广州活动网站设计营销软文范例大全

写在开始：
①本文仅仅用作个人记录学习使用，如何涉及版权等其他问题，辛苦及时联系小编修改或者下架，全文2600字左右,阅读时间预计13min;
② AI-Coding日常工作中AI方向的部分体验;

WHAT

第一问：软件架构是啥？

“程序或计算机系统的软件架构，指的就是系统的结构，该结构由软件组件、外部可见的组件属性，以及它们之间的关系而构成”
软件工程中的架构工作，指的是把系统分解或划分为一系列部件，使我们能够对每个部件都进行模块式的、迭代式的、渐进式的和独立式的开发。

第二问：常见的架构举例？

• DDD分层架构:分层思想=越核心的领域模型,领域服务,应用服务,和最外层用户界面和基础设施
• 六边形架构 : 如下图示,最核心业务逻辑(领域模型和应用程序)和外部资源(比如APP/Web应用)隔离
• 整洁架构：DDD分层架构包含用户接口层、应用层、领域层和基础层
  

第三问：AI带来了啥变化？

• 角色变化: 程序员RD逐步从编码往决策去转型;
• 系统能力变化: AI开始承担部分系统功能,能够帮助用户理解 解释和设计开发代码;未来可以通过提问,生成优质代码;

WHY

为什么AI背景有可能衍生出新软件架构呢？

LLM的知识量、准确度在快速提升，前沿的研究都在往更少人工参与的方向上进行。行业内的各类AI工具，也都在朝着这个方向进行快速奔跑：
① AI Coding在朝着全自动化方向前行

② AI 前沿研究在朝着真正低代码的方式发展

当下火热的AI Agent以AI全方面代理的目标发展：
阶段一：纯硬编码，Code控制输出、编排能力、提供基础能力
阶段二：LLM Call介入输出，Code编排能力、提供基础能力
阶段三：LLM Call介入更复杂的输出，Code编排能力、提供基础能力
阶段四：LLM Call介入输出、自己决策逻辑的编排，Code提供基础能力，开始步入真正的低代码时代
阶段五：LLM Call介入输出、有更强的决策编排能力，Code提供基础能力
阶段六：LLM Call介入输出、编排能力、提供基础能力，开始步入真正的“零代码”时代

为什么要去探索更适应AI时代的软件架构呢？

AI coding 商业化应用发展迅速,技术越发成熟
eg:

1. Copilot :
2. Nocode
3. GitHub Copilot : https://github.com/features/copilot 集成于主流编辑器的 AI 编码助手，提供代码补全和建议，提升开发效率。
4. Cursor : https://www.cursor.so 基于 Visual Studio Code 的 AI 增强型代码编辑器，支持智能代码补全、多文件编辑等功能。
5. WindSurf : https://codeium.com/windsurf 形态上同 Cursor，在 Agent 方面以及代码分析方面略有优势
6. v0 https://v0.dev 由 Vercel 推出的 AI 驱动工具，专注于快速 UI 原型设计，支持并行代码生成和预览
7. Devin : https://devin.ai/ 是Cognition AI推出全球首个AI程序员，掌握全栈技能、自学新技术、构建和部署应用程序、自主查找并修复Bug、训练和微调自己的AI模型等多项能力。
8. Bolt.new : https://bolt.new StackBlitz 推出的 AI 驱动全栈开发环境，直接在浏览器中运行和部署全栈应用程序。
   https://github.com/stackblitz/bolt.new

HOW

①认知转变：从评论者转变为践行者

尝试AI时，千万不要把自己摆在评论者的角色中

评论者：当把自己局限于评论者角色时，很容易形成一种消极的思维模式。总是看到事物的不足并进行评论，而不是思考如何去改善
践行者：践行者注重实践过程中的学习和改进。他们在行动中会遇到各种实际问题，并且通过解决这些问题来积累经验

②深度参与AI Coding，探索更适用于AI Coding的代码架构

自动完成后端功能诉求 todo
欢迎大家自行尝试:

根据规范生成前端页面 todo
@Codebase 先完成环境搭建; ==
输入一个页面原型图, 会输出前端VUE代码,生成效果基本符合预期;

让AI生成项目Readme文档 todo

• 立角色 : 你是一位优秀架构师,精通系统和业务架构设计,你的工作是梳理项目业务逻辑,并生成详细文档记录;
• 述问题 :
• 定目标
• 输出要求
• 输出样例
• 任务拆分:

③AI Coding 的局限和不足

由于大模型本质上是一个概率模型，因此生成的过程是在限定的上下文中概率最大化的过程，无法确保内容 100% 正确，对于 AI Coding 领域来说，存在以下局限：

a）上下文理解受限，输出不稳定：主流的模型的窗口为 100~200K 左右，包含输入和输出，而输出一般为 8K 左右，效果稳定的窗口大概在 50K 左右，而一次任务需要的上下文往往会超过这个值，当超过一定的窗口之后，可能会发现无论如何对话，都无法达成预期。建议人为拆解任务，让AI一步步执行。如需要AI实现一个从dal层到api层的实现，可以先让AI依次编写mapper、dal、repository、service、api

b）代码幻觉，bug 更为隐蔽：AI 生成的代码质量可能参差不齐，代码中潜在的 bug 可能更加难以发现。

c）技术设计能力受限：由于无法感知复杂业务逻辑，对代码库整体架构缺乏认知，大多数复杂的技术设计环节，还是需要依赖人工拆解。

d）不能读取反编译后的class文件(迭代到目前似乎可以阅读了)

结尾

未来已至，人工智能（AI）在代码编写和架构设计方面展现出无限潜力。
我们既要勇于尝试，不怕失败，每一次尝试都是成长，能帮我们找到适配 AI 时代的架构与方式。
也要积极探索，怀揣无畏之心挖掘新可能，积极参与 AI Coding，深入思考未来架构。
让我们携手拥抱 AI，在这场变革中勇做先行者，为职业发展开创新局面，为行业发展添砖加瓦。你准备好行动了吗？
对于日常融入 AI，快分享你的想法和建议，一同踏上探索之旅！

写在最后 ： 码字不易，如果觉得还不错，或者对您有帮助，麻烦动动小手，点赞或关注，谢谢！