30 秒看懂
Dave Thomas 说,他对 AI 辅助编程最有价值的贡献,是察觉智能体的方向似乎不对、打断它并调查原因。他区分了可以放心自动化的惯常动作、与智能体共同处理的策略,以及需要人作判断的价值观。他通过反复追问“为什么”,把 DRY 这样的规则从单一事实来源追溯到未来需要修改系统的人。他担心初学者缺乏质疑智能体的经验,并呼吁开发者关注长期目标,把人类需求转化为机器行为。
- 1经验可以提示何时打断智能体Thomas 看着生成的工作,觉得哪里不对时就暂停,然后检查那个决定,而不是认定自己的感觉一定正确。
- 2反复追问“为什么”,找到规则背后的人他从单一事实来源出发,逐步解释 DRY 如何让未来的人更容易修改系统。
- 3惯常动作、策略和价值观需要不同程度的参与Thomas 愿意自动化程序,与智能体一起处理策略,并把价值判断留给人。
- 4经验不同,同一规则的含义也不同初学者可能只知道一条简单指令,而经验丰富的开发者能够解释背后的多个目的。
- 5Thomas 认为当前智能体不承担后果他说,模型受到质疑时可能轻易推翻自己的建议,质疑和决策仍需由人负责。
- 6超越实现,关注人的目标他把战略注意力比作飞机降落时看向地平线,并呼吁开发者连接人类需求和机器行为。
要点建议
- 针对编程规则反复追问“为什么”,直到看清它服务于人的什么目的。
- 自动化可重复的程序,但要持续参与策略选择并评估结果。
- Thomas 担心初学者在依赖智能体前,可能需要帮助来发展判断力。
- 询问客户为什么需要某个结果,而不只是如何实现请求。
按章节阅读整理后的全文
一位程序员的观念转变
Thomas 原本担心 AI 会夺走自己热爱的工作,后来发现引导编程智能体仍然像在编程。
我还在上学时,于 1974 年写下第一行代码。技术学院的一门编程课改变了我的计划:我原本准备学数学,但第一个 BASIC 程序让我转向计算机科学。
AI 编程工具出现时,我担心会失去自己热爱的工作。尝试之后,我发现自己仍在编程:即使不亲手敲代码,也可以去做以前不会尝试的项目。
知道何时打断的直觉
他对代码惯例的观察促使他研究,经验如何帮助他在智能体工作时发现问题。
有一段时间,我的解释是 AI 需要和人一样的良好实践。我花了一周和助手做实验,发现它似乎偏好许多熟悉的惯例,包括简短的函数和描述清楚的名称。
助手还建议限制函数中局部变量的数量。我推测,较小的单元有助于控制相关上下文的规模;这个实验促使我更仔细地思考自己到底贡献了什么。
我看着代码、架构和测试不断生成。有时我觉得哪里不对,就用 Control-C 停下智能体,再回头查找是什么触发了这种反应。有时是我判断错了,就让它继续。
问题未必是我一开始忘了给出某条指令。我可能要看到一个决定在特定场景中呈现出来,才知道有问题。我把这种感觉称为直觉。
我想知道书里描述的实践,以及几十年编程积累下来的经验,在智能体生成代码时是否仍然适用。现在我把工作分成三个层次。
惯常动作、策略与价值观
Thomas 区分可重复的程序、有意识的方法和人的判断,用 DRY 展示它们如何联系。
惯常动作是可重复的程序或肌肉记忆:我们无须多想就会执行的步骤。策略则是处理问题的方法,需要思考如何推进,以及如何判断成功或失败。
价值观处于另一个层次。它表达我们总体上想要什么,帮助我们作出事先可能没有想到的决定。我用这三个类别思考熟悉的编程实践处在哪个位置。
以 DRY 为例,它通常概括为“不要重复自己”。它是惯常动作、策略,还是价值观?听众可能意见不同,因为同一实践对每个人而言不一定处于完全相同的位置。
惯常动作可以写成一套程序并反复执行,即便它已经根深蒂固到你不再需要说明。区分策略与价值观则需要更多思考。
为了审视 DRY,我会反复问为什么。直接的答案可能是我们想要单一事实来源。为什么?这样修改这一事实时就只需改一个地方,有助于让系统保持可修改性。
为什么可修改性重要?以后有人会想修改系统,虽然我现在不知道是谁,也不知道他们需要什么。背后的价值是让未来必须作出决定的人更容易开展工作。

在我看来,价值观是人进入推理过程的地方。不断追问为什么,直到答案涉及人作出的决定;这就是我区分价值观和服务于它的策略的方法。
自动化流程,在策略上协作
他描述让智能体处理重复工作,同时由人观察并调整策略决策。
惯常动作处于流程的一端,价值观处于判断的一端,策略则结合了两者。我愿意让智能体自动执行流程,不过我个人认为,让一个批评者智能体挑战其他智能体的工作很有用。
我一天的大部分时间都在策略层工作:和 Claude 对话,看它写代码,观察发生了什么,打断或调整方向,并在需要时更新指令。智能体做机械工作,而我持续参与选择。
在我看来,价值观仍然是人的责任。边界划在哪里取决于经验:不同开发者对同一实践背后原因的解释深度可能不同。
经验会改变边界的位置
初学者和经验丰富的开发者对同一规则的理解深度可能不同。
经验丰富的开发者可能经过几层策略解释,最终触及价值观。中级开发者可能知道一条规则在实践中为什么有用,却还没有形成更深的直觉。
初学者起初可能只会得到一条简单指令:不要复制粘贴。这并不是 DRY 的完整定义,但在他们积累足够经验理解更细致的原则之前,它可以作为起点。
正因为有这种差别,我担心初学者依赖编程智能体:如果他们还没有形成基础知识,就可能依赖机器作出我认为它目前并不具备的判断。
Thomas 为何认为智能体缺乏判断力
他认为模型不承担自己选择的后果,需要人来质疑。
我为什么认为智能体缺乏判断力?因为它们不承担后果。模型可以提出一种方法,受到质疑后又轻易同意相反意见,而无须承担错误的代价。
我把它比作一段搞笑野生动物视频里的蜜獾:它追逐奖励,似乎不在乎危险。我的意思不是智能体勇敢,而是它们的短期行为不等于关心长期后果。
如今,我把人看作智能体的良知:人要质疑提出的方向,并把经验带入决策。我预计未来某种 AI 可能具备判断力,但我不认为目前的智能体有这种能力。
模型可能掌握比我多得多的通用知识,但我仍然期待自己的经验和判断能帮助我决定这些知识在特定场景中意味着什么。
向前看并追问为什么
Thomas 建议从日常流程转向战略,并沟通人类需求与机器行为。
为了继续发挥作用并享受工作,我认为开发者应该放下可以自动化的惯常动作。更好的编译器早已接手了许多程序员曾坚持亲自作出的底层优化决策。
把注意力从眼前的策略转向更长期的方向。我学开小飞机降落时,老师教我看前方的地平线,而不是向下看;我用这个比喻说明要看到眼前问题之外。
多问为什么,少问怎么做:问自己、团队和客户,他们真正需要什么,为什么重要。我认为开发者应当更善于在相关的人和系统之间沟通。
开发者在两个不同的世界工作。人的世界杂乱,有历史包袱,也能容忍近似;机器世界需要精确指令,并按照已实现的规则运行。
连接这两个世界是开发者已经在做的工作。我认为,在人类需求和机器行为之间进行这种转译,是我们应该继续发展技能和体现价值的地方。
我预计,即便当前热潮退去,语言模型仍会有用。如果它们提高了开发者的生产力,机会就在于利用这种能力更快地创造对人有价值的成果,同时继续由人决定什么重要。
同频道的其他文章
43:06EN → 简体中文
38:10EN → 简体中文
45:33EN → 简体中文
41:55EN → 简体中文
38:07EN → 简体中文
49:56EN → 简体中文