AI编程
AI编程是指借助人工智能技术辅助或部分自动化软件开发过程的技术范式。其核心能力包括代码生成、智能补全、错误检测与修复、代码审查及自然语言转代码等。该范式通常以大型语言模型为基础，融入开发工具或集成开发环境中，旨在提升开发效率、降低编程门槛，适用于代码撰写、调试、文档生成等多个软件工程环节。
核心事实
时间轴 (近 90 天)
对个人开发者，能识别需求、能描述清楚问题、能判断生成代码的质量，就能独立交付过去需要团队协作才能完成的东西。
AI有时会建议全局安装依赖或修改系统配置文件，这是导致电脑环境混乱的主要来源之一。
AI编程新手失败常归因于环境配置与依赖管理问题，如本地运行时版本与AI默认版本不一致导致代码无法运行。
杰森定律（离开六个月后自己的代码像别人写的）在AI时代被评为F级，因为AI生成的代码可能从未被人类仔细阅读。
代码问题接近解决，运维问题会晚得多，而安全运维因为存在主动对抗的对手，还要更晚。
如果审查工具与生成工具共享相同的训练数据或模型家族，审查的独立性会被削弱。
在验证机制上，应建立比人工代码审查更严格的自动化验证流水线，因为AI生成的代码“看起来对”的概率远高于人类代码。
判断一个任务适合交给AI需看三个条件：任务是否有清晰的输入输出规范、是否有自动化验证手段、错误成本是否可控。
当前实践多采用“半端到端”方式：AI生成骨架与适配层，人类补全业务规则与边界条件。
作者计划用14天、每天下班后1小时的业余时间，用AI编程方式开发一个安卓版「人生之书」智能体。
还有 40 条时间轴事件
全部知识事实 (20)
即使AI能生成代码，人类工程师仍需理解数据结构、算法复杂度、内存管理、并发安全等底层概念才能有效评审AI输出
90%已验证AI编程工具的发展经历三个阶段：代码补全、对话式代码生成、自主式开发Agent
90%已验证AI编程工具正在经历从被动辅助（代码补全）到主动执行（自主智能体）的范式转变
90%已验证AI代理的失败往往是语义偏差而非明确错误码，这种「成功的失败」要求编排层具备语义级别的错误识别能力
85%已验证AI编程能力的高低核心决定因素是背后接入的大模型能力，模型后端排在第一位
80%已验证将 AI 定位为「辅助并放大人类能力的工具」比定位为「无所不能的替代者」更容易获得公众认同
80%已验证不具备软件开发基本功的人使用AI编程工具会积累无法理解的技术债务
80%已验证当前AI代码生成工具的系统性局限是优化目标为「让代码跑起来」而非「让代码易于维护」
80%已验证初级开发者对AI生成代码的过度依赖导致其调试能力和系统设计思维的培养周期被拉长
80%已验证AI生成的代码在功能逻辑上可能正确，但在性能优化、异常处理、安全加固等工程细节上往往存在不足
80%已验证AI生成代码的常见问题包括幻觉问题（生成不存在的API调用）、代码规范不统一、以及随项目复杂度增加的质量降级
80%已验证使用AI编程工具时人的深度参与（主动纠偏、理解代码逻辑、把控方向）仍不可或缺
75%已验证通过Skill封装方法，AI测试用例生成效率相比普通AI对话框提升10倍以上
75%已验证写代码是 AI 最擅长、最容易替代的部分，只关注代码实现的开发者面临职业风险
70%已验证AI 工具带来的主要是完成同等工作所需时间缩短，而非零基础者可以直接承接复杂项目
70%已验证新手第一次用AI写代码常卡在三类问题：AI工具不会用、AI做出来效果差、AI把电脑环境搞乱
65%已验证AI编程助手大规模进入开发工作流，使代码产出速度大幅提升，导致持续集成(CI)系统成为交付链条中最慢的一环
65%已验证如果审查AI生成代码的成本高于自己动手，那么这个智能体的实际价值就大打折扣
65%已验证当代码生产成本趋近于零时，AI生成的'看起来合理但存在微妙缺陷'的代码往往比人类手写的明显错误更难发现
65%已验证The development bottleneck is shifting from writing code to reviewing code in the AI Agent era
65%