譯者 | 核子可樂
審校 | 重樓
氛圍編程真有那么簡單嗎？顯然沒有。這里講個冷知識：世界上不光有學習怎么照顧人的管家課程，還有教富豪們怎么跟管家相處的專門培訓。是的，富豪們得學習怎么端好茶杯，才能讓管家優雅地倒茶。
換言之，接受照顧也不是件容易的事，而氛圍編程更是如此。
優秀的AI編碼助手已經可以生成開發者所需要的大部分代碼，甚至在幾分鐘內完成以往需要幾小時、甚至幾天的工作。然而這都是最樂觀的情況，AI生成的代碼也可能存在某些我們難以察覺的局限。
下面來看軟件開發者在氛圍編程中常犯的九個錯誤。
1.過度信任大模型
之前我曾讓AI整理一份網址清單，它幾秒內就完成了任務，而且列表相當漂亮。但經過檢查，我發現所有網址都無法訪問。
在提醒AI后，它回復稱“抱歉，你說得對！網站鏈接經常變化，我之前的信息可能已經過時。我已經重新驗證所有條目，并用有效URL更新了清單。”然而，新清單里的URL還是訪問不了。
大模型就是這樣，態度永遠良好、但錯誤往往不改。有時候它在吐出毫無意義的作業之后，還會堅持認為結果有效。
所以，第一個要避的坑就是：別太相信大模型。
2.以為所有模型都差不多
人們經常以為各種大模型都差不多，畢竟界面都那樣、輸入文本就能吐出神奇的答案，對嗎？
錯！不同的模型有著不同的內部結構，這會影響其解構和理解涉及復雜邏輯問題（例如編寫代碼）的效果。某些模型能夠將問題拆分成多個部分，再分別為各部分創建處理循環，最終給出完全不同的高質量答案。
另外，大模型參數量也大致表明模型所包含的知識量。參數越多往往性能越好。再有，大模型使用的訓練數據集也各不相同，有些模型的JS編碼能力很強、有些則有能力處理COBOL舊代碼。
所以到底哪種模型更適合當前問題，只有試過才知道。
3.把大模型當垃圾桶
很多開發者沒有意識到，輸入量對大模型有著巨大影響。輸入token越多，消耗的資源也就越多。
所以可別無腦把大量代碼粘進大模型，這樣最終會導致硬件不堪重負、上下文窗口被快速占滿。有些開發者甚至會上傳完整的源文件夾，這就太離譜了。目前主流商業模型往往按輸入/輸出token量計費，因此長時間“釣魚式”搜索可能會拖慢速度、成本也更高。
4.以為AI跟人類擁有相同的思維方式
它們在很多方面確實表現得很像人，會說話、會忘事、會胡言亂語，但這實際只是一種模仿，是將訓練數據中的片段拼接成看似合理的內容。它們，并不一定在真的思考。
具體來講，它們更擅長在龐大的訓練集中搜索正確的見解，比如某些不起眼的功能設定或者設計細節。然而，AI往往不擅長整理或匯總深刻的洞察。哪怕偶有靈光一閃，它們往往也只是重復了訓練集中某些聰明的人類指令，所以千萬別真的把它們當成天才。
5.AI代碼都是拼湊出來的
多數開發團隊都有自己的編程標準，這些規則旨在協調輸出質量。但AI可不管這套，它們經常在流程中隨意發揮，導致輸出的代碼風格隨時變化。哪怕相同的指令，在每次刷新時也會生成完全不同的代碼。
氛圍編程用戶往往會忽略這一點，盲目把成果都拼湊起來。這樣的代碼雖然可以運行，但看起來卻雜亂無章、缺少一致性標準。如果不加管理，后續接手者肯定會頭痛欲裂。
6.忽視大模型的編程偏見
大家都知道，AI的質量取決于訓練集，而大模型在編程時也會繼承訓練集中的偏見。比如說程序員們可能會重復使用同一種設計模式，團隊會更傾向于選擇自己看著順眼的輸出，而這些最終都會影響到大模型的編程能力。
雖然這個問題對多數氛圍編程用戶來說并不重要，但大型代碼庫和關鍵項目仍須考慮潛在的負面影響。
7.不計成本
表面上看AI工具好像挺便宜，但按token收費的模式類似于云服務器，會導致成本持續積累。
氛圍程序員們往往會重復發出相同請求，把大段代碼扔進上下文窗口，導致token不斷積累。這一切累加成賬單，真的有可能嚇你一跳。
8.萬事拜托
大模型總喜歡搞點隨機“驚喜”，所以盲目把事情托付給它們相當危險。不少氛圍程序員是在經歷了打擊后才意識到這一點，前段時間還有AI刪除了生產數據庫。大模型會在意數據永久丟失嗎？誰也不知道，反正它們會若無其事地繼續下一項任務。
9.錯漏AI幻覺
前段時間我遇到個大麻煩：我常用的AI助手輸出了一大堆漂亮的代碼，還配有格式精美的注釋，看著那么可靠、那么完美。
但事實證明，AI所調用的目標庫根本不存在。雖然膠水代碼都很正常，可因為庫調用不可行，我只能不斷地翻閱舊文檔和源代碼、以為AI拼錯了庫名稱。幾個小時后我發現了癥結，而AI則假裝真誠地連連道歉“對不起，你是對的。”但之后它又生成了更多不可用代碼，只是出錯方式有所不同。
好吧……有時候還是自己寫代碼更容易些。
原文標題：9 habits of the highly ineffective vibe coder，作者：Peter Wayner
