通过50个AI编程项目的实践体验，深入探讨了当前AI编程智能体的真实能力边界。这些工具既令人惊叹地强大，又有着明显的局限性，它们正在改变软件开发的方式，但人类的角色仍然不可或缺。
智能速览
AI编程智能体依赖人类的专业知识指导，而不是替代人类
模型在训练数据范围内表现优秀，超出则明显脆弱
创新功能开发快但完善细节耗时，90%问题普遍存在
功能蔓延现象被AI工具加剧，导致项目失去焦点
AI不会让程序员失业，反而可能让他们更忙碌
这些工具应被视为放大人类能力的助手，而非自主员工
精华内容
AI编程智能体就像早期的3D打印机，能快速产出令人惊艳的原型，但要达到生产级质量仍需人类智慧和大量调试工作。
人类仍不可替代
经验丰富的开发者带来了AI模型缺乏的判断力、创造力和领域知识。他们知道如何为长期可维护性构建系统架构，如何平衡技术债务与功能速度，以及何时在需求没有意义时进行反驳。
正如独立AI研究员Simon Willison所说：“AI工具放大现有专业知识。您作为软件工程师拥有的技能和经验越多，您与大语言模型和编程智能体合作就能获得越快越好的结果。”
编程智能体是最好用来实现人类想法的软件工具，而不是自主编程员工。无论背后的公司如何营销，它们都不是人（也不是人的替代品）。
数据依赖的脆弱性
基于Transformer架构的AI模型只能可靠地应用从训练数据中获得的知识，泛化到新领域的能力有限。
现代编程语言、JavaScript、HTML等充分代表的技术上几乎令人恐惧地出色，而在6502汇编或使用真实字符图形编程Atari 800游戏等任务上通常很糟糕。
一个明显的例子：用Claude制作HTML5演示只花了五分钟，但制作类似的Atari 800游戏演示却花了一周的痛苦试错，还需要额外的系统设计和工具开发。
创新仍需突破
由于神经网络中嵌入的"先入为主的观念"，很难让AI智能体创造真正新颖的东西。
一个具体案例：花了四天时间试图让Claude Code创建HTML游戏《Violent Checkers》的Atari 800版本，但智能体始终无法跳出"跳棋"的语义束缚，坚持使用棋盘逻辑。
最终解决方案是重新开始，告诉Claude在创建一个有UFO在相邻方格场上飞行的游戏——完全避免使用"checker"、"checkerboard"或"checkers"等词，这才得到了想要的结果。
90%进度现象
AI编程项目的前90%进展惊人地快，但最后的10%涉及繁琐的来回试错对话来填充细节。
需要比智能体能提供的更深入洞察或理解的任务仍然需要人类来建立连接。更大的大语言模型可能建立更深的上下文连接，但人类大脑仍然对语义连接有更深的把握。
创造力可能是当您从篮球跳到肥皂膜中气泡如何形成，并以某种方式建立有用连接从而产生突破时的情况——这种语义跳跃是大语言模型往往不会做的。
功能蔓延加剧
使用AI编程工具时，体验新颖性的乐趣让人想要不断添加新功能，而不是修复错误或完善现有系统。
智能体加剧了这种现象，因为它们可以在追求影响许多工作系统的狭隘目标过程中冲过代码并做出广泛更改。这对编程智能体来说并不新鲜，但智能体让这个问题变得更加突出。
《Flip-Lash》开始是"可以翻转棋盘的俄罗斯方块"，但功能蔓延让作者加入了所有东西，最终失去了焦点。
AI编程智能体正在重塑软件开发流程，但人类的创意、经验和判断力仍是关键。这些工具更像是放大器而非替代品，它们让有经验的开发者变得更强大，而不是让开发者变得多余。未来，学会有效使用这些工具将成为开发者的核心竞争力。
