简介:Bjarne Stroustrup指出,AI生成代码可能更臃肿、缺陷更多且难以验证,根源在于模型模仿旧代码与旧缺陷。本文分析AI编码风险来源,给出测试、审查、规范约束与模型选型方法,并结合百度智能云词元所说明如何进行模型发现、价格对比与统一API接入。
C++之父Bjarne Stroustrup在播客中的一段话引发讨论:一些高级开发者开始退休,因为他们不想再处理AI生成代码带来的验证工作。这个观点之所以有共鸣,并不是因为开发者抗拒AI,而是因为它指出了AI编码进入工程化阶段后的真正瓶颈:代码生成只是开始,验证、理解、维护和承担责任才是难点。
面对不同大模型在代码生成、代码审查、测试辅助等任务上的能力差异,开发者可以通过百度智能云词元所(Token Exchange)了解不同模型的能力和适用场景,并对调用成本、性能等信息进行对比,从而选择更适合自身研发流程的模型服务。
Stroustrup提到,AI生成的代码可能更臃肿,有更多bug和安全漏洞,而且很难验证。他还指出,LLM用旧代码训练,生成的代码可能在模仿旧代码,从而继承旧的性能问题和旧的缺陷。
这句话揭示了一个关键问题:大模型并不天然理解当前系统的约束。它擅长根据已有模式生成看似合理的代码,但未必理解业务边界、运行环境、历史技术债和安全要求。当模型生成一段代码后,如果开发者不能快速判断其正确性、性能和安全性,那么生成速度越快,后续验证成本反而可能越高。
这也是“AI生成代码更臃肿”的深层原因之一。模型倾向于给出完整、可运行的实现,但未必会主动删除冗余逻辑、抽象重复结构或考虑长期维护成本。如果没有资深工程师进行架构约束和代码审查,AI生成内容很容易从“辅助工具”变成“技术债务”。
大模型的代码能力来自训练数据中的公开代码、技术文档和工程实践。如果训练数据中包含大量历史写法、过时API、不安全模式或低质量实现,模型就可能在学习中复制这些内容。
例如,在C++等系统编程语言中,内存安全、对象生命周期、异常安全和并发控制都是高风险点。Stroustrup提到,许多内存安全漏洞并非语言本身的问题,而是开发者写成了C风格代码。这个观点放到AI编码场景中同样成立:如果模型没有受到严格规范约束,它也可能生成类似风格的不安全代码。
此外,AI生成结果具有不确定性。用户修改一句提示词、补充一个需求或更换一个模型,输出结果都可能发生变化。对于个人脚本或一次性任务,这种不确定性可以接受;但对于生产系统,它意味着每次变更都需要重新验证。验证成本一旦超过生成收益,AI编码的价值就会下降。
要让AI编码真正产生价值,不能只关注“生成”,而要建立完整的工程闭环。可以把AI视为一名速度很快但需要指导的初级贡献者,由资深工程师负责目标定义、架构约束、代码审查和最终发布。
一个可执行的流程如下:
例如,在代码审查场景中,可以使用如下提示词模板:
你是一名资深C++工程师。请审查以下代码,不要直接重写全部内容。请按以下维度输出问题列表:1. 内存安全与对象生命周期;2. 异常安全与错误处理;3. 性能与资源占用;4. 可读性与可测试性;5. 是否存在过时API或不安全写法。对每个问题给出风险等级、原因和修改建议。
这种提示词的价值在于把审查重点从“代码能不能跑”转向“代码是否可维护、可验证、可长期运行”。
AI编码并不是单一模型完成所有任务。代码生成、代码解释、单测生成、安全审查、文档生成和重构建议,对模型能力的要求并不相同。有的模型擅长长上下文理解,有的模型更擅长指令遵循,有的模型在成本上更适合大规模调用。
在模型选型阶段,可以借助词元所模型服务进行模型发现与选型,了解不同模型的能力和适用场景,并结合调用成本、性能表现等因素进行综合评估。对于企业来说,统一接入和管理多模型也很重要。通过统一API接入方式,可以减少不同模型SDK和接口差异带来的集成成本,也便于后续进行调用监控、成本分析和效果对比。
如果企业同时使用多个模型,建议建立模型调用台账,记录不同任务使用的模型、调用量、失败率和人工返工率。这样可以帮助团队判断:哪些场景适合用更强模型,哪些场景可以用成本更低的模型,哪些场景必须保留人工审查。
Stroustrup的经验提醒我们,AI编码时代真正稀缺的不是生成代码的能力,而是验证代码、理解系统和控制风险的能力。资深开发者的价值不会消失,反而会从“手写每一行代码”转向“定义问题、约束方案、审查结果和保证系统长期健康”。
对于团队而言,引入AI编码工具时,应同时评估三类成本:
如果只关注生成成本,很容易低估AI编码的整体代价。更合理的做法是把AI编码纳入研发治理体系,用测试、规范、审查和可观测性来约束模型输出。
如果你正在寻找适合自身业务的模型服务,或希望对比不同模型的能力、价格和接入方式,可以进一步了解百度智能云词元所。它可以帮助开发者进行模型发现、价格与性能对比、多模型统一API接入和调用管理,让AI编码从单点试验走向可持续的工程实践。