AI编码工具的发展现状与争议 - AI编码工具的出现引发了关于其能否替代人类开发者的广泛讨论，观点两极分化 [1] - AI工具在完成简单和复杂任务时，初期表现令人惊艳，导致部分开发者对其产生高度依赖 [2][6] AI编码在实践中的演变与问题暴露 - 开发者尝试将更宏大、棘手的重构任务交给AI，但AI的“光环”开始出现裂痕，其能力遭到质疑 [6] - AI会犯下明显错误，违背共识决策，但使用者常归咎于自身提示词不够具体 [7] - 开发者尝试通过撰写极尽详细的需求文档（如花费半小时写一整页提示词）来驱动AI开发，但此方法同样行不通 [8] - 现实中的设计文档是“活文档”，会动态演变，而AI工具缺乏在数周开发周期中迭代需求说明的能力，且一旦做出初始决策便绝不偏离 [9] - AI在觉得问题超出掌控时，过去常直接“摆烂”，现在则倾向于硬着头皮“闯过迷宫” [9] AI生成代码的质量与系统性缺陷 - AI生成的代码在局部合理且惊艳，在代码合并请求（PR）中也显得无懈可击 [9] - 但当开发者通读完整代码库时，会发现存在大量“杂乱代码”（slop），这些代码冗余且质量低劣 [10] - AI生成的代码片段单独看逻辑通顺，但完全不考虑整体系统架构、结构性完整性和相邻代码的设计模式 [10] - 有开发者指出，累积数月由AI依据详尽需求写出的代码“绝不能上线”，无法用于收费产品或保护用户数据的承诺 [10] - 最终，部分开发者回归手写代码，并发现综合考虑所有因素（而非仅每小时代码生成量），其效率、精准度和创造力反而更高 [10] 对开发者技能与行业教育的潜在影响 - AI的危险性在于它把“简单的事情”做得太好，可能导致新手程序员跳过基础训练，基本功无法建立 [11] - 新手可能因此失去理解中等难度、复杂问题及进行高层次抽象思考的机会，而这些能力本需通过大量练习内化为直觉 [11] - 计算机科学教师对此表示担忧，并明确要求学生必须自己写代码，认为这是理解能力形成的关键过程 [12] - 资深工程师多将AI作为辅助工具，而初级开发者更热捧所谓的“Vibe Coding”（氛围编码） [12] - 有观点认为，vibe coding可在短时间内将新手生产力提升到最初的5倍，但会使其成长停滞，无法在一年后达到本该成长为的20倍生产力水平 [12] - 部分从业1到3年的软件工程师对基础问题的理解之浅，令人意外 [13] 开发者使用策略的转变与长期风险 - 部分开发者从最初“100%投入vibe coding”，转向更加克制、审慎的使用方式，目前使用占比已降至不到40% [14] - 模型生成的代码几乎不可避免地会引入技术债，随着时间推移，细微问题不断累积 [14][15] - 最终可能形成一个连大语言模型（LLM）自身都难以理解、难以继续演化的代码库 [15] - 过度依赖AI会削弱开发者自身的理解能力，使其逐渐失去对代码的内在连接，形成一旦离开AI就几乎无法排错的困境 [16] - 这种状态会形成自我强化的循环，甚至在无法使用AI的环境下（如乘坐火车或飞机时），生产力会直接归零 [16]