改善AI编码结果的7种方法

领先的软件开发人员提出了新技能和策略的结合，以提高与AI合作的有效性。

领导者是要求更多的AI使用赞成雇用其他工程师，期望开发人员能够10倍自己。但是，使用AI编码助理实际上是一种艺术。

对于初学者来说，AI编码助手具有已知的优势和劣势。AI是非确定性的，这意味着它容易出乎意料的行为，例如随机删除代码或引入逻辑错误，这可能会很痛苦。

一些局限性是大型语言模型（LLMS）功率编码助手。其他错误，例如代码删除或安全差距，可能是由于它们的使用方式引起的。AI代理通常会陷入递归环或无尽的测试周期中，这是一个很大的生产力杀手。

AI协助的发展在很大程度上是未知的领域，这是一个全新的肌肉，开发商和技术领导者才刚刚开始调理。那么，您如何充分利用AI编码助手？

该领域的领导者提出了新技能和策略的结合，以提高与AI和AI合作的有效性代码的质量。考虑这些技巧，以实现与AI的更成功的工作关系。

提高您的促进技能

Sonar首席增长官Harry Wang说：'Sonar首席增长官Harry Wang说：'Sonar首席增长官Harry Wang说：

在报告中，AI辅助工程指南：10倍您的AI驱动开发开发人员生产力公司DX概述了许多促使技术以显着改善结果，例如：

元数据：将指令嵌入提示中，以帮助模型完成其任务。
迅速链：创建提示的束缚工作流程，适合规格和计划。
一声提示：在提示中包括输出参考，例如示例代码结构。
系统提示：更新基础系统提示以反映特定项目的条件。

不良提示会带来安全含义，使其成为锐化的好技能。2025 BackSlash Security的研究发现Naive的提示导致所有主要的LLM生成易受10种经过测试的常见弱点（CWES）中至少四个的代码。

留在人类周围

中等的开发人员生成的AI根据Blueoptima的2024年报告，用法是表现最高的人生成AI对软件开发人员性能的影响该研究检查了218,354个企业软件开发人员的8.8亿美元投入。

Blueoptima的报告表明，最佳结果是由AI援助与人类专业知识之间的最佳平衡产生的。在实践中的外观是将写作和验证代码外包给AI，并通过项目设计和最终批准将人类任务。

这将人类检查在工作流的两端。Sonar的Wang说，专业软件的创建将逐渐转化为人类定义，AI开发，验证和人为批准的。

使用合适的LLM担任工作

选择右LLM是准确性，速度和成本之间的权衡。使用便宜的工具进行复杂的工作，您会取得不良的效果。但是，使用强大的模型来生成简单的样板代码，然后浪费大量资源。

LLM统计数据目前以人道主义的基准为基准，目前在编码方面排名Anthropic的Claude 3.5十四行诗。单独的研究，SWE-Lancer：Frontier LLM可以从现实世界中的自由软件工程中赚取100万美元吗？，还找到克劳德最好的完成现实世界编程任务时。

克劳德（Claude）的安全性也很高。前面提到的BackSlash安全研究发现，Claude 3.7十四行诗比OpenAI的GPT-4O和Google的双子座生成更安全的代码。

尽管克劳德（Claude）是AI的顶级程序员，但LLM Stats列出了Openai的O3最佳知识，而DeepSeek的R1最佳推理。其他因素也可能更为关键。Gemini 1.5 Pro提供了最高的令牌窗口，而Lambda是最具成本效益的。

API策略师Kevin Swiber说，学习这些工具的界限以及它们最有效地使用它们的能力的界限非常重要。Swiber已经发展了矩阵审查各个维度的AI编码代理，例如技术功能，工作流程集成，资源利用，重构任务和调试能力。

程序和迭代测试

专家建议与AI一起工作。慈善专业，联合创始人和蜂窝CTO的慈善大满贯说，要求更改小规则。不一次生成整个网站，也不会一次生成整个API，也不会立即生成整个功能。

如果您重新处理3,000条代码文件，则可能需要将其分解。事实是，与AI进行重构是挑战AI的习惯是意外删除代码或不警告而移动问题。Swiber说，它将对小事进行优化，而不会牢记大想法。”

因此，一个好主意不仅是从小开始，而且要测试每次迭代的变化。专业建议从端点，组件或任务开始，然后生成测试，运行测试，生成更多代码等。

留下面包屑

通过在代码编辑器中工作（与聊天机器人界面相对），可以通过类似的工具来解决某些AI编码问题github副标士，，，，光标，或继续建议git - 类似代码更改。一些开发人员还可以更好地进行直接API呼叫。

另一种方法是从一开始就计划事项，并在整个过程中行动。Swiber建议在降价为AI助手申请，指定项目的目标并详细介绍您的进度。他们还建议备份原始文件，以便您始终恢复为以前的版本。

Swiber说：``留下一小撮面包屑。”您甚至可能会受益于用明确的语言评论的内联评论，例如触摸这些界线。

测试，测试，测试

AI生成的代码需要进行彻底审查，如果它才能达到生产。Honeycomb的专业说，您永远不会发货。直到您了解自己的所作所为之前，您都不会发货。

AI开发的大量生产力不应避免基本软件工程基本面。从安全角度来看，测试至关重要。Sonar的Wang说，即使AI制定了代码，人类仍将对其质量和安全负责。”

可以说，AI创造了需要更多的测试。Graphite首席执行官兼联合创始人Merrill Lutsky说，AI生成的代码需要更严格的审查和测试，以确保其正确，表现和安全。

但是，卢茨基补充说，在人工智能时代，传统的发展周期越来越多。他说，许多公司意识到它们的外部循环守则审查，测试和部署可以跟上AI生成的代码更改的激增。”

卢茨基（Lutsky）看到了使用AI来帮助解决其造成的问题的明显机会。他建议，AI代理可以简化DevOps过程，自主在审核和测试过程中进行自主进行，并根据需要循环人类，减少可以放慢速度的手动步骤CI/CD。

专注于数据访问

另一种策略是用适当的环境武装AI。蟑螂实验室首席执行官斯宾塞·金博尔（Spencer Kimball）说，AI通常会在它有足够的信息时做出合理的判断。尽管某些限制是当今模型固有的，例如上下文窗口大小和外部数据可访问性，但开发人员仍然可以部署某些策略。

喂养LLMS内部数据，文档或整个项目可能是有用的上下文。公开可用可以帮助培训公共LLM有关您项目的细微差别（更不用说鼓励AI向其他工程师推荐您的软件）。

有趣的是，由于这个原因，Kimball将较新的开放源代码核心公司视为在这个时代的位置，因为它们的源代码和设计文档可公开可用于LLM摄入。他说，我们需要成为AI建议的明显选择。我们可以吸引世界上的主要建筑师。”

至少，这是使用具有强大组织建立的第三方工具的强烈案例开源信条。

连通性也已经取得了重大进展。例如，OpenAI的代理SDK和人类模型上下文协议（MCP）正在通过工具，数据源和其他AIS连接AI。金博尔预测，这种自动化智能将导致巨大的生产力提高。

未来的前景

Swiber说：``我们都应该在成熟时获得这些工具的经验。``对于他们擅长做的事情，他们都会节省大量时间。

AI编码助手不再进行实验。他们将成为企业发展过程的标准。Gartner预测到2028年，有75％的企业软件工程师将使用AI编码助手。

根据金博尔（Kimball）的说法，我们迈向了一个未来，我们将创造有用的事物的创造民主化，那里将会有较小的定制市场。他说：``将与AI创建非凡的新产品和服务。”

小型到中小型的公司也计划获得重大提升。金博尔说，一家每年1亿美元的经常性收入的公司不再是15人支持的公司。随着新的Y-Combinator公司95％的AI编写，显然我们朝这个方向前进。

同时，为了成功使用AI在编码中，需要专家智慧来浏览工具并构建真正的生产力工作流程，尤其是在需要最佳性能，储蓄或质量的情况下。结果还取决于为AI提供正确的环境。

知道如何从AI编码工具中获得最佳结果正在迅速成为开发人员工具包中的另一个重要技能。