LLM 時代的軟體開發：還有多少團隊仍像 2021 年那樣寫程式？

TL;DR

許多工程師仍在使用大型語言模型 (LLM) 之外的方式寫程式，特別是在受監管的行業、政府部門和利基領域，然而企業壓力與高層指令正在推動大多數軟體團隊採用 AI。

1. 並非所有公司都已採用 LLM

  • 受監管部門抵制變革 – 在美國開發醫療設備的團隊報告稱，由於法律審查與合規性要求，任何新工具的使用都會變慢，因此目前尚未使用 AI。(Comment by cowanon77)
  • 政府與公共部門工作仍維持手動 – 州與聯邦開發人員指出，在採用未經證實的工具之前會有五年的滯後期，因此其工作流程仍與 2021 年相似。(Comment by bthallplz)
  • 嵌入式與安全性關鍵程式碼常禁止使用 AI – 為政府訂製嵌入式設備的承包商因版權與責任歸屬問題尚未解決，在合約中被禁止使用 LLM 生成的程式碼。(Comment by voakbasda)
  • 利基技術領域缺乏模型覆蓋 – 除錯 (Debugging) 底層網路或自定義的 bit-banging 驅動程式會從 LLM 中獲得極少收益，因為訓練數據很少涵蓋這些細節。(Comment by mysterydip 和 dotdi)

2. 企業壓力正在增長

  • 高層 AI 指令 – 一些公司有明確的高層行政命令，要求在一年內達到 70-80% 的 AI 生成程式碼，儘管內部政策變動頻繁，導致開發人員對哪些工具被允許感到不確定。(Comment by timbaboon)
  • 試點項目與逐步推行 – 組織正在測試、驗證與需求管理方面實驗使用 AI，而非直接進行全面採用。(Comment by cowanon77)
  • Token 限制與授權瓶頸 – 即使在允許使用 LLM 的情況下，Token 配額也會迫使開發人員必須具備策略性，且只有部分員工能獲得授權 (例如, Codex vs. GitHub Copilot)。(Comment by francisofascii)

3. 以人為本的個人策略

  • 將寫程式視為腦力鍛鍊 – 一些工程師透過解決每日 LeetCode 題目來保持解決問題的能力，無論是否使用 AI 協助。(Comment by andreybaskov)
  • 僅將 LLM 用於周邊任務 – 開發人員報告稱，他們使用模型來撰寫文件、查詢 API、建立測試腳手架 (scaffolding) 或快速生成程式碼片段，同時嚴格審查其輸出結果 (正確率約 80%)。(Comment by ww520)
  • 維持「蘇格拉底式」工作流程 – 技能轉移正從輸入程式碼轉向提出正確的問題；這種方法仍需要深厚的背景知識。(Comment by jolt42)
  • 保留 AI 用於非核心活動 – 獨立承包商可能會使用 LLM 進行安全審計、重構 (refactoring) 或日誌分析，但會刻意避免將架構與設計委託給 AI。(Comment by voakbasda)

4. 對代理型編碼 (Agentic Coding) 的混合體驗

  • 短期試驗往往令人失望 – 使用自主代理 (autonomous agents) 的重複性四個月實驗顯示，生成的程式碼存在 Bug 並難以維護，導致許多團隊回歸手動開發。(Comment by QuadmasterXLII)

  • 當它奏效時，效果非常驚人 – 最近一次使用 “Fable 5.1” 的試驗顯示了更好的結果，這表明工具成熟度與提示工程 (prompt engineering) 至關重要。(Comment by QuadmasterXLII)

  • 程式碼品質疑慮 – 團隊報告稱 AI 生成的程式碼會導致測試套件膨脹、產生大量雜訊般的 diffs，並降低開發者的所有權感，這可能侵蝕程式碼庫的健康度。(Comment by localhoster)

5. 軟體開發職涯的現狀

  • 職缺廣告仍有差異 – 一些職缺要求明確要求 LLM 經驗，而另一些則完全沒提到，這顯示出招聘環境正處於轉型期。(Comment by mikemarsh)

  • 承包商保有更多自主權 – 自由職業者可以選擇是否採用 AI，但客戶合約可能會有不同規定。(Comment by voakbasda)

  • 潛在的職涯轉型 – 對於不習慣 AI 為中心的工作流程，開發人員可能會考慮轉向採用速度較慢的領域，或轉向全新的職涯。(Original post by sph)

n. Outlook

  • 不可避免的擴散 once 著作權與責任框架確立，即使是在高度受監管或保守的領域，AI 工具也預期會變得合法化。(Comment by voakbasda)

  • 人類專家知識仍是關鍵 – 核心架構決策、特定領域的驅動程式開發，以及細微的除錯 (debugging) 仍高度依賴人類的洞察力。(Multiple comments)

  • 平衡的藝術 – 成功的團隊很可能將嚴格的人類審查與選擇性的 AI 協助來結合起來，而非完全自動化程式碼生成。(Comment by voakbasda)

這份綜合整理反映了 Hacker News 上的各種經驗分享，強調了傳統寫程式的方式仍持續存在，以及為什麼 AI 採用率正在加速，以及開發人員如何應對這場轉型。

Sources

相關