夜雨聆风🚀 专为自动化工程师打造的原生AI社区
✦AI赋能：用AI技术解决工程师的工作痛点
✦专业分享: 让技术应用更简单、更高效
✦技术伙伴：每位工程师身边的专属伙伴
本周一位博途之友的群友发表了一篇文章：AI自动生成基于C#的PLC通信测试软件---只需一句提示词！这个案例让我们感受到AI的强大，也需要深入思考一个问题：AI生成PLC代码的原理是怎样的？整理分享给大家。
已经发布的文章：
AI自动生成基于C#的PLC通信测试软件---只需一句提示词！
AI 生成代码和生成自然语言（比如写文章）的底层逻辑一致，核心是将代码拆解成一个个 “语言单元”（如关键字、变量名、符号），然后学习这些单元的排列规律，最终按照规律生成新的、符合语法和逻辑的代码序列。
一、核心步骤
步骤 1：数据准备 —— 喂给 AI 海量代码数据
数据源：公开代码库（GitHub、GitLab）、编程语言官方文档、开源项目、代码教程等；
数据处理：
清洗：剔除错误代码、无意义代码、重复代码；
格式化：统一代码风格（如缩进、命名），将代码和对应的自然语言描述配对（比如 “计算阶乘”+ 对应的 Python 代码）；
分词：把代码拆成最小单元（Token），比如def、=、for、i、:都是独立 Token。
步骤 2：预训练 —— 让 AI “记住” 代码的语法和逻辑
AI 基于Transformer 架构（核心是注意力机制）进行预训练：
核心目标：学习 “给定前半部分 Token，预测下一个 Token 的概率”；
举例：当 AI 看到def factorial(n):，它会学习到接下来大概率出现if n == 1:，而不是for i in range(10):；
关键能力：
语法合规：掌握 Python/Java/JS 等语言的语法规则（比如 Python 缩进、Java 分号）；
逻辑关联：理解 “变量定义→使用”“函数调用→参数匹配”“循环 / 条件的执行逻辑”；
场景映射：比如 “读取 CSV 文件” 对应pandas.read_csv()，“排序” 对应sorted()或sort()。
步骤 3：微调 —— 让 AI 更 “懂” 编程场景
预训练后的 AI 只是 “认识代码”，还需要微调来适配编程需求：
微调数据：人工标注的 “问题描述 + 最优代码”“代码错误 + 修正方案”“代码注释 + 重构”；
目标：让 AI 生成的代码不仅语法正确，还能解决实际问题、符合编程规范（比如命名规范、性能优化）。
步骤 4：推理生成 —— 根据你的指令造代码
当你输入 “用 Python 写一个计算斐波那契数列的函数”，AI 的生成过程：
解析你的自然语言指令，转换成 AI 能理解的 Token 序列；
基于预训练学到的规律，从第一个 Token 开始（比如def），逐个预测下一个最可能的 Token；
生成候选序列：AI 会生成多个可能的 Token（比如fib/fibonacci作为函数名），选择概率最高、逻辑最连贯的；
输出完整代码：把 Token 拼接成完整的代码片段。
步骤 5：优化 —— 修正生成的代码（可选但关键）
很多 AI 代码工具（如 Trae、GitHub Copilot）会额外做优化：
语法检查：用编译器 / 解释器校验代码，修正语法错误（比如少写的冒号、括号）；
逻辑验证：运行简单测试用例（比如输入 n=5，检查斐波那契结果是否正确）；
风格优化：统一缩进、命名，符合 PEP8（Python）/ 阿里巴巴 Java 规范等。
二、总结：
1、工作方式：从写代码到搭架构；
2、工作能力：一精多能。精让你深刻理解技术的架构；技术应用的复合性需要多能。
