#人工智能
在2025年的最后一天，我第一次（几乎）完全依赖AI，提交了一个开源项目的pr：https://github.com/lance-format/lance/pull/5605，这个pr相对还是比较复杂的。
整个过程大体是：我提出问题和改进方向，AI负责实现（包括代码、对应的用例和实现文档）。
过程中一开始有编译错误，我审查并进行了一些修复；用例一开始也有跑不通的情况，但是我继续跟AI交流，具体指出哪个用例不过和编译出错，AI后续都给修复了。
最终产出：优化的代码、用例以及对应的文档。感觉还是挺丝滑的，就是使用token消耗远超过去提问的数量。
我的体验：一步到位马上能给到最终的效果，这不太可能。但是如果碳基开发者有经验，可以迅速定位到问题，再反馈给AI修改，提出的问题越具体越好，效果都能不错。
在答案不再稀缺的时候，如何问出好问题，以及解决问题时的品位，变成了更稀缺的能力，而这又依赖过往的经验。比如就这个pr而言，我怎么找到这个方向可以优化就依赖我阅读代码后的直觉。至于品位，同样一个修改的方向，可能有不同的多种实现，但是哪个更优雅就是品位问题。
我采用的是国产的GLM4.7模型，在zed IDE中编码。之前没有体验过其它代码模型，就这次体验而言，我觉得GLM不错，当晚就付费订阅了。
在2025年的最后一天，我第一次（几乎）完全依赖AI，提交了一个开源项目的pr：https://github.com/lance-format/lance/pull/5605，这个pr相对还是比较复杂的。
整个过程大体是：我提出问题和改进方向，AI负责实现（包括代码、对应的用例和实现文档）。
过程中一开始有编译错误，我审查并进行了一些修复；用例一开始也有跑不通的情况，但是我继续跟AI交流，具体指出哪个用例不过和编译出错，AI后续都给修复了。
最终产出：优化的代码、用例以及对应的文档。感觉还是挺丝滑的，就是使用token消耗远超过去提问的数量。
我的体验：一步到位马上能给到最终的效果，这不太可能。但是如果碳基开发者有经验，可以迅速定位到问题，再反馈给AI修改，提出的问题越具体越好，效果都能不错。
在答案不再稀缺的时候，如何问出好问题，以及解决问题时的品位，变成了更稀缺的能力，而这又依赖过往的经验。比如就这个pr而言，我怎么找到这个方向可以优化就依赖我阅读代码后的直觉。至于品位，同样一个修改的方向，可能有不同的多种实现，但是哪个更优雅就是品位问题。
我采用的是国产的GLM4.7模型，在zed IDE中编码。之前没有体验过其它代码模型，就这次体验而言，我觉得GLM不错，当晚就付费订阅了。