AI Coding 不完全入门指南

《瑜伽冥想全书：从入门到精通的完整指南》 #生活技巧# #健康生活方式# #健康生活方式书籍# #瑜伽与冥想教程#

最近在做一个 AI Coding 相关的项目，虽然有些小问题，但整体效果不错。

过程中积累了一些心得和感悟，稍作梳理，整理出这篇文章。

权当是 AI Coding 的简短入门指南。

文章不会涉及大语言模型（Large Language Model，LLM）背后晦涩艰深的原理，只是从用户视角，以一个务实的心态，罗列现有的一些功能上趋于稳定的工具，谈一谈我们如何有效地利用它们来提高工作效率，解放大脑和双手。

1. LLM 概述

LLM 是一种具有大量参数（通常数十亿）的语言模型，使用自监督学习或半监督学习对大量未标记文本进行训练。

大语言模型是通用模型，在广泛的任务中表现出色，而不是针对一项特定任务（例如情感分析、命名实体识别或数学推理）进行训练。

OpenAI 在 2023 年推出的 ChatGPT （Chat Generative Pre-trained Transformer），让这项技术一夜之间变得家喻户晓。

惊人效果的背后是几十年的摸索。

20 世纪 90 年代，IBM 开创了统计语言建模。

2012 年左右，神经网络被应用于语言建模。Google 在 2016 年将其翻译服务转换为神经网络，由 seq2seq 和 LSTM 网络搭建。

2017 年 NeurIPS 会议，Google 研究员在论文《Attention Is All You Need》中提出 Transformer 架构，目标是改进 seq2seq 技术。

2018 年，OpenAI 提出第一版 GPT-1（Generative Pre-trained Transformer 1），并持续改进，目前迭代到 GPT-4。

ChatGPT 的成功，从商业上验证了大语言模型的市场接受度和可行性。

各种 LLM 相继提出，包括今年年初爆火的 DeepSeek。

GPU 生产商 Nvida 的股价飙涨同样得益于此：作为 LLM 的训练基座，GPU 硬件不可或缺。

目前没有人知道边界在哪里。

2. AI Coding 工具集

热闹归热闹。

作为务实的程序员，还是多想想如何利用它改善生活。

至少开始将一部分工作委托给它，争取早点下班。

我目前使用的一套工具是：

模型：Claude Sonnet 编辑器：Visual Studio Code AI 助手：GitHub Copilot / ChatGPT

前两个，基本算是业界公认的写代码标配。

至于第三个，还有 Cursor，Trae 可供选择。之前文章介绍过 Trae，现在用得不多，基本被 GitHub Copilot 代替了。

最开始用 Copilot 的时候，更多依赖代码补全，一度觉得很爽，因为有时“猜”得很准。

现在工作流换了，更改为清楚地描述需求（更抽象），让 GitHub Copilot 自己组织目录，填充代码，调试，纠错。只在关键时刻，尤其是发现方向明显开始跑偏时，及时打断，更新信息，接着继续执行。

像 C++ 代码，可能还会自己写，而 Python、前端这种脚本型的，Copilot 出活简直又快又好。

多数时间都是在调 prompt，而非代码。编程的形式变了，从编程语言到自然语言。

这是很不一样的体验。

3. Prompt / MCP

Prompt （提示） 和 MCP （Model Context Protocol，模型上下文协议）是两个用来优化 LLM 效果的工具。

LLM 能力很强，但不可避免会犯错。

几个常见的错误有：

幻觉（Hallucination）。LLM 有时会生成看起来逻辑流畅，但违背事实的回答。这是因为 LLM 的原理是统计，而统计本身揭示的是关于概率的信息，而非正确与否。 上下文混淆或遗忘。上下文就是 LLM 的记忆系统，和人一样，过长时会遗漏关键信息。 语言歧义。当表述不够清晰，或思维链（Chain of Thought，CoT）不恰当时，生成结果就可能过于发散，俗称跑题。

可以借助一些 Prompt 技巧加以规避。

把 LLM 想象成一个人，他会犯错，你要做的是在合适的时候纠正他。

Prompt 工程将这件事情工程化（Engineering）了。

早期文章，OpenAI 官方的提示工程指南 里提到六点技巧：

写出清晰的指令 提供参考信息 将复杂任务分解成多个简单子任务 给模型时间“思考” 使用外部工具 系统测试变更

我一直觉得，这种沟通技巧，不仅是和 LLM，应用在人身上同样如此。

因此，Prompt 能力，反映的是沟通表达能力。你能否深刻地认识问题，清晰无误地表达自己的观点，将复杂的概念讲得深入浅出，普通人都能够理解。我想无论在哪个时代，这都是一种非常重要的技能。

这也是我写博客的初衷。

模型上下文协议（MCP）是 Anthropic 所推动的一项开放标准。

MCP is an open protocol that standardizes how applications provide context to LLMs.

MCP 是一个开放协议，它标准化了应用程序如何向 LLM 提供上下文。

在 LLM 完成任务的过程中，上下文是非常重要的，它的准确度、完整性、结构，直接决定了结果的好坏。

如果说 Prompt 是人提供上下文，那么 MCP 则是工具提供上下文。

鉴于有些非常具体的任务，LLM 没有办法执行，比如一些终端命令、脚本等。

MCP 则将这种能力封装后暴露给 LLM，间接的 LLM 就学会了如何使用这些工具。

这同样启示我们，要善假于物，将工具作为杠杆，撬动更多的可能性。徒手砍树，远不如拿一个斧子效率高。

4. 思考

毫不讳言，AI 在一定程度上改变了我的生活。

这种改变有两个方面：

习惯上，日常想要搜索时，优先会用 DeepSeek 而非搜索引擎。写代码就习惯性地开着 GitHub Copilot。

思维上，信息多对冲，结构化思考，清楚地表达，是我在与 LLM 交流过程中总结下来的经验。

有些人会顾虑，担心过度地使用 AI 会使人变得懒惰，不愿意思考，技能逐渐生疏。

我觉得这点需要警惕，但不必过于忧虑，因为我体验下来，尽管新一代 LLM 的能力越来越强，但距离完全地替代人，为时尚早。

多用，多尝试，或者用我老板的话讲，”Make your hands dirty“。

像是与一个人交往。时间久了，聊多了，就知道它的长处在哪里，弱点有哪些，如何和谐共处。

我对 Al 的看法是，Al 本身不会创造，需要人类与它共同创造，创造的结果好坏与使用它的人的质量高度相关。

与 Al 交谈不像在与一个人交谈，而像在与人类的集体思维交谈。Al 不应该让你减少思考，而应该帮助你增加思考，Al 是你的杠杆。可以让你拓展自己。

— Alex Komoroske，美国程序员

5. 总结

AI 是一个工具。

工具的存在是为了提高效率。

汽车，让一个人行动的边界变得前所未有的辽阔，但人的下肢并没有因此而萎缩。

我想 AI 也是如此。

有些简单任务，它可以代劳，但对于复杂任务的理解，子任务的拆分，流程控制，指令描述，都离不开人的经验和思考。

显而易见，在未来，人的分化会更加明显，有些职业正在慢慢消失，当然，新的职业也在涌现。

时代倒逼着每个人做出选择。目前我还在摸索，还没有答案。

（完）

参考

大型语言模型 - 维基百科，自由的百科全书 ChatGPT - 维基百科，自由的百科全书 深度求索 - 维基百科，自由的百科全书 Introduction - Model Context Protocol

网址：AI Coding 不完全入门指南 https://www.yuejiaxmz.com/news/view/1241949

相关内容

软件开发入门自学指南
Python中关于coding=utf
全面解析豆包AI：从入门到精通的必读指南
AI插件入门推荐指南：从零开始玩转人工智能工具
新手指南：完美入门英文版菜谱大全
小白必读：AI入门指南，及实用工具推荐
电脑AI操作指南：从入门到精通，解决常见问题与技巧解析
AI Agent 入门指南：从生活场景到行业应用（新手必看）
科普阅读入门指南
大学生AI辅助作业平台推荐：高效完成作业的全方位网址指南

随便看看