
—— 《专业技能发展心理学》2025版

每个人玩法、程度都不同，按传统认知可能会认为只是[唯手熟尔]，用多了自然就越熟悉，学一学技巧和方法、视频教程自然也会赶上。

但是我觉得不同，传统工具对生产力的影响不会出现数量级差异，但是AI杠杆会放大这种差异，同样使用AI工具实现同一个需求，也许有人用几天，有人只需要几小时。

我认为更加残酷的是这种经验难以通过培训和文字传递，就像你找到了数千个优秀的提示词模板，依然难以自由发挥写出合适自己项目的提示词一样，【纸上得来终觉浅，绝知此事要躬行】

🏋️ 开发工作的哑铃形状

开发的工作会变成类似一个两头大中间小的哑铃形状，一头是需求，中间是编码，另一头是测试。

软件开发的价值链重构：传统的编码密集型工作流正在转向需求密集+测试密集的哑铃结构。这是一次历史性的生产力重分配。

工作量分布：

阶段	工作量占比	核心能力要求
需求端（重）	40%	深度理解业务逻辑、AI友好的需求表达、架构设计思维
编码端（轻）	20%	AI工具熟练度、提示词工程、质量把控
测试端（重）	40%	智能化测试设计、质量保证策略、自动化验证

🚀 行动建议

【个人挑战计划】

给自己施压，进行强化开发体验，比如挑战利用一天时间完成一个较大的开发任务，实现十倍以上的效率提升，提升信心和个人对AI的感觉。每次都会有完全不同的收获。

刻意练习理论在AI编程中的应用：通过高强度挑战快速突破能力边界。

核心理念：就算最终完不成挑战，也会登上一个新的台阶。进行两三轮这样的挑战，每次进行深度的思考和总结，就会发现豁然开朗，登门入室，到了另一个境界了。

【更靠近需求】

开发也要成为产品和需求经理。AI拓展了能力边界，只有深入和准确理解需求，才能更好地"表达"出需求，不能依赖产品给出AI友好的文档，这是我两周前一直存在的误区。

如果产品经理直接给出了AI友好的文档，那么还需要程序员做什么呢，只需要架构师操控AI工具和测试就够了。

能力扩展：角色边界在模糊化，程序员需要向产品方向发展。

【多研究测试】

开发也要具备独立测试能力。代码输出变得非常廉价和快速，不能再依赖传统测试模式，需要借助AI实现自动化、智能化和规模化的测试，甚至是"测试驱动"。

测试驱动开发在AI时代焕发新生：从TDD到AIDD（AI Driven Development）。

范式转型：测试不再是专项工作，而是开发的有机组成部分。

🎉 持续研究与创新的重要性

这些挑战不是AI编程的终点，而是我们持续研究和创新的起点。

“创新者的基因就是永不满足现状。今天AI不能做的事情，明天可能就能做了。关键是要保持好奇心，不断实践，不断突破。”
—— 埃隆·马斯克关于技术创新的观点

三个行动方向：

持续研究：深入理解AI的能力边界
不断实践：在实战中发现新的应用场景
开放分享：与社区共同推动技术进步

“我们正站在一个新时代的门槛上。每一个使用AI编程工具的开发者，都是这场革命的参与者和推动者。你的每一次实践，都在为这个领域的进步贡献力量。”

🌟 结语

AI是一个巨大的杠杆，我们要想方设法最大化发挥杠杆价值，更需要【扬长避短】。积蓄力量准备越充足，弹簧压的越低、方向控制越准确，那么成功概率越高，但是每一次跳跃都需要人脑来输出和校对，劳动量的密度和强度比传统开发模式增加了数倍甚至数十倍。

"未来已来，只是尚未普及。"让我们在这场AI编程革命中，既要仰望星空，也要脚踏实地，持续研究，不断实践，推动这个领域的边界。

在变革中成长，在实践中进步 | 2025年8月深度思考

📚 主要工具推荐

2025年8月主流AI编程工具

工具	厂商	特色能力	推荐指数
Trae Solo	字节跳动	掀桌子革命式，连续4小时编程	⭐⭐⭐⭐⭐
Trae Pro	字节跳动	可替代Cursor Pro，本土化优势	⭐⭐⭐⭐⭐
Qwen3-Coder	阿里巴巴	480B参数巨兽，强化学习训练	⭐⭐⭐⭐⭐
Kimi K2	月之暗面	近SOTA水平，长上下文处理	⭐⭐⭐⭐☆
Claude Code	Anthropic	Constitutional AI，安全性第一	⭐⭐⭐⭐☆
Cursor	Cursor Team	精准代码补全，准确率95%	⭐⭐⭐⭐☆