简介:古法编程是 AI 编程工具普及后,对"纯手工写代码"的调侃性称呼。本文解释这一说法的来源与边界,梳理哪些场景仍应坚持手写、哪些适合交给 AI,并附上代码示例、Token 成本估算方法与模型选型思路,帮助开发者在效率与可控性之间找到平衡。
古法编程指的是不使用 Cursor、Copilot、Claude Code 等 AI 辅助工具,自己查文档、找接口、写函数、改 Bug,一行一行把代码敲出来的开发方式。它借用了”古法酿造””柴火灶炒菜”的修辞——把一件曾经理所当然、如今显得费时费力的生产方式,用略带自嘲的口吻重新命名。
与之相对的是 Vibecoding(氛围编程) :开发者用自然语言描述需求,由模型自主完成规划、编码、测试等环节。门槛降低了,”逐行手写”于是被戏称为古法编程。
如果你打算在项目中长期采用”核心逻辑手写 + 外围代码交给 AI”的混合模式,第一步往往是选一个合适的模型底座。可以先看看 百度智能云词元所,它提供多模型统一 API 接入与价格、性能对比,方便按任务类型切换模型而不必重写调用层。
古法编程之所以成为热词,本质原因是 AI 把”写代码”这一环的边际成本压到了接近零。过去一个 CRUD 接口、一段正则、一次 SQL 迁移脚本,都要查文档、试参数、跑调试;现在描述清楚就能拿到可用草稿。
但成本下降不等于风险消失。AI 生成的代码有三个典型问题:
古法编程的价值恰恰在这些地方——它保证你对每一行的语义负责。
| 场景 | 建议方式 | 原因 |
|---|---|---|
| 支付、鉴权、加解密、金额计算 | 手写 + 人工评审 | 错误代价高,需完全可控 |
| 并发控制、分布式锁、重试退避 | 手写为主 | 边界条件多,AI 常漏 |
| 性能热点与底层优化 | 手写 | 需要 profiling 数据支撑 |
| 样板代码、DTO、CRUD、单测骨架 | 交给 AI | 模式固定,收益明显 |
| 陌生语言/框架的初次上手 | AI 生成 + 逐行读懂 | 加速学习,但必须理解 |
| 一次性脚本、数据清洗 | 交给 AI | 生命周期短,容错高 |
一个实用的判断标准: 这段代码出错的代价,是否高于你手写它花的时间? 是,就古法;否,就交给 AI。
重试是 AI 生成代码里最容易”看起来对”的地方。多数生成结果会写成简单循环,缺少可重试异常范围和抖动(jitter),在下游抖动时会引发重试风暴。
import randomimport timedef call_with_retry(fn, max_attempts=3, base_delay=0.5):"""显式控制重试次数、退避策略与可重试异常范围。"""last_exc = Nonefor attempt in range(1, max_attempts + 1):try:return fn()except (TimeoutError, ConnectionError) as exc: # 只重试可恢复错误last_exc = excif attempt == max_attempts:break# 指数退避 + 随机抖动,避免大量客户端同时重试打爆下游delay = base_delay * (2 ** (attempt - 1)) + random.uniform(0, 0.1)time.sleep(delay)raise RuntimeError(f"调用失败,已重试 {max_attempts} 次") from last_exc
三个要点:只重试幂等且可恢复的错误、退避要有上限、必须加抖动。这类判断很难靠”再生成一次”得到,只能靠工程经验。
无论手写还是 AI 生成,只要接入大模型 API,成本都落在 Token 上。单次调用成本的基本公式:
单次成本 = 输入 Token 数 ÷ 1,000,000 × 输入单价+ 输出 Token 数 ÷ 1,000,000 × 输出单价
优化方向通常有四个:
选型时建议把候选模型放在同一批真实任务上对比,而不是只看榜单。通过 词元所的大模型 API 服务平台 可以横向查看不同模型的能力定位与调用价格,用统一 API 做小规模 A/B 验证,再决定主力模型与备用模型的组合。
古法编程不是要回到过去,而是提醒一件事:工具决定了你写代码的速度,但代码的正确性仍然由你负责。把重复劳动交给模型,把关键判断留给自己——这才是这个词真正有用的地方。