编程新时代——AI 协作

记录一下近期借助AI辅助编程的个人感悟与思考。从96年考入大学就读软件专业，算下来至今已有整整三十年，我看似是一名名副其实的老牌程序员了。但其实我早已脱离一线业务编程近二十年，公司主营业务的行业软件业务系统开发，一直由带出来的师兄们带队统筹推进。当然，我偶尔也会写一些简易小工具公司自用，但综合考量时间成本与实际收益，也没有太多频繁动手开发。上个月，OpenClaw（小龙虾）爆红，我抱着尝试的心态体验了一番，顺便解决了一些以往手动编码觉着不值得但又比较繁琐的事务，比如批量整理表格数据、批量校验表格内容等。实际使用下来体验尚可，只是这类场景复用频率不高。近期，发现了一个能长期适用的新落地场景：自动化生成投标文件初稿。日常工作中，我们经常需要对接各类招标文件，可借助AI按照规范格式搭建投标文件框架，再填入企业自有资料。这类工作频次不算密集，但属于长期重复的固定工作，于是我计划借助AI协作，期望能开发些技能Skill做到一劳永逸。说个题外话，这类低频场景Cloud Code可能比OpenClaw更合适。但受限于我用的是Windows，而Cloud Code与Windows设备有兼容性问题，一旦代码体量增大，界面就容易会出现卡顿，操作体验极差。这个标书的事情，我决定仍然用OpenClaw来做开发工作。结合这几天的实操体验，先说结论：AI协作编程的新时代，并不是编程人员被替代、编程方法不再重要的时代。恰恰相反，具备良好的编程逻辑与设计思想，反而变得更加关键。未来或许会趋向“人人皆可借助AI编程”，但这不代表无需学习编程。我们依然要理解基础逻辑、建立程序设计思维、培养结构化拆解问题的能力。AI带来的核心改变，是降低了底层细节的负担。这和技术迭代的逻辑一脉相承：早年我们放弃晦涩的汇编语言，改用C、Java等高级语言，本质是借助语言封装，规避底层复杂指令；而如今AI协作，相当于更高维度的封装。我们不必死记繁杂的语法规则、复杂的正则表达式、各类格式化转义符，但分而治之的设计理念、目标导向的拆解思维，依旧是核心根基。现阶段的AI足够智能，却远没有达到完全自主理解复杂需求、输出最优解决方案的程度。尤其面对投标文件生成这类场景，规则琐碎、定制化要求多、业务关联性强，单纯依靠简单模糊的需求描述，很难直接落地。在实操初期，我只是用自然的口述语言，向AI提出整体需求：依据招标文件与企业资料，自动生成投标书初稿。

AI能够大致理解需求并产出基础内容，但面对细节边界、格式规范、内容适配等问题时，漏洞百出。每当我指出问题、提出修改要求后，AI很容易陷入细碎问题的死循环，一味纠结局部细节，忽略最终核心目标。以至于我有一种教笨学生解题的感觉，一度不想跟它说话了 —— 没错，就是说话，因为我基本是先语音描述生成文字，然后关键地方手工微调，不然纯手敲要累死人。我后来统计了一下，整个工作完成后，我喂给它的主要提示词（做了记录整理到Word文档中的部分）就有1万多字：

过程中，它会输出大量冗长的思考过程与繁杂代码，逻辑推演足够深入，如果换成纯手动编写，确实需要耗费大量精力。

但问题在于，它始终停留在“术”的层面，局限于代码细节修补，缺少更高维度的全局规划与方法论思考，无法做到以终为始、回溯整体方案。一开始，我也被细碎问题带着走，被动跟着AI的节奏，逐一修补细节漏洞。然而，钻了一个又一个牛角尖，感觉离目标越来越远，失去了重点。。。

及时调整思路后，我叫停了碎片化修改，要求一切回归原始目标，从头梳理整体框架。我重新梳理需求，进行模块化拆解，明确每一部分的规则、格式要求与执行逻辑，给AI划定清晰的方向与边界。例如：

在明确的整体思路指引下，AI的优势才完全发挥出来：快速编写代码、高效调试脚本、批量处理重复逻辑。这些工作如果完全依靠手动编码，需要耗费数倍的时间与精力，AI协作的效率优势一目了然。

当下大模型迭代速度日新月异，短短一个月内，国内外多款主流模型迎来版本更新，Claude Opus 4.7、ChatGPT 5.5、Deepseek V4、Kimi等持续优化升级。站在技术快速迭代的视角来看，或许在不久的将来，我们只需简单几句话描述需求，AI就能精准读懂深层意图，一站式完成复杂项目的全流程开发。但结合现阶段的实际落地体验来看，这一目标尚有距离。以上，是我近期体验AI协作编程的真实感悟与简单总结，仅作个人记录与分享。