在 AI 应用里，与 Coding 结合应该是最合适的场景了——既能提高开发效率，又不会有太多的幻觉问题。这篇文章，作者给到了自己的观点：AI Coding 是一个巨大的机遇，甚至会重塑软件开发的未来。为什么这么说？看看作者的解答。

过去的一年里，AI Coding 工具经历了爆发式增长，但目前还没有一款编程工具做的像人类工程师一样好，其中仍然有很多带解决的问题。参考《Code Smarter, Not Harder》文章的内容，带着对 AI Coding 产品的关注来学习下这类产品的发展现状和面临的挑战。

01 为什么 AI Coding 是一个巨大的机遇

想象当下的编程工作的一些特点：

编码的本质：要求工程师将问题分解成更小的任务易于管理，AI 可以帮助明确问题和影响范围，确定问题的关键因素和分类

目前有大量现有的训练数据，利用现有的数据 AI 可以提供代码补全、审查和调试建议

编程任务需要判断力和基于规则的工作相结合，AI 模式识别和预测能力可以帮助识别潜在问题

编程的解决方案往往是利用可以开源库等可以组合的模块，AI 帮助开发者快速识别和推荐开源库和模块，促进更快构建出解决方案，不需要从头开始写代码

在某些情况下的工作成果可以经过经验测试正确性，

这意味着 AI 可以提供可量化的价值。

02 AI Coding 目前存在的挑战什么

根据三种不同的 AI Coding 模式，参考《Code Smarter, Not Harder》现存挑战可以总结为：

如何创造更强的上下文感知能力，增强工作流程

AI Agent 在端到端编码任务中怎样才能做的更好

基础模型极速迭代的当下，编码模型是否真的可以带来长期的差异化

03 AI Coding 市场现状

初创公司采取的三种方法、AI Copilots 和 Chat 界面、AI Agent 端到端地完成任务、用特定的代码数据训练一个专有编程模型，并与应用垂直整合。

AI Copilots 增强现有工作流程

在 IDE 中嵌入 Chat 界面，来增强工作流程。2021 年 GitHub Copilot 发布，市场上出现大量 AI Coding 项目，这类产品只要相对较少的上下文即可奏效；将输出直接放在用户面前，并允许用户更正。

除了 GitHub Copilot，其他公司怎样进行差异化抢占市场份额？对代码重构、代码审查和软件架构等切入点不断有公司开始探索。这些产品需要面临的问题是需要对代码有更广泛的理解，还需要理解不同文件之间的知识图、业务背景、软件的使用模式、以及复杂工具的选择。

如何更好的获取上下文，完成更广更深的任务，将成为最大的挑战。

AI Coding Agent 取代工作流程

Agent 将创造全新的生产力和创新模式。它的基本能力不仅仅是预测代码行中的下一个词。而是像工程师一样从用户的角度考虑产品。甚至有非常多的复杂步骤，比如修复一个 bug，它需要知道 bug 的位置、问题性质、它对产品的影响、修复 bug 可能会导致的任何上下游变化等诸多问题，它的上下文必须来自各种数据、更大块的代码库块等。Devin、Factory、CodeGen、SWE-Agent 等都属于这类产品。

在端到端编码任务中怎样才能做的更好？

专门的代码模型

有些人认为专门的代码模型可以 AI Coding 应用层建立长期的差异化，但是我们需要考虑基础模型层持续进步会不会代码模型？

大多数基础 LLM 并不是专门在代码上训练的，反而许多用于代码的模型基于 LLM 基础模型针对编程需求微调获得的。要训练自己的代码模型，需要生成自己的代码数据和人类对编程示例的反馈来训练模型（" 基于代码执行反馈的强化学习 "）。或许这样能带来更好的输出，减少对 GPT-4 或其他 LLM 的依赖，让我们拭目以待

核心技术问题是，专门的代码模型能否超越前沿模型的改进速度。新模型训练完之前，一个更好的基础模型出现，并超越你的模型。很多团队正在采取在基础模型上对特定任务进行特定微调的方法，这样是可靠保守的做法，既可以受益于基础模型的进步，又能提高编程能力。

04 结尾

这些技术难题应该怎么突破？答案是开放的，我们可以关注下这个赛道的产品与模型迭代，我本人非常看好 AI coding 赛道的发展，Perplexity 的 CEO 也说他认为 A! 辅助编程是唯一的 Al 原生应用，Kimi 前产品创业也是这个赛道，Al 搜索之后真正的下一个泡沫已经吹起来了，期待看着能够卷到什么地步。想信通过不断持续提升编码能力，甚至最终完全自动化编码，将开启一个巨大的市场。

本文由 @wanee 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议