AI 编程实战复盘:从 250 小时开发经历看 AI 的真实边界
过去 8 年,作者一直想为 SQLite 打造一套真正好用的开发者工具,但受限于 SQLite 源码的高理解难度和解析器开发的枯燥性,项目迟迟未能启动。2025 年初,随着大模型能力的提升,作者决定尝试利用 AI 编程助手来完成这一高难度项目。最终,项目耗时约 3 个月、累计 250 小时完成。本文将复盘这一开发过程,探讨 AI 在实际编码中的具体价值、隐藏代价以及适用的边界。
01项目背景与技术挑战
该项目旨在开发一款通用的 SQLite 开发工具,核心难点在于实现精准的 SQL 语法解析器。SQLite 没有正式的解析规范文档,底层实现不生成抽象语法树,且源码由 C 语言编写,理解难度极高。此外,开发者需要为超过 400 条语法规则定义映射关系并编写测试用例,这项工作既繁琐又容易出错,导致长期无法通过传统人力推进。
02开发历程:从混乱到重构
- 2025年03月
- 2025年02月
- 2025年01月
开发过程分为两个截然不同的阶段。第一个月,作者尝试将所有设计与实现交给 AI,结果生成了一堆逻辑散乱、结构脆弱的 Python 代码,最终不得不全部推翻。吸取教训后,第二阶段作者改变策略,主导所有架构决策,仅将 AI 作为强化版代码补全工具,并严格审查每一处改动,最终成功使用 Rust 完成了项目构建。
03AI 的实际价值
- 降低启动门槛
将抽象的“理解原理”转化为具体的“生成方案”,解决了长期拖延的问题。 - 生成标准代码
对于逻辑明确的常规代码,AI 能以更快的速度生成风格统一、文档完整的代码。 - 支持大规模重构
AI 极擅长处理大规模代码重构,前提是开发者需要持续介入以防止代码失控。 - 填补知识缺口
充当“私人导师”,帮助快速理解陌生的技术栈(如 Rust 工具链)或算法(如优雅打印算法)。 - 完善项目生态
低成本完成编辑器插件、文档、WASM 演示版等非核心但必要的功能,提升项目完整性。
04AI 的隐藏代价
AI 编程的负面效应
心理与行为陷阱
- 上瘾机制:像老虎机一样诱导开发者不断尝试提示词,产生沉没成本谬误。
- 疲劳死循环:精力下降导致提示词模糊,输出质量降低,反而比手动编码更慢。
- 失去掌控感:由于不了解代码细节,导致 Debug 困难,出现突发问题时束手无策。
技术与能力退化
- 沟通能力退化:从精准的技术描述退化为模糊的需求表达,导致 AI 理解偏差。
- 设计能力被侵蚀:产生“以后再改”的拖延心理,导致架构决策不断推迟。
- 缺乏时间感知:AI 无法理解代码的历史演进和决策背景,容易重复踩坑或引入新陷阱。
05适用场景与使用建议
| 场景类型 | AI 表现 | 开发者策略 |
|---|---|---|
| 深度理解的领域 | 表现极佳 | 瞬间审查输出,快速迭代,如解析器规则生成。 |
| 能描述但不了解的领域 | 有用但需谨慎 | 明确需求,判断方向,从 AI 讲解中学习,不可直接照搬。 |
| 连需求都不清楚的领域 | 灾难或无效 | 脱离 AI 独立思考,明确设计方向后再引入 AI。 |
| 无客观标准的任务(如 API 设计) | 表现较差 | 依赖人类审美和经验,AI 无法替代对用户体验的判断。 |
总结来看,AI 是实现层面的超强放大器,能极大提升开发效率,但它不能替代设计。它没有历史感知、审美和真实的用户体感。高效使用 AI 的核心,在于时刻清楚自己处于哪个维度:在局部函数实现上信任 AI,在全局架构设计上保持人类的主导权。
当前文章无评论,是时候发表评论了