- 综合排序
- 最热优先
- 最新优先
AI 全栈：少写代码，多写约束
AI 全栈生成，指用大模型覆盖需求、UI、API、数据库、测试和部署，把一个想法快速变成可运行的应用。它的核心不是“让 AI 替你写所有代码”，而是把重复劳动交给模型，把判断、安全和最终拍板留给人。 AI 可以一次生成这四层，但每一层都需要人给约束。二、少量代码：让 AI 生成文件真正干活的不是代码，而是提示词。下面这段伪代码只做一件事：把生成结果写进文件。 四、AI 全栈生成的真实边界能生成 70% 的样板代码，剩下 30% 是调试、安全、性能和边界情况。登录、支付、权限、合规、并发，不能只靠 AI 拍脑袋。代码能跑，不等于能上线。 让 AI 先出架构和文件树。逐文件生成，不要一次生成整个项目。本地跑通，把报错贴回去让 AI 修。让 AI 补测试、Dockerfile 和 README。人工检查安全、权限和边界。 结语AI 全栈生成不是取代程序员，而是把“从想法到原型”压缩到几分钟。少写代码，多写约束；少做重复劳动，多做判断。
19410编辑于 2026-09-28- 来自专栏石云升
AI写代码靠谱吗？
虽然没有数据支撑，但我感觉用AI编码程序员并不多。我问过几个朋友，他们的回复是，AI没办法完成他想要完成的任务，最终还是得靠自己去写。 GPT真的没办法帮助程序完成任务吗？我感觉不是。 如何向AI提需求，未来很大可能会成为一门职业。而且这个时间我相信并不会太长。 对AI期望太高，很多AI回复的代码并不能立马运行，在这个过程中很可能出现报错。这样就需要来来回回跟AI沟通，才能搞定。 我自己其实已经有很多年没有做一线的编码工作了，但在用AI编码的尝试上，我觉得上面两个问题都不大。首先，要学问把需求拆细。不要问一个很大而全的问题。你就跟自己写程序一样，一个方法就是一个问题。 如果是以前，我可能需要自己写。但用GPT，一分钟不到，初版的程序就写好了。虽然第一次返回的结果里有个小BUG，但就一句话，改完后就能正常运行了。 总用时不到5分钟。 如果你没有一点编程基础，通过跟AI互动，我相信也能解决，这种解决过程能帮助你学习编程。 我后面用同样的提示语，在GPT4里提问，获得代码是直接可以运行的。
1.1K20编辑于 2023-08-18 - 来自专栏东风微鸣技术博客
AI 写代码, 脑子却空了
以前写个Kubernetes Helm Chart可能要翻半天文档，现在敲几个字AI就帮你搞定了。 不, 谢谢, 我用AI 但最近我发现一个问题：我越来越看不懂自己写的代码了。 AI在这里扮演了什么角色？它让系统的"黑盒化"加速了。 以前写代码需要手动查文档、理解函数、调试错误。这个过程很痛苦，但也是在加深你对系统的理解。 代码审查 扫一眼就过 觉得AI写的肯定没问题 阅读文档 懒得看，直接问AI AI总结了核心内容 代理编码的陷阱：从工具到依赖 这里要特别说说Agentic Coding —— 也就是Claude Code 主动做"无工具"练习 我自己每隔几天几周会强制自己： • 不用Copilot写超过50行代码 • 遇到bug先自己推理15分钟，再问AI验证思路 • 定期review AI生成代码的历史提交，搞清楚它的 先用脑子想清楚要做什么，再让AI帮忙写骨架，最后自己填血肉、理逻辑。 毕竟，这个行业最大的护城河从来不是你会用多先进的工具，而是你对系统、对代码、对业务的深度理解。
30610编辑于 2026-05-18 当 AI 开始写代码，谁来验证 AI？
如今，生成式 AI 正在进入软件开发的每一个环节。 它可以生成代码、补全函数、解释代码、生成单元测试，甚至参与静态分析和问题修复。 开发效率因此大幅提升，但新的问题也随之出现：当 AI 可以越来越快地“写软件”，谁来验证这些软件是否真的可靠？ 当“人写代码”变成“人 + AI 共同生成代码”，传统验证流程也可能成为新的瓶颈。 因此，AI 生成代码之后，更需要一套规模化、自动化、持续执行的验证体系。 AI生成代码之后，传统测试面临哪些新挑战？ 图片 首先，人工 Code Review 很难覆盖 AI 快速产生的大量代码。 其次，AI 虽然可以生成单元测试，但：“生成测试”并不等于“完成验证”。 更值得关注的是：AI 生成代码和 AI 生成测试，可能共享相同的假设。 如果代码存在问题，而测试又基于相同的错误假设生成，那么“测试通过”也未必意味着软件真正正确。
14210编辑于 2026-10-10- 来自专栏东风微鸣技术博客
AI写代码，脑子却空了
以前写个Kubernetes Helm Chart可能要翻半天文档，现在敲几个字AI就帮你搞定了。但最近我发现一个问题：我越来越看不懂自己写的代码了。 AI在这里扮演了什么角色？它让系统的"黑盒化"加速了。以前写代码需要手动查文档、理解函数、调试错误。这个过程很痛苦，但也是在加深你对系统的理解。 技能退化的具体表现能力退化表现AI加剧的因素代码理解看别人代码像天书AI生成代码，你从没通读过调试能力报错只会问AI失去了自己推理的机会架构思维只会调用接口不会设计AI替你做了设计决策代码审查扫一眼就过觉得 主动做"无工具"练习我自己每隔几天几周会强制自己：不用Copilot写超过50行代码遇到bug先自己推理15分钟，再问AI验证思路定期review AI生成代码的历史提交，搞清楚它的"意图"4. 先用脑子想清楚要做什么，再让AI帮忙写骨架，最后自己填血肉、理逻辑。毕竟，这个行业最大的护城河从来不是你会用多先进的工具，而是你对系统、对代码、对业务的深度理解。
28210编辑于 2026-05-12 - 来自专栏front-end technology
用es6快乐的写js代码
用这些新特性，我们能在不降低代码可读性与维护性的基础上畅快地写 JavaScript~ 箭头函数 将数组的内容 * 2 以前我们这么写 [1, 2, 3].map(function(each){ return each * 2; }); 用 ES6 只需这样写 [1, 2, 3].map(each=> each * 2); // 或 [1, 2, 3].map((each)=> each * 2 ){ name = name || 'Jack'; } 用 ES6 只需这样写 var introSomeBody = (name = 'Jack') => { } 不定参数 数字求和 以前我们这么写 }, 0); } 解构(Destructuring)赋值 交换两个变量的值 以前我们这么写 var temp = a; a = b; b = a; 用 ES6 只需这样写 [a, b] = [b, a] 只需这样写 var data = { name: '新闻', news: { name: 'Bable升级到6啦', content: 'Bable在某年某月升级到
7.2K00发布于 2019-07-29 我在腾讯用AI写代码
以下是小编采访我的13位来自不同产品团队的一线同事，他们都在用腾讯云 AI 代码助手写代码，在引入腾讯云 AI 代码助手使用超过1年后，使用腾讯云 AI 代码助手的真实感受。 ，聚焦心流状态，大大提升 going 中效率，AICR 也帮我减轻人肉评审负担QQ -前端工程师：abby，6 年工作经验腾讯云 AI 代码助手就像一个聪明的副脑嵌入在 IDE 中，辅助我理解及代码编码 ，自动生成注释、即时补全，单测能力，让开发流程更丝滑，加速 IDEA 到实现的转化，7X 24小时随叫随到，有求必应，实现需求高质量快速交付腾讯音乐-后端开发：dell，6年工作经验在编写代码时，腾讯云 腾讯CNB-运维工程师：jesuss，2年工作经验以前写 Pipeline 总是遇到格式对齐问题，现在通过腾讯云 AI 代码助手和云原生构建知识库，快速编写 Pipeline yaml 且快速构建完成， 腾讯文档-前端开发：lin，3年工作经验以前写代码总是在线上发现问题，使用腾讯云 AI 代码助手代码补全、单元测试、代码缺陷、代码评审等代码优化，让我的代码快速编译，只能更好，已成为我不可或缺的研效工具
1.3K10编辑于 2025-01-14AI泡沫要破了？但是用AI写代码真的很6！所以到底啥子要破了嘛？
有人说AI泡沫要破了。 我打开代码编辑器，Claude帮我半小时写完了原来要搞一下午的接口联调。OpenClaw每天帮我自动写文章、发草稿、查天气、管日程。我用的RAG系统准确率从60%拉到了95%。 第三层：应用层（AI产品与商业化） Character.AI、各类AI套壳产品、企业AI解决方案。这一层的核心问题：用户愿意持续付费吗？还是免费额度一停用户就跑？ 你自己做的AI写作产品，OpenAI一次更新就可能把你整个产品线变成废代码。GPT-5发布那天，有多少AI创业公司的核心卖点直接归零？ 这不是泡沫破裂，这是价值回归。 我自己每天的体感： 公众号三篇文章自动选题、写作、发布——效率提升10倍 天气查询、日程提醒、邮件处理——节省每天1小时 代码审查、bug排查、文档生成——开发效率提升3倍 这不是"Demo效应"，这是真实的工作流改造 一句话带走：泡沫破的不是AI，是不赚钱的AI。 你的工作中，AI是不可逆的生产力工具，还是可替代的玩具？聊聊你每天消耗多少Token。
26820编辑于 2026-06-24- 来自专栏AIoT技术交流、分享
从让AI写代码，到让AI管流程
-> 训练预检 -> 链路验证 -> 正式训练 -> 模型交付 这个流程看起来清楚，但真正做起来，很快就会发现： 这不是一个“让 AI 写代码”的问题，而是一个“让 AI 稳定推进复杂流程 遇到的核心痛点 痛点一：项目一大，AI 容易乱 在单点任务上，AI 很好用。 比如写抽帧脚本、解释训练报错、补一个参数校验，这些都很顺。 这些判断如果只靠 AI 看日志，非常不稳。 放进脚本后，每一步都有明确结论： 能继续 需要等待 已经阻塞 应该回退 AI 只需要读取结论，再协调下一步。 6. 真正有价值的是背后的 AI 协作方式。 过去我们用 AI，更多是点状提效： 写一段代码、查一个报错、生成一份配置。 但当任务变成长流程时，只会写代码不够。 还需要设计： 阶段边界。 输出标准。 这套方式的价值在于： 把 AI 从“靠提示词提醒”变成“靠工程机制约束”。 这比写更长、更复杂的提示词更可靠。 8.
13400编辑于 2026-06-30 - 来自专栏Python大数据分析
使用Raccoon AI写代码，同事又来围观
公司里有一些开发的同事老是吐槽工作忙，天天加班，我想很大可能是没利用好轮子和AI工具，总是自己瞎写耽误时间。 用了几周下来，我觉得Raccoon主要有两大核心功能，首先是代码补全这种主流的AI辅助编程功能，当你在编写Python或其它代码时，Raccoon会自动提示代码补全，省得你再手动写一大串代码。 比如我想使用Python sklearn库写一个线性回归预测模型，Raccoon能直接根据已有代码补全模型代码。 我觉得Raccoon等AI编程工具的出现会极大地改变现在的开发方式，超过80%的代码工作都可以交给AI，程序员以后可能更多的是思考怎么进行优化创新，以及如何利用好AI。 3、在代码区使用Raccoon 以代码补全为例，你可以先在VsCode上建个Py文件，然后写Python代码，按下热键 Alt + /，Raccoon就会为你提供代码建议。
1.3K10编辑于 2024-04-12 怎么知道 AI 能帮我写多少代码？
高采纳率意味着开发者在使用 AI 代码助手时感到方便和高效。 代码生成率（Code Generation Rate） 定义：代码生成率是指 AI 代码助手在开发过程中生成的代码量占总代码量的比例。 计算方法（按行）：代码生成率可以通过以下公式计算： 代码补全生成率=补全接受AI生成的总字符/(人工写入的总字符+补全接受AI生成的的总字符) * 100%，也称为AI生成代码占比 度量意义： 生产力提升 ：高代码生成率表明 AI 代码助手在编码过程中生成了大量的代码，从而显著提升了开发者的生产力。 依赖程度：代码生成率也可以反映开发者对 AI 代码助手的依赖程度。如果生成率较高，说明开发者在编码过程中频繁使用 AI 代码助手来生成代码。 腾讯云 AI 代码助手的度量看板 腾讯云 AI 代码助手作为研发辅助工具，同样面向企业提供服务，下面让我们来看看他的看板是如何进行度量支持的。
3.3K10编辑于 2024-11-29- 来自专栏前端达人
我用 AI 写代码踩过的 6 个坑，每个都有对应的 Prompt 解法
AI时代，想必大家和我一样把 AI 编程工具用成了日常标配。 Cursor 负责写新功能，Copilot 负责补全，Claude 负责解释老代码。整套流程跑起来效率确实高——但也踩了不少坑。 坑三：老代码重构完，逻辑变了但没人告诉我 场景还原： 有一段三年前写的老代码，处理订单状态流转的，逻辑很绕。我让 AI 帮我重构，它把代码整理得很干净，我也觉得好多了，直接提交了。 场景还原： 让 AI 帮我给一个表单校验函数写 Vitest 单测。 排除项越明确，AI 脑补空间越小。 写在最后 这 6 个坑，本质上都是同一个问题：把 AI 当成了能读心术的同事，而不是刚加入的实习生。 实习生第一天，你会给他所有上下文、说清楚规范、交代边界情况。 对 AI 也应该这样。 Prompt 写清楚，你会发现 AI 工具从「不稳定的惊喜」变成「可预期的生产力」。 你用 AI 写代码踩过什么印象最深的坑？
62110编辑于 2026-06-08 - 来自专栏鱼皮客栈
炸裂，AI 写代码工具又进化了！
今年 AI 的发展可谓一日千里，相信不少同学应该都用过 AI 来帮助自己提高开发效率吧？ 比如让 AI 根据注释生成代码、解释整段代码、提供技术问题的答疑、修改 Bug、生成单元测试等等。 进化的 AI 工具能干啥？ 和已有的 AI 写代码工具不同，开发者不需要自己一步步地设计方案和编写代码，而是直接化身 “产品经理”，尽管向 AI 提需求。 5）最后，AI 完成了工作，写了一大堆的代码。 我们可以像 Code Review（代码审查）一样，一条一条地阅读并采纳 AI 的代码，而不用担心它写的代码会侵入我们的项目，干净又卫生~ 如视频所示，最终百度Comate AutoWork 按照需求（ 作为程序员，以前我们的视角是 “码农”、“搬砖者”，所有的工作都要自己做，需求自己分析、方案和代码都要自己写，一周能做完一个需求就不错了。
2.1K20编辑于 2023-12-29 - 来自专栏算法一只狗
AI自我进化，学会自己写代码了！
在之前我写过自动生成代码的工具Copilot，它是由Github根据大量的仓库代码进行预训练生成的。如果感兴趣可以具体看回我之前写过的文章。里面由包括安装、使用方法等。 （PS：更多详细的内容，可以查看这个github网页： https://github.com/llq20133100095/AICodeGeneration） 可使用的AI生成代码工具 使用教程 1 ，且理解你的上下文需求 3 Mutable AI 1.安装：在vscode软件中，找到Mutable AI进行安装 然后它会提示你，需要在官方网站上获取API key，登录后就可以获取： 然后回到 翻译模式 在当前的语言的文本编辑器中输入或者粘贴其他语言的代码，您用鼠标选择这些代码，然后按下Ctrl+Alt+T激活翻译模式，您根据提示选择该代码的语言，然后CodeGeeX会帮您把该代码翻译成匹配您当前编辑器语言的代码 2.使用方法： 制订现成的代码 检测代码中的漏洞，并给出参考意见 综合打分 以上是本期的内容，我是leo，我们下期再见~
2.1K30编辑于 2023-01-18 - 来自专栏java金融
AI写代码比你强？这篇建议收藏
正文 AI都能写复杂业务了，你还剩什么优势？ 上周和一个朋友吃饭，他讲了一个有点扎心的面试经历。 面试官问他：“现在大家都在聊 Vibe Coding，用自然语言就能让 AI 写代码。 比如写一个表单页面、补一个接口字段、生成一组测试用例、写一个数据处理脚本、根据现有代码风格补一个类似功能。这类任务边界清楚、反馈直接，AI 的效率确实很高。 面试官说“AI 写复杂业务比你强”，这句话听起来很刺耳，但它真正逼问的是：你到底是一个写代码的人，还是一个能交付结果的人？ 如果你只是写代码，那 AI 确实会越来越像竞争对手。 一个更好的回答是： “AI 可以写很多复杂业务的代码，但我能判断什么业务值得写、应该怎么拆、哪些地方不能错、怎么验证它真的可用。” 未来的程序员，不一定是敲代码最多的人。 如果面试官问你：“AI 写代码这么强，你的优势是什么？” 你会怎么回答？ 欢迎在评论区聊聊你的真实想法。尤其是已经在工作中用 AI 写代码的朋友，你踩过哪些坑，也可以一起交流。
32510编辑于 2026-05-15 - 来自专栏架构师之路
AI是怎么帮我写代码，写SQL的？（本文不卖课）
【1】AI可以写通用代码 例如，帮忙写一个“半连接攻击”的代码： AI瞬间就给了结果： 不仅如此，它还进行了详细的说明： 有意思的是，AI弹出了“违反政策”的提示。 个人的判断是，目前用AI写业务代码还不太现实，但写一些通用的代码，是完全没有问题的。 工程师们不要焦虑，业务研发不会这么快被取代。 【2】AI可以帮忙改BUG 例如，写了一段没有语法错误，但存在运行时异常的代码，让AI帮忙改BUG： AI也瞬间指出了错误的代码，并进行了修正： AI还提示，说它不善于解决这类问题。 【4】AI可以帮忙改写代码 例如，要求AI把上面优化后的素数代码，由Python改写为Java： AI瞬间完成了改写： 同时也添加了说明： 可以看到，AI已经体现出了一定代码理解能力，并没有告诉它代码的含义 【5】AI可以帮忙写SQL语句 例如，让AI帮忙写建库，建表，插入的SQL语句： AI瞬间进行了输出： 并且还进行了SQL执行后的响应： 画外音：AI很入戏，它真的在扮演MySQL。
3K20编辑于 2023-08-10 - 来自专栏java金融
AI 写代码写爽了，几个月后团队开始还债
AI 写代码很快，但公司开始还债了 ★代码不是没写出来。 是写得太快，团队没人接得住。 最近 V2EX 上有个帖子挺火。 帖子标题叫：《公司 vibe coding 的项目，团队已经无法掌控了》。 真正的问题，不是 AI 写不出代码 这篇帖子之所以能引起这么多讨论，不是因为“AI 写不出代码”。 恰恰相反。 代码写出来了。 系统也上线了。 业务甚至已经开始跑了。 因为未来真正稀缺的，不是： 谁能让 AI 多写几千行代码。 而是： 谁能判断这几千行代码到底该不该进主干。 AI 生成一个方案，你得知道它是不是过度设计。 AI 修一个 Bug，你得知道它是不是只修了表面。 AI 加一层抽象，你得知道它是不是在制造未来的维护成本。 AI 可以写代码。 但它不会自动替团队负责。 最后 AI 可以放大一个团队的执行力。 所以未来真正重要的问题，可能不是： 你会不会用 AI 写代码。 而是： 你能不能让 AI 写出来的东西，仍然归人掌控。
25310编辑于 2026-07-24 6类代码场景分层：不同代码，不同 AI 打法
不是所有代码都适合让 AI 批量生成。按任务类型匹配 AI 协作策略，每类有具体执行步骤和提交前自查清单。 判断方法 接到一个开发任务，先问三个问题： 这个代码要活多久？ 原型验证完，要么扔掉，要么基于原型中跑通的逻辑写正式 Spec，用策略二或三重新实现。不要直接把原型代码合入主干。 写 Prompt 时引用约束文件。把 Spec 内容和项目治理文件（AGENTS.md）中的技术栈约束和红线规则一并放入。 让 AI 同时生成代码和测试。 特征：AI 是分析助手，不是代码生成器。核心是"帮我看问题在哪"，不是"帮我写代码修"。 根因是简单逻辑错误 → 策略二（写 Spec 让 AI 生成修复）；根因是核心逻辑问题 → 策略三（人写骨架 AI 补）；根因需要跨模块改动 → 策略六（审慎修改）。
30510编辑于 2026-06-03- 来自专栏DotNet NB && CloudNative
让 AI 为你写代码 - 体验 Github Copilot
前几天在群里看到有大神分享 Copoilot AI 写代码，看了几个截图有点不敢相信自己的眼睛。今天赶紧自己也来体验一下 Copoilot AI 写代码到底有多神奇。 "星期四"; break; case 5: week = "星期五"; break; case 6: 以上代码全部是 copilot 自动生成的，我仅仅是写下了几行注释。可以看到注释其实写的也很简单，copilot 生成的代码基本上都符合注释的内容，可以说 copilot 对中文注释的理解非常到位。 如果你的注释写的更加详细，那么代码就会更加符合你的要求。 测试.NET C# 让我们在来试试 C# 代码的提示功能怎么样。新建一个文件名为 copilottest.cs 的文件。 到这里心里略有一点忧伤，以后一些低级代码工作很可能被 AI 代替，程序员的入门门槛进一步降低，这到底是好事还是坏事呢？
2.2K10发布于 2021-11-10 Codex AI 工程：当写代码变成设计闭环
Codex 最容易被低估的地方，是把它当成“更聪明的代码补全”。补全解决的是下一行写什么，而 Codex 这类系统真正改变的，是从意图到可运行变更的整条链路。 二、核心闭环：意图 → 上下文 → 变更 → 验证 → 提交一个可靠的 Codex 工作流，不是“让模型写代码”，而是五步闭环。意图。 任务必须可验收。 没有上限的代理会无限重试，烧钱、耗时、还可能把代码越改越乱。result.errors 是反馈。 模型不是一次写对，而是根据测试失败不断收敛。验证不是终点，是下一轮的输入。需要人工介入 是出口。 相关代码：接口、调用方、数据模型。测试：现有测试怎么写，断言什么。错误：失败日志、堆栈、复现步骤。规范：风格、依赖、禁止事项。但上下文不是越多越好。无关文件会稀释关键信息，让模型抓错重点。 九、结语Codex AI 工程不是“让 AI 写代码”，而是围绕 AI 生成能力，重建一套可控、可验证、可回滚的工程系统。模型负责生成候选，代码负责验证结果，人负责定义目标与承担后果。
11810编辑于 2026-10-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号