原贴链接

我发现AI在编码方面非常有帮助。按顺序来说，有Sonnet、o1 mini、Deepseek v3、llama 405。或者在本地使用Qwen 32/14b。一般每天编码的时候都会用到。它在从0到1的任务、翻译和一些故障排除方面表现出色。例如，编写一个能做某事的应用程序，或者用Rust做某事，将这段代码转换为TypeScript，询问是什么导致了这个错误。到目前为止，一旦项目建立并且有某种内部框架（这种情况在项目达到一定规模时总会发生），就没有很好的体验了。我让所有模型将200行的React音频代码按照逻辑拆分成类，其余部分用React处理——大多数模型选择了正确的结构，但实现过程中遗漏了一些独特的方面，而且看起来有点像GitHub上的任何开源实现。o1做得最好，但没有一个是可用的。所以，即使是对一小段代码进行“低”复杂度的重构也不合适。分享一下你们的经验。你们用AI解决的最复杂的任务是什么？一些诸如代码库大小、模型等背景信息会很有用。

讨论总结

该讨论围绕在编码工作中使用AI这一主题展开。许多人分享了自己利用AI解决编码任务的经历，从简单任务到复杂任务都有涉及。大家提及了不同的AI模型，如Sonnet、Qwen、Claude等在各自项目中的表现，也探讨了AI在编码过程中的优势，如在0 - 1任务中的帮助、处理简单长任务等，同时也指出了AI的局限性，如在处理复杂任务、理解人类需求方面的不足等。

主要观点

  1. 👍 AI在0 - 1任务方面有较大影响
    • 支持理由：有评论者表示这是AI对自己生活产生的最大影响，虽然AI会有给出错误内容的情况，但在开始做事时已经不想再用谷歌搜索了。
    • 反对声音：无
  2. 🔥 不同的AI模型在不同任务中的表现不同
    • 正方观点：许多评论者分享了如Copilot和chatgpt在某些编码任务上表现差，但一些本地模型表现不错；Sonnet在构建小型游戏首次回应正确率约95%等例子。
    • 反方观点：无
  3. 💡 AI适合简单任务但处理复杂任务存在局限性
    • 解释：不少人认为AI适合简单长任务、编写测试（在扩展测试后可行）、做不了解的短任务等，但难以处理变量多的复杂任务，像复杂的前端组件相关任务，在处理复杂任务时一旦出现幻觉，会产生无法编译或大量无效代码的情况。
  4. 👍 AI可辅助编码但使用者需明确需求并调整结果
    • 支持理由：如在编写CP - SAT优化问题代码时，AI不能完全依赖，用户需要修正AI代码中的问题和识别隐藏错误；使用AI回忆语法启动项目后，主要功能实现后主要靠手动优化。
    • 反对声音：无
  5. 🔥 AI编码工具除Copilot外大多不成熟且主观
    • 正方观点：有评论者指出除Copilot这种基础的AI编码工具之外，其他的AI编码工具目前都有点不成熟且过于主观，不能对所有人都有用。
    • 反方观点：无

金句与有趣评论

  1. “😂 我使用Wilmer来帮助我进行Wilmer的构建、修复和代码审查。”
    • 亮点：直接点明使用特定的工具来进行项目相关操作。
  2. “🤔 我认为关键是将您的项目分解为易于识别和理解的子部分。”
    • 亮点：给出了使用AI编码时的一个实用建议。
  3. “👀 全栈，“生产”就绪，数千行代码——几乎完全由AI生成。”
    • 亮点：强调了AI在代码生成方面的强大能力。
  4. “😂 我本可以手动一点一点地完成它，最终得到一个有效的东西，但最终的代码会差得多。”
    • 亮点：通过对比体现出AI生成代码的高质量。
  5. “🤔 如果AI没有给您想要的东西，您需要将问题分解为更小的部分。”
    • 亮点：再次强调处理AI未达到要求时的应对方法。

情感分析

总体情感倾向是积极的。大多数评论者分享自己使用AI编码的经验，是在认可AI在编码工作中的作用的基础上进行的。主要分歧点在于对AI编码能力的评价，部分人认为AI能力有限，如只能编写出初级工程师水平的代码，但这只是少数观点。可能的原因是不同人使用AI的场景、对AI的期望以及自身的编程水平不同。

趋势与预测

  • 新兴话题：对于如何更好地利用AI处理复杂代码，如构建结构化的上下文，以及在理解新代码库方面如何发挥AI的作用等话题可能会引发后续讨论。
  • 潜在影响：可能促使更多的开发者尝试不同的AI工具和方法，以提高编码效率。也可能推动AI在特定领域（如家庭能源管理等）的进一步应用和优化。

详细内容：

标题：Reddit 热门讨论：AI 在编码中的复杂任务应用及经验分享

在 Reddit 上，一则题为“Most complex coding you done with AI”的帖子引发了热烈讨论。该帖主要探讨了在编码过程中使用 AI 的经验，提到了诸如 Sonnet、o1 mini、DeepSeek v3、llama 405 等模型，称其在 0 到 1 的任务、翻译和一些故障排除方面表现出色，但在项目建立并具有内部框架后效果不佳。此帖获得了众多关注，引发了大量评论。

讨论焦点与观点分析：

有人认为关键是将项目分解为易于识别和理解的子部分，并分享了使用特定模型构建项目的经历和相关方法论。比如，有人使用Wilmer 来辅助工作，还有人用 Cursor 构建了网站，并总结了一些通用的 AI 编码技巧。

也有人成功构建了大规模的开源项目，如[sshh12] 建立了自己的开源 v0/bolt.new 提示应用程序生成器，认为很多人没有正确或充分思考如何优化使用 AI 编码。

一些人分享了在特定领域如 DevOps 工程中使用 AI 的成功案例，比如利用 o1 解决安全问题。还有人指出某些模型在特定任务如改写代码、转换平台方面表现出色。

同时，也存在不同的声音。有人认为目前除了基本工具如 Copilot 外，其他 AI 编码工具还不够成熟和通用。有人认为使用 AI 编码存在局限性，比如在处理复杂前端组件、涉及众多移动部件的复杂性以及满足“人类”需求方面表现不佳，需要将复杂任务分解为小部分自己整合。

共识方面，大家普遍认同在使用 AI 编码时需要明确表达需求、进行有效的提示和项目结构规划，并认识到其在特定场景下的优势和局限性。

总的来说，关于 AI 在编码中的应用，大家的观点丰富多样，既有成功的经验分享，也有对其局限性的思考，为我们更全面地理解这一话题提供了多维度的视角。