近两年AI 编程能力飞速发展越来越强了。如今, 好多程序员极少再亲自一行字一行字地去编写代码了。要说这编程呢, 愈发像是这种情形: 先去阐述需求, 接着给 AI 下达指令, 而后让它去达成实现一旦出现问题, 就把报错持续投向给 AI当需求发生变化时, 再去使唤 AI 进行修改。程序员真实的价值, 愈发不是“是否会撰写代码”, 而是可不可以领会需求、进行判断, 以及最终有没有胆量承担系统责任。我有这样的感觉, 程序员针对AI的态度, 也正从往昔的三派转变成为两派。过去大概是不相信、半信半疑、完全相信。现在真正的分歧是要不要控制 AI 写代码的过程。一类人已经基本不看代码了第一类是“放手派”。把需求交付给AI, 让AI去撰写代码, 要是出现Bug, 仍旧让AI来修复。对于AI所做的改动内容, 以及如此设计的缘由, 还有整个调用链的走向情况, 并不是十分在意。他们所秉持的理由是十分言之凿凿的: AI具备的能力已然相当强悍其产出速度要远超个人自行动笔写作, 并且在质量方面也比个人创作更为出色。然而, 在这背后还隐伏着一个更深层次的缘由: 源于人性当中所存在的那种惰性。起初, 是不想去编写代码, 随后, 是不想去查看代码, 再往后, 就连业务逻辑也不情愿自己去梳理了。一个小项目、一个 Demo这样做通常问题不大。系统变得越发复杂之后会如何呢? 而后AI所编写的代码量日益增多, 同时, 模块数量越来越多, 并且, 调用关系更为复杂。渐渐地, 人们不光没法看懂代码, 甚至能清晰弄明白系统又是怎样运行的人也都无法搞定了。于是什么出现了, 是一个十分有意思的现象, 什么样的现象, 是AI来写系统, 然后, 并让AI去解释这个系统。真正的问题是人逐渐失去了对系统的理解这段时间我正好经历了一个类似的项目。开发阶段看上去相当顺遂联调阶段同样显得颇为顺畅, 功能彼此相继达成, 进度呈现出快速推进之态。但到了系统测试阶段大量问题开始暴露。最让人头疼的并非是 Bug 的数量很多 , 而是在我们询问某一个逻辑为何要如此进行设计的时候 , 在我们询问某一种状态为何会产生变化的时候 , 开发人员很难一下子就讲个明白。缘由在于逻辑自身是由AI创作而成的, 那该如何是好呢? 持续驱使AI去理清头绪。但是, 这里却存在着另外一个问题, 那就是, AI特别善于依据现有的代码, 梳理并得出一整套看上去极其完备、自洽的解释, 你说是不是呢?问题是能解释得通并不意味着原来的设计就是对的。于是在排查问题之际, 就只能持续不断地去切换模型, 切换Codex, 甚至让几个模型相互交织交叉。在这个项目期间, 仅半个月前后的时间, 对于其中一名开发人员而言, AI已然耗费了800余美元。耗费了这般数量的Token, 情况是否是, 人反倒对于该系统愈发地难以理解呢?每一回进行修改, 每一回排查错误, 每一回梳理逻辑, 均不得不再次借助AI, 这已然造就了一种全新的技术债。过往存在的技术债, 常常是代码编写得质量欠佳。在 AI 时代, 还能够出现另外一种技术债: 代码或许并非差到那种程度, 然而却已经不存在任何人真正对其有所理解了。另一类人会主动给 AI 加约束另一类程序员也大量使用 AI但不会完全放手。架构、模块边界、接口以及数据结构, 他们会先行予以确定后, 再交由AI去实施复杂任务会预先进行拆解, 核心代码会怎样呢 , 有关关键修改会设置相应的检查点。AI 可以写但人依然掌握设计权和最终判断权。这类人常有着更多阅历, 这并非源于他们更为守旧, 实乃因其更明晰一个状况 , 他们知晓一个实情: 。AI 提升的不只是编码效率也同时提升了制造复杂度的速度。曾经, 有个条件下, 一个程序员, 在一天之中, 仅能够写出这般数量的代码, 而当下, 携带了 Agent 的此程序员, 于一天之内, 能够修改几十个文件, 以及几千行代码。如果没有相应的约束生产力提高多少复杂度也可能提高多少。AI公司都在做 程序员自己却没有这让我想到现在 AI 行业里经常提到的一个词。那些大模型公司, 不会轻易直白就把模型袒露着放出来, 模型的外面, 存在着工具调用, 有着上下文管理, 伴有权限设定, 囊括任务规划, 含有结果检查, 涉及测试环节, 有重试的情况, 还有评估这一行为。原因很简单模型能力越强越需要约束和控制。然而, 有不少程序员于运用AI之际, 反倒欠缺这般的意识。开启Agent, 道出“帮我将这个功能予以完成”这般话语, 而后任由它持续往下撰写。并未存在架构方面的约束, 并不具备模块的边界限定, 未曾有相关的检查点设置, 同样也没有清晰明确出哪些具体的地方是不可以变动的。出了问题怎么办再找一个更强的模型来修。这实际上是一桩颇具矛盾特性的事情, AI公司费尽心思去实施对模型的控制, 然而部分程序员却愈发坚定地秉持这样一种信念: “模型具备足够的聪慧程度, 因而任何事务都能够交付于它。”。AI 下一阶段比拼的是控制力所以, 我愈发觉得, 在AI下一阶段, 真正致使差距产生的, 并非是谁书写得更为冗长, 也并非是谁能够同时开启更多的Agent。而是谁能建立自己的 AI 。AI可自主独立完成哪类事情, 哪处情况需人工进行确认哪些代码是必不可少需明确的任务该以何种具体方式拆分架构于何时会被冻结不得改动怎样才能够避免AI在解决局部问题的时候, 将整个相关系统给改得愈发混乱无序。以前, 这些事情被称作软件工程, , AI时代到了, 它们不但没消失, 反倒变得愈发重要了。因为 AI 已经把“写代码”变成了一件越来越便宜的事情。变为另一件事开始变得真正昂贵起来: 有没有人, 确切地是不是有个人, 能够毫无差错真真正正地理解这个系统, 而且自始至终稳稳牢牢地掌握住它。模型需要 程序员同样需要。致力于AI智能体实践, 专注于技术演进深度思考, 主理人有资深技术背景, 具备心理学视角, 通过真实实验探索LLM、RAG的落地边界, 其中2025年更新361篇实操记录。
近两年AI 编程能力飞速发展越来越强了。如今, 好多程序员极少再亲自一行字一行字地去编写代码了。要说这编程呢, 愈发像是这种情形: 先去阐述需求, 接着给 AI 下达指令, 而后让它去达成实现一旦出现问题, 就把报错持续投向给 AI当需求发生变化时, 再去使唤 AI 进行修改。程序员真实的价值, 愈发不是“是否会撰写代码”, 而是可不可以领会需求、进行判断, 以及最终有没有胆量承担系统责任。我有这样的感觉, 程序员针对AI的态度, 也正从往昔的三派转变成为两派。过去大概是不相信、半信半疑、完全相信。现在真正的分歧是要不要控制 AI 写代码的过程。一类人已经基本不看代码了第一类是“放手派”。把需求交付给AI, 让AI去撰写代码, 要是出现Bug, 仍旧让AI来修复。对于AI所做的改动内容, 以及如此设计的缘由, 还有整个调用链的走向情况, 并不是十分在意。他们所秉持的理由是十分言之凿凿的: AI具备的能力已然相当强悍其产出速度要远超个人自行动笔写作, 并且在质量方面也比个人创作更为出色。然而, 在这背后还隐伏着一个更深层次的缘由: 源于人性当中所存在的那种惰性。起初, 是不想去编写代码, 随后, 是不想去查看代码, 再往后, 就连业务逻辑也不情愿自己去梳理了。一个小项目、一个 Demo这样做通常问题不大。系统变得越发复杂之后会如何呢? 而后AI所编写的代码量日益增多, 同时, 模块数量越来越多, 并且, 调用关系更为复杂。渐渐地, 人们不光没法看懂代码, 甚至能清晰弄明白系统又是怎样运行的人也都无法搞定了。于是什么出现了, 是一个十分有意思的现象, 什么样的现象, 是AI来写系统, 然后, 并让AI去解释这个系统。真正的问题是人逐渐失去了对系统的理解这段时间我正好经历了一个类似的项目。开发阶段看上去相当顺遂联调阶段同样显得颇为顺畅, 功能彼此相继达成, 进度呈现出快速推进之态。但到了系统测试阶段大量问题开始暴露。最让人头疼的并非是 Bug 的数量很多 , 而是在我们询问某一个逻辑为何要如此进行设计的时候 , 在我们询问某一种状态为何会产生变化的时候 , 开发人员很难一下子就讲个明白。缘由在于逻辑自身是由AI创作而成的, 那该如何是好呢? 持续驱使AI去理清头绪。但是, 这里却存在着另外一个问题, 那就是, AI特别善于依据现有的代码, 梳理并得出一整套看上去极其完备、自洽的解释, 你说是不是呢?问题是能解释得通并不意味着原来的设计就是对的。于是在排查问题之际, 就只能持续不断地去切换模型, 切换Codex, 甚至让几个模型相互交织交叉。在这个项目期间, 仅半个月前后的时间, 对于其中一名开发人员而言, AI已然耗费了800余美元。耗费了这般数量的Token, 情况是否是, 人反倒对于该系统愈发地难以理解呢?每一回进行修改, 每一回排查错误, 每一回梳理逻辑, 均不得不再次借助AI, 这已然造就了一种全新的技术债。过往存在的技术债, 常常是代码编写得质量欠佳。在 AI 时代, 还能够出现另外一种技术债: 代码或许并非差到那种程度, 然而却已经不存在任何人真正对其有所理解了。另一类人会主动给 AI 加约束另一类程序员也大量使用 AI但不会完全放手。架构、模块边界、接口以及数据结构, 他们会先行予以确定后, 再交由AI去实施复杂任务会预先进行拆解, 核心代码会怎样呢 , 有关关键修改会设置相应的检查点。AI 可以写但人依然掌握设计权和最终判断权。这类人常有着更多阅历, 这并非源于他们更为守旧, 实乃因其更明晰一个状况 , 他们知晓一个实情: 。AI 提升的不只是编码效率也同时提升了制造复杂度的速度。曾经, 有个条件下, 一个程序员, 在一天之中, 仅能够写出这般数量的代码, 而当下, 携带了 Agent 的此程序员, 于一天之内, 能够修改几十个文件, 以及几千行代码。如果没有相应的约束生产力提高多少复杂度也可能提高多少。AI公司都在做 程序员自己却没有这让我想到现在 AI 行业里经常提到的一个词。那些大模型公司, 不会轻易直白就把模型袒露着放出来, 模型的外面, 存在着工具调用, 有着上下文管理, 伴有权限设定, 囊括任务规划, 含有结果检查, 涉及测试环节, 有重试的情况, 还有评估这一行为。原因很简单模型能力越强越需要约束和控制。然而, 有不少程序员于运用AI之际, 反倒欠缺这般的意识。开启Agent, 道出“帮我将这个功能予以完成”这般话语, 而后任由它持续往下撰写。并未存在架构方面的约束, 并不具备模块的边界限定, 未曾有相关的检查点设置, 同样也没有清晰明确出哪些具体的地方是不可以变动的。出了问题怎么办再找一个更强的模型来修。这实际上是一桩颇具矛盾特性的事情, AI公司费尽心思去实施对模型的控制, 然而部分程序员却愈发坚定地秉持这样一种信念: “模型具备足够的聪慧程度, 因而任何事务都能够交付于它。”。AI 下一阶段比拼的是控制力所以, 我愈发觉得, 在AI下一阶段, 真正致使差距产生的, 并非是谁书写得更为冗长, 也并非是谁能够同时开启更多的Agent。而是谁能建立自己的 AI 。AI可自主独立完成哪类事情, 哪处情况需人工进行确认哪些代码是必不可少需明确的任务该以何种具体方式拆分架构于何时会被冻结不得改动怎样才能够避免AI在解决局部问题的时候, 将整个相关系统给改得愈发混乱无序。以前, 这些事情被称作软件工程, , AI时代到了, 它们不但没消失, 反倒变得愈发重要了。因为 AI 已经把“写代码”变成了一件越来越便宜的事情。变为另一件事开始变得真正昂贵起来: 有没有人, 确切地是不是有个人, 能够毫无差错真真正正地理解这个系统, 而且自始至终稳稳牢牢地掌握住它。模型需要 程序员同样需要。致力于AI智能体实践, 专注于技术演进深度思考, 主理人有资深技术背景, 具备心理学视角, 通过真实实验探索LLM、RAG的落地边界, 其中2025年更新361篇实操记录。
+LR(1)：编译原理实验链完整解析)
