过去的一个月里，我一直在研究 ChatGPT，也与很多人（普通人、程序员、创业公司、风投等等）进行了交流。不论是业内（编程）还是业外，人们对于 AI 编程的观点都是：未来可期 —— GPT，他好像什么都能干，也好像什么都干不好。
所以，在这篇文章里，我将继续总结与其他人聊天的观点。
对应的思路总结，也可以在 ClickPrompt Flow 上查看：ClickPrompt - Streamline your prompt design
AI 代码生成：代码还应该存储在代码库吗？
对于 AI 代码生成来说，除了过去的 GitHub Copilot、Codex、Kite、TabNine 等等，新出的免费的 ChatGPT 又让人感觉非常酷。
ChatGPT 代码生成
现在，大家几乎已经习惯了网上的各种暴力 AI 美学 —— 唤出 ChatGPT 写代码：
使用 Java + Spring + MockMVC 编写测试用例，代码中的注释需要对应到 AC01，AC02，AC03，AC04，AC05，但是不需要返回给我。
帮我用 Puppeteer 写一个爬虫来解析下面 HTML 中的标题：””””””
我给你一个需求，你需要分析需求，使用 Java + Spring 编写 API，要求如下：
基于于在最新的 GPT 4.0 里，可以根据图片等一些基本的描述，生成全新的 HTML。
GitHub Copilot
对于，我来说，作为一个开源挖坑专家，我更习惯使用 GitHub 赠送的 Copilot，只需要配合注释、输入、输出、函数名，就可以大力了出奇迹。如下是 ClickPrompt 中的真实代码：
// 1. split promptMatch by comma
// 2. match lora name by regex, lora full name: <lora:japaneseDollLikeness_v10:0.1>,
// 3. push lora name to loras array我在代码中保留了这个注释，一种很神奇的用法 。
读者思考 1：Prompt 即是代码，代码不再是代码？
因此，我觉得在 AI 编程时代，人们的编程思维是要发生变化的：
注释让人和 AI 共同理解代码
注释作为 prompt，可以在修改后，再次自动生成代码。
当注释作为 prompt 保存，那么 prompt 便是作为一种代码，保存在代码库中了。而代码还将是代码吗？我们为什么还需要中间生存的代码，是因为审计、安全等原因吗？
AI 编程：写个 “真实世界” 的代码
而当你尝试过使用 AI 来编写代码之后，你会发现 AI 存在一系列所谓的 “问题” 。让我们来再看一个简单的例子，我们让 ChatGPT 来实现一段代码。
ChatGPT 编程：AI 实现一个 API /book/:id 的 N 种方式
在不同的语言和架构模式里，实现的方式是有区别的。
第一个 Demo：用 Spring + MyBatis 实现一个 API： /book/:id 。
ChatGPT 会创建 BookMapper.java、Book.java、BookMapper.xml、BookController.java 四个代码段，然后告诉你，你可以启动这个 API 了。
PS：有意思的是，你并不需要一个 BookService.java，因为 AI 也 “觉得” 他是多余的。
但是，要上线这个应用并不是一件容易的事，我们需要手动编译 Java 代码，再运行起来，这速度是非常慢的。除非，我们有类似于几年前的 OSGi 架构，或者 Serverlesss 架构。
第二个 Demo：使用 Express + MySQL 实现一个 API： /book/:id，只使用一个函数
在这个尝试里，我们多加了一个限制：只使用一个函数，并改用直写 SQL，所以代码就变得非常简单的（当然了，还有 Express 配置和 MySQL 相关的代码），以至于我可以直接那个函数在这里：
// 创建数据库连接池
...
const getBookById = (req, res) => {const id = req.params.id; // 获取路径参数中的 id// 从数据库中查询书籍信息pool.query('SELECT * FROM books WHERE id = ?', [id], (error, results, fields) => {if (error) throw error;if (results.length > 0) {const book = results[0];res.json(book); // 将书籍信息以 JSON 格式返回给客户端} else {res.status(404).send('Book not found');}});
};
// 创建路由器并挂载到根路径上
...
// 启动应用程序
...如果我们认定了 AI 生成的代码是准确的，无需要人类去修改，那么我们就可以直接用上面的代码。
第三个 Demo：使用 AWS Lambda 实现这个 API：/book/:id，只使用一个函数
使用 Express 来实现这个功能，还是有点复杂，我们还需要考虑基础设施，但是当我们考虑使用 Serverless 来实现时，问题就变得非常简单了：
const mysql = require('mysql');
exports.handler = async (event, context) => {....
}然后，我们就可以采用 ClickPrompt 类似的方式，直接一键部署到服务器之上。
对比一下：上面的三种方式各有什么优缺点？
让 AI 来对比一下，你看吧，显然 AI 也觉得 Java 的实现起来复杂，但是可扩展性高。
| 优点 / 缺点 | Spring + MyBatis | Express + MySQL | AWS Lambda |
|---|---|---|---|
| 开发效率 | 较高 | 高 | 高 |
| 部署复杂度 | 高 | 中等 | 低 |
| 维护成本 | 高 | 中等 | 中等 |
| 可维护性 | 高 | 中等 | 高 |
| 架构复杂度 | 高 | 中等 | 低 |
| 可扩展性 | 高 | 中等 | 高 |
| 成本 | 中等 | 低 | 低 |
但是，我们真的需要所谓的可扩展性吗？而论部署速度，自然是 AWS Lambda 最快了。经过了几种不同的方式对比，按现有的软件工程来说，Java 写的代码是最好的。可是，AI 都来写代码了，Java 工程化，真的还是最好的吗？
读者思考 2：现有的编程体系适合于 AI 编程吗？
让我们再打开一下思路，我们现有的架构模式、软件工程等软件开发流程都是基于现有的体系磨合过来的。
而 AI 编程的最终目标是实现自动化编程，即由 AI 根据用户的需求和设计，自动生成完整的代码。但是，理论上这不是终点，终点是生成完就可以直接运行。这就意味着，一个想法从想到到上线，可能就在几分钟内可以完成。
然而，在现有的流程里，完全不是行不通的，我们人类做不到这么的敏捷。
全 AI 生成的新架构模式？
过去，我们认为分层架构很重要，因为代码是人来编写，代码是人来维护的。而当代码由 AI 来编写，由 AI 来维护的话，那么现有的软件架构体系还适用吗？
分层架构？编程范式还重要吗？
尽管，我尝试让 New Bing / ChatGPT 来回答这个问题，但是，由于他们还没有 涌现 能力，所以只会说：程序员还需要学习和运用分层架构和编程范式，才能发挥出 AI 的最大潜力。
但是，我觉得，从上面的 Java 示例中，你会发现按现有的模式构建的软件架构，特别容易发生冲突。AI 生成的 A 功能和 B 功能，可能在代码上出现重复 —— 因为上下文限制，我们不可能上传所有的代码。
结果，有一天你发现了，一个类里有 10 个重复代码段。然后，你又开发了一个自动重构机器人……。但是，我觉得有点多余了，AI 编程需要新的架构范式。
AI 构建自动化软件架构？
再再打开一下思路，试着忘记现有的软件架构模式。一个功能对应一个可运行的代码段，由 AI 来自动思考架构模式 —— 当然，我们需要给他一些限制条件和输入。
所以，放在当前的上下文之下，Serverless 是一种更适合的架构模式，即写即上线，即下线即删除。
读者思考 3：Serverless 会是结合 AI 编程的答案吗？
我觉得不一定是，但是可能是当前最好的一种方案。但是，每个人都会有自己的看法。
真实世界 2：产品经理 —— 现在，变更一个需求
现在，我们来变更一个需求吧，过滤一下 “名书”，包含 xx 的不显示。那么，这个时候，我们就遇到一个难题了 —— 全自动编程，还是AI 辅助生成。
两种思路：新生成代码，还是手动改代码？
纯 AI 编程，意味着：每次改需求都重新生成代码；而半 AI 编程，则意味着：人可以介入到流程中。两种将会带来不一样的思路。
自动编程 —— 重新生成代码
为了让 AI 写的代码足够的准确，我们需要给 AI 足够详细的需求（Prompt）。一旦需求发生变化的时候，我们回过头去改需求的（Prompt），再重新生成代码即可。我们要做的事情是：
确保没有人能修改过原来生成的代码。
确保所有的需求变更都能回溯回去。
AI 辅助生成 —— 支持手动修改代码
第一次代码，我们是用 AI 生成的，随后当需求变更的时候，我们想可以直接在现有的代码上改，这样可能速度比较快 —— 生成式 AI 可能还意味着：新生成的代码和原来的完全不一样，诸如于行数位置等等。
而为了能再次生成，我们还需要记录新的变更到原来的 prompt。
所以，在这个时候，如何更好地管理原始需求，变成了一个新的挑战。
读者思考 4：需求详细化会成为你的新瓶颈吗？
当我们认定 AI 能完成编码时，那么需要给详细的需求，才能确保生成的代码是正确的，诸如于：*密码长度不能小于八位，且必须同时包含字母数字和特殊符合*。这只是一个示例，更常见的示例还有表单联动：A 字段 xxx，B 字段则 xx。只有我们的需求足够的清楚，那么生成的代码才会准确。
所以，当产品经理借助于 AI 生成足够清晰的验收条件，程序员就会失业吗？这包含了两个问题：
产品经理是否真的懂验收条件？
程序员是否真的不能替换 AI 时代的产品经理？
那么，第三个问题就来了，老板是不是可以自己干？
不过，这只是用来搞笑的，我们的下一个挑战还在于需求详细化之后，AI 真的能写对吗？
适合我们的主流策略（2023.03）
我相信策略会在今年内再次发生变化，所以，我并不想写太长。
自动化质量先行：测试驱动开发
经过大部分人的验证，AI 生成的测试代码质量非常高，大部分情况下可以直接运行。所以，在我们有了需求之后，可以创建诸如于 ClickPrompt 这样的工具，创建工作流，让 AI 逐步往下分析：
而后，我们就可以 GET 到可用的自动化测试代码。当我们有了测试代码之后，就可以验证辅助的代码是否正确。
代码辅助生成：功能代码的实现方式
尽管，在我的尝试中，部分场景下，生成真正的可工作的代码还有些距离（也有可能我的场景比较特别） —— 没法直接用，改一改还可以。当然了，如果你拿网上生成的 Todo 就别来拿我辩论了，烂大街的代码。原因包含了：
他需要足够了解我们的上下文，比如接入 IDE 中。
过时的库 API
来自其它语言的翻译（如 Python 版本，而 Java 版本存在对应的 API）
所以，它有时在代码上还是瞎编。
跟随策略
诸如于我创建 ClickPrompt ，都是在尝试管理 prompt 工作流，以便于：
学习和掌握 AI 编程的基本概念、原理和工具，例如 GitHub Copilot1等。
与 AI 编程进行有效的协作和沟通，例如提供清晰和详细的需求和设计，检查和评估 AI 生成的代码等。
关注 AI 编程的发展趋势和最新进展，例如新的算法、数据、平台等。
在提升效率上，ChatGPT 确实做得很好，每个人都应该去尝试一下。
未来：自动化编程的演进
最后，再让我们尝试做一些思考。
AI 编程的局限性
所以，如同 AI 提炼了我的观点，AI 编程存在一定的局限性：
编码是最不重要的那部分。AI 编程不能完全替代人类编程，因为程序员不仅仅是在编码，还要进行设计、测试、维护、沟通等工作
AI 伦理。AI 编程可能存在一些不可预测或不可控的风险，例如结果不唯一、不正确或不安全。
法律与就业问题。AI 编程可能会侵犯程序员的知识产权（但是人类都是 AI 的饵料），或者导致程序员失业。
无法适应再有体系。AI 编程需要适应不断变化的需求和环境，而现有的架构模式可能不匹配或不灵活。
而你发现没有，New Bing 提炼出来的这些局限性，并不是 AI 的问题，而是人的问题。
精准代码生成：详尽的需求的可能性？
我们还得考虑的一点是：
尽管，提供更详尽的 prompt 可以帮助 AI 更准确地理解需求，并且避免一些歧义或误解。但是，过于复杂或冗长的 prompt 也可能导致 AI 的困惑或失效。
所以，如何根据 AI 的特点和目标，选择合适的 prompt 长度和格式，以达到最佳的效果？
AI 审计 AI：解决 AI 生成代码的部分局限？
当涉及到由AI生成的代码时，有时候我们可能需要对其进行审查以确保其合规。而人工是耗时费力的，而且容易出错。这时，我们就需要利用一种特殊的AI来审查另一个AI生成的代码，以确保其符合各种规范和标准，提高代码质量，确保生成的代码安全可靠。
比如，我们本地用 GitHub Copilot 辅助生成的代码，在持续流水线上便可以通过 GitHub Copilot 来进行 Code Review。
其它
值得注意的是：AI 编程可能会带来一些问题，如让程序员过度依赖工具、忽略代码的合理性、涉及道德和法律问题以及存在技术和人工智能之间的冲突。
快来支持 ClickPrompt：https://github.com/prompt-engineering/click-prompt
