- URL: https://newsletter.pragmaticengineer.com/p/two-years-of-using-ai
- Added At: 2025-06-24 14:59:12
AI工具在软件工程中从代码建议发展为监督式代理（如Aider）和自主代理（如Devin），助力开发效率提升，但需警惕过度依赖、认知偏差等风险。建议通过任务拆分、明确指令及短反馈循环控制质量，优先使用监督式代理并关注工具生态演进。
AI工具在软件工程中的发展与应用关键总结如下：
- 从增强自动完成功能到AI代理
- 早期以GitHub Copilot为代表的工具提供基于上下文的代码建议，但输出不可靠需频繁审查。
- 后期发展出监督式代理（如Aider、Cline）和自主背景代理（如Devin、Cursor背景代理）两类工具。监督式代理需要开发者介入引导，自主代理可独立执行任务并生成代码，但尚不成熟。
- 集成进步：工具与IDE深度结合（如快速修复、内联聊天），支持终端命令执行和外部数据源（通过MCP协议）。
- AI作为“团队成员”：将其拟人化为“热心但缺乏经验、容易固执且过度自信的队友”，需平衡信任与主动判断。
- 认知偏差风险：
- 自动化偏见：过度依赖AI输出而忽视正确信息。
- 框架效应：被AI表述的措辞影响判断（如“最佳实践”标签）。
- 锚定效应：AI提案可能限制开发者创造力，或帮助打破原有思维定式。
- 沉没成本谬误：对AI生成的低效代码犹豫不决，因误判其价值耗时过多。
- 实用原则：
- 反馈循环：通过单元测试、静态分析等快速验证AI代码质量。
- 及时回退：若方案失控，立即回退更改并重新规划。
- 上下文控制：明确工具可访问的数据范围（如代码库、文档），保障供应链安全。
- 任务拆分：按小步骤引导AI，避免大范围代码一次性生成。
- 具体指令：避免模糊需求，明确功能实现路径（如“添加数据库字段并关联API”）。
- 记忆管理：通过文档存储任务上下文，减少重复指令。
- 交付速度提升：AI工具显著加速开发过程，尤其对不熟悉的技术领域。
- 质量与监督矛盾：未经严格审查可能导致代码质量下降，需结合人工审核。
- 团队动态变化：快速引入AI可能引发协作方式调整、角色分工争议及认知负担。
- LLM并非编译器替代品：其价值在于辅助而非替代确定性工具，需探索适配场景。
- 发展不均衡：监督式代理已成主流，自主代理需改进以扩大适用范围。
- 技术债务累积：探索AI工具应用过程中的试错成本需系统化管理。
- 优先使用监督式代理，确保对代码流程的控制。
- 结合定制化规则和分阶段规划提升AI协作效果。
- 通过短反馈循环、小任务模式、明确指令降低使用风险。
- 持续关注工具生态（如MCP协议）和模型演进，但不过度依赖单一技术。