如何与AI编程代理协作 | 数据科学前沿

AI编程助手正在经历一场从“补全代码”到“独立干活”的进化，但很多开发者还没跟上这个节奏。最近，技术社区Towards Data Science上的一篇文章点出了一个关键问题：大家用AI编程智能体（Coding Agent）的方式，其实大多用错了。 所谓AI编程智能体，和过去那种只能帮你补全几行代码、或者生成一个函数的AI助手完全不同。它现在能做的是：自己翻遍整个代码仓库、创建和修改文件、跑测试、读报错信息、再改代码，直到把任务搞定。你不再是让AI“写个函数”，而是直接说“这个bug你帮我查一下，把解决方案落地”。听起来很爽，但问题也出在这里——很多人给智能体下指令时，就像在跟一个刚入职的实习生说话，只说“给我做个登录功能”，结果它热情高涨地改了一堆文件、加了依赖、甚至动了数据库，最后交付的代码根本不是你要的。 文章作者指出，这不是模型不行，而是指令给得太模糊。真正高效的用法，是给智能体设定清晰的约束条件。比如，与其说“加个认证功能”，不如说：“添加邮箱/密码登录。先检查现有的用户和认证代码，别动数据库，沿用现有的错误处理模式，测试覆盖有效登录、错误密码、未知用户这三种情况，动手改之前先说明你的计划。”后者不是字数更多，而是给了智能体“边界感”——它知道哪些能做、哪些不能碰，以及怎么才算做对。 更深一层的问题是，很多人只关注“提示词”写得好不好，却忽略了上下文的重要性。代码仓库本身就是一个巨大的上下文宝库：现有架构、命名习惯、依赖关系、测试用例、配置文件、文档，这些都比你在提示词里写一百句话更有价值。如果让智能体在一个陌生仓库里瞎转悠，就像开着车没有导航去一个新国家，能到某个地方，但大概率不是你想去的目的地。 那程序员的价值还剩什么？作者的观点是：重活累活还是得人干——思考、规划、拆解问题、审查智能体的产出，这些才是核心。AI只是让执行过程更高效的工具。换句话说，你的角色从“写代码的人”变成了“给AI派活并验收的人”，但判断力和掌控力，依然是你的核心竞争力。