完蛋，程序员被 AI 替代了

完蛋，程序员被 AI 替代了

随谈#macOS

July 1, 20240

完蛋，我被 AI 包围了

前言

时至今日，要说什么行业最火，还得是 AI, 自 GPT3.5 破圈进入大众视野，隔三差五就会有朋友问，AI 出来了，你是不是要被取代了。

甚至有一些程序员朋友们在问我。

吓得我连夜开通开通 GPT, 一用，整个人被吓到

  • 这玩意还能读懂我的意图？
  • 这玩意还能写代码？甚至能我没有完全描述好这个功能都能考虑到
  • 写出来的代码改改就能用？

甚至在 GPT4 刚出没多久的时候，我一度产生了这种想法，这玩意是不是要取代我了？

当然，随着使用 GPT4 次数越来越多，对 GPT 也开始祛魅。要问 AI 能不能取代程序员，截止 2024 年 7 月，我的结论是：单纯从技术角度，GPT 是个好帮手，很难取代程序员。

但程序员会不会因此失业，这点却很难说。

不过，正如大家所说的 AI 不一定会取代程序员，但一定会取代不懂 AI 的程序员。

用到的工具

  1. lobechat 主要以 Claude 3.5 Sonnet 为主
  2. perplexity.ai (背后是 GPT4 / Claude 3.5 Sonnet)
  3. GitHub Copilot

AI 提升编程体验

在以下领域，AI 辅助编程表现出色：

  1. 资料搜索 查找解决方案，查找 API, 编写 POC,
  2. 开发规划 保持术语一致性和清晰性，定义文档规范
  3. 代码生成 代码补全，根据注释或要求生成代码，自动补全函数名
  4. 代码重构 代码合并、拆分、优化
  5. 文本转换 代码转换
  6. 质量保证 代码审查和测试用例

还需要补充两点

  1. 现阶段的 AI 大模型更像是对真实世界的一个压缩，这意味着无法解决前人没有解决的问题。如果你要解决的问题比较冷门，得到答案的概率会很低。 从编程角度，AI 给我带来了什么之前做不到但现在能做到的事情？很少，但以前需要进行大量调研的东西。可能问问 AI 瞬间就有一定几率瞬间解决了。
  2. AI 的发挥并不稳定，虽有时妙棋，但不乏臭手，对结果务必要进行人工检查

资料搜索

案例

以前，在没有 AI 辅助的情况下，我想使用 python + opencv 将 N 张图片拼接到一起做成一个全景图，我可能会有如下的操作

  1. 猜测这个问题可能是常见问题，搜索一下 Google, 「python opencv 全景图」
  2. 找博客/StackOverflow，阅读代码看看是否满足需求。如果不满足需求要求，则继续搜索，比如修改搜索词「python opencv panorama」。
  3. 找 opencv-python 的 github 仓库，看看 example 是否包含有类似的代码，如果还不满足需求，则看看其他相关仓库。
  4. 发现 opencv 用起来比较复杂，从微信读书之类的 app 上找本关于 opencv 相关的书籍扫盲。
  5. 拼接代码进行调试。

而现在，我只需问 AI (Claude 3.5 Sonnet)

我使用云台相机拍摄了 9 图，每张图的边缘可能和其他图有一定交集。

请使用 python + opencv 帮我拼接这九张图成为一张全景图

甚至更进一步

我使用云台相机拍摄了 10 图，其中一张图是总体的图，剩余九张图是局部更加高清的图

请使用 python + opencv 帮我堆叠这九张图到总体图上

于是，你得到了可以快速运行的代码，

import cv2
import numpy as np
import glob

def load_images(folder_path):
    """加载指定文件夹中的所有图片"""
    image_files = glob.glob(folder_path + '/*.jpg')  # 假设图片是 jpg 格式
    images = {}
    for file in image_files:
        img = cv2.imread(file)
        if img is not None:
            images[file.split('/')[-1]] = img
    return images

def find_homography(img1, img2):
    """找到两张图片之间的单应性矩阵"""
    # 初始化 SIFT 检测器
    sift = cv2.SIFT_create()

    # 找到关键点和描述符
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)

    # FLANN 参数
    FLANN_INDEX_KDTREE = 1
    index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
    search_params = dict(checks=50)

    flann = cv2.FlannBasedMatcher(index_params, search_params)
    matches = flann.knnMatch(des1, des2, k=2)

    # 存储好的匹配点
    good = []
    for m, n in matches:
        if m.distance < 0.7 * n.distance:
            good.append(m)

    if len(good) > 10:
        src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
        dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)

        M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
        return M
    return None

def stack_images(base_img, detail_imgs):
    """将局部高清图堆叠到总体图上"""
    result = base_img.copy()

    for img in detail_imgs:
        # 找到单应性矩阵
        M = find_homography(img, base_img)
        if M is not None:
            # 对局部图进行透视变换
            h, w = base_img.shape[:2]
            warped = cv2.warpPerspective(img, M, (w, h))

            # 创建 mask
            gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
            _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)

            # 将 warped 图像复制到 result 上
            result = cv2.copyTo(warped, mask, result)

    return result

# 主程序
if __name__ == "__main__":
    folder_path = "path/to/your/image/folder"  # 替换为你的图片文件夹路径
    images = load_images(folder_path)

    if len(images) < 10:
        print("图片数量不足")
    else:
        # 假设总体图的文件名为 "overall.jpg"
        base_img = images.pop("overall.jpg")
        detail_imgs = list(images.values())

        # 堆叠图片
        result = stack_images(base_img, detail_imgs)

        # 保存结果
        cv2.imwrite("stacked_result.jpg", result)
        print("堆叠后的图片已保存为 stacked_result.jpg")

        # 显示结果
        cv2.imshow("Stacked Result", result)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

甚至他会很贴心的告诉你「**这个方法假设局部图和总体图之间只有透视变换的差异。如果有其他类型的变形（如旋转、缩放），可能需要更复杂的配准方法 **。」

通过一番搜索，你可能也能找到答案。但在 AI 的加持下，你的效率可能远超你的预期。

只言片语，就能得到答案。

建议

当你检索一些常见的库、依赖或编程语言的基础知识时，预先查一下往往会有奇效。比如：

如果你熟悉 JS，但是此时此刻你得用 Swift UI 写一点代码，你可以问

  • swiftui 有没有 类似 js 的 a || "" 的写法
  • swift 有没有 optional chaining 的语法

如果你用 rust，但是想问问其他语言/框架中的 api，你可以

  • rust 中是否有类似 python opencv 的 drawContour 方法？
  • rust 中处理图像的常见库有哪些？

如果你熟悉中文的说法，但是不晓得英文应该怎么问。

  • 比如，我知道「划词翻译」这个功能，但是划词翻译所需 API 你让我翻译，可能我会翻译成 draw word translate api。但你直接问 GPT「如果用 mac 实现划词翻译，需要使用哪些 api」基本就能得到答案
  • 对于一些较为系统的教程或者较长的代码，LLM 并不能很好的回答。使用 Copilot Chat / ChatGPT 来提供有用的搜索词，然后查阅 Google 搜索结果中的教程和帖子以获得更全面和详细的信息。

开发规划

假设咱做的是一个 Full Stack 的项目，开发规划发生在正式编码前，把业务梳理清楚后，围绕着核心业务开始建模。

我个人的习惯是从核心业务流程开始逐步梳理出数据库表和表字段，后端组件，然后设计 API 和前端页面。

在这个阶段，可以对 AI 反复追问。

  • 「购物车 checkout 的数据库字段应该怎么设计会好点？」接着追问「在这个基础上，如何处理退款？」
  • 「我现在的数据库表是这样的，你觉得我在此基础上还要满足需求 1/2/3」应该怎么做呢？
  • 「像是以图搜图的方案一般有哪些开源替代？」接着依据回答追问「Milvus 以图搜图怎么实现？」
  • 「rest 下单接口叫什么比较好？」
    • 你可能会得到很多个备选项，POST /orders，POST /checkout，POST /cart/checkout，POST /purchase

通过反复追问，可以陆陆续续确定后端的技术选型/数据库 Schema/接口/服务层/前端路由/前端组件/业务模型的命名。

命名，命名，还是命名

命名的一致性和清晰性对于项目的可维护性和可读性至关重要。

毕竟正如 Phil Karlton 说过：There are only two hard things in Computer Science: cache invalidation and naming things. 即「 缓存失效和命名是计算机科学中最难的两件事」。

代码生成

令程序员最兴奋的环节，就是代码生成。

我这里举一个不是很合适的例子，生成注册页面和登录页面

案例 - 注册页和登录页

使用如下 Prompt

帮我生成登录页面和注册页面，以下是我的技术栈 react react-hook-form zod typescript

Note: 依赖库的 API 可能会过时，但使用 TypeScript 进行类型检查可以极大地降低修改的成本。当然，登录和注册页面的功能远非如此，但这个草稿可以作为一个简单的起点 当我询问依赖库比较老如何解决时，ChatGPT 给了我一些通用的代码修复建议，例如检查语法和检查依赖库是否过期不兼容。但是 Copilot Chat 却给了我另一个过时的版本，所以最终我使用了 Google 并过滤了最近一年的文章来解决这个问题。

使用了 Tailwind CSS 对登录页面进行了优化。在 Copilot 中由于返回结果过长，被过滤掉了，因此转而使用 ChatGPT 进行了优化，现在页面看起来虽然也就那样，但好歹能看了。(不过这明显不如直接套模板了 ahhh)

接着输入生成的代码，并且让代码仿写一个注册页面，要求添加输入密码变化时的校验功能。

为什么说不合适呢？

因为这里只是为了演示代码生成的功能，但真实开发环境中，大家都是套模板/使用 figma 编写注册/登录页。

案例 - 脚本转译

之前写个爬虫，从 github 找到一个百来行的 php 爬虫。我有如下选择。

  1. 翻阅 php 语法，调试一下。耗时 30min+(不包含环境配置)
  2. 自己写。耗时 1h+.
  3. 人肉转译。耗时 30min+.

最后，我把 php 代码投喂给 GPT3.5, 让他转译为 python。改几行代码，调试完毕。

代码补全 TODO

NOTE: 本小节使用 Copilot

记得刚写代码的时候，听过这么一句话

程序员最讨厌的两种人，一种是不写注释的人，另一种是要求自己写注释的人。

但 copilot 让我确实没有那么讨厌写注释了。

  • def 名称
  • #注释
  • #终于，爱上了写注释
  • 镜头，二指禅

代码重构

精简代码

  • 前端 html 优化「请帮我合并掉多余的 div」
  • 请帮我重写这个函数，让它更简洁

合并逻辑

程序员有一个习惯，就是复制一份代码然后自己修改。这样做的好处是，不会破坏原有的代码，但是也会导致代码重复。这时候，可以使用 GPT 来合并代码逻辑。

以聊天窗口的发送消息和接收消息为例。先调试发送消息的样式/TSX，然后复制一份调试接收消息的样式/TSX。调试完毕后，把两段代码丢给 GPT, 让 GPT 合并起来。这样在修改 receive 的样式的时候并不会有搞坏 send 样式的心智负担，只需要专注 receive 的调试，调试完毕一合并，节约了不少琐碎的时间。

样式可以这么合并，业务逻辑也可以？🧐

拆分逻辑

随着发送消息和接收消息的组件/逻辑越来越复杂，将两者合二为一的做法可能会导致代码难以维护。这时候，可以使用 GPT 将对应的代码分开。

适配版本升级

有的时候第三方库写法变了，我们的代码也要跟着变。 例如，Pinia 升级 composition 写法，需要咱手动讲 option 写法转为 setup 写法。

但有 GPT 的情况下，提交代码并提供简单示例，就能省去不少繁琐的文本编辑成本。逗号/对象属性函数转换为闭包函数/this/ref 语法。( 别忘测试)

又比如：Vue 模板语法 批量转成 tsx 语法。

但请注意：转换并非银弹，LLM 有的时候会丢东西。比如这个场景下，针对 if/click/slot 的转换效果良好，但对于 class 属性可能存在重复情况，而对于 ref 属性可能会漏掉 value。(当然，升级大模型版本会一定程度上缓解这种状况，比如升级到 gpt4o / Claude 3.5 sonnet )

文本转换

文本转换指的是一种格式的文本转换为另一种格式的文本。这种转换通常涉及到一些规则和模式的匹配，而 AI 可以帮助我们更快地完成这种转换。

Python 代码格式化

迁移笔记中的代码时经常会出现换行丢失的情况。对于像 Python 这样没有语法的语言 (插一张图，吐槽 Python 没有括号) ，手动断行来恢复原来的代码格式非常烦人。投给 GPT 格式化大大提高效率。 当然，其他语言也是可以格式化的。python 只是难度较大罢了。

import cv2 import numpy as np import glob def load_images(folder_path): """加载指定文件夹中的所有图片""" image_files = glob.glob(folder_path + '/*.jpg')  # 假设图片是 jpg 格式 images = {} for file in image_files: img = cv2.imread(file) if img is not None: images[file.split('/')[-1]] = img return images def find_homography(img1, img2): """找到两张图片之间的单应性矩阵""" # 初始化 SIFT 检测器 sift = cv2.SIFT_create() # 找到关键点和描述符 kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # FLANN 参数 FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) # 存储好的匹配点 good = [] for m, n in matches: if m.distance < 0.7 * n.distance: good.append(m) if len(good) > 10: src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) return M return None

提取信息

片段代码重构加速，如何左侧变为右侧？

"@iconify-json/heroicons": "^1.1.21",
"@iconify-json/simple-icons": "^1.1.106",
"@nuxt/content": "^2.13.0",
"@nuxt/fonts": "^0.7.0",
"@nuxt/image": "^1.7.0",
"@nuxt/kit": "^3.12.2",
"@nuxt/ui-pro": "^1.3.0",
"@vueuse/nuxt": "^10.11.0",
"nuxt-og-image": "^2.2.6"
"@nuxt/eslint": "^0.3.13",
"@nuxthq/studio": "^2.0.1",
"eslint": "^9.5.0",
"nuxt": "^3.12.2",
"vue-tsc": "^2.0.22"
  1. 人工直接编辑
  2. 使用支持正则表达式的编辑器，输入命令后补充编辑

用 GPT 来提取代码中的关键信息并且生成你需要的对应代码。而且可以对输出格式做一些要求。

  • 帮我从如下的 html 代码中提取 title,descripiton,tags 转成变量，并且提供对应的 vue 模板。

Schema 翻译

django.model 转 json/pydantic model json 转 swiftui view model/typescript model

  • model / schema
    • sqlachemy model
    • django model
    • sql table
      • create update
    • pydantic
    • zod / pojo
    • vue / react

翻译 - 转另一个

  • vue tsx 转 react tsx
  • python 逻辑转 golang
  • 多语言支持
  • PR 帮助

质量保证

检查代码

较短的但存在 bug 的函数，如果一眼看不出问题，可以尝试丢给 GPT-4, 刚修复了一个 Swift 的并发 Bug.....****

Code Review

  • 通过代码猜测功能

测试用例生成

  • 仿格式生成格式
  • 测试数据生成

其他

如果你不知道需要看什么书，你先写两本相同类型的书，接着 Copilot 就会给你补全推荐其他的书籍。🤣

  • https://x.com/hylarucoder/status/1752665100488774062
  • https://x.com/hylarucoder/status/1740384021451014176
  • 如果你使用 SwiftUI 等较为冷门的开发技术，发现 Copilot 和 GPT-3.5 在生成 View/ViewModel/Model 时提供了可用代码，但实现如 macOS 上的拖拽功能则难以实现，使用 JS/TS 则可以快速获取可用代码。所以，在训练语料不够的情况下（GPT 21 年数据对 22 年没有太多）, AI 可能并不能帮助你。

一些不足

  1. 生成的代码依旧需要人工检查
  2. Swift 代码可能由于网上公开资料

大模型更像是所有世界

语料不足

在使用 AI 辅助编程的时候，也发现了

常有金句爆出，但输出不是很稳定。

  • 不同的 LLM 和 LLM 升级之后
  • prompt engineering

结尾

  • 老婆，你说以后生娃的话，我写个程序，给小孩子起名好不好。
  • 操 (哔), 这东西你都要 AI 来做，你怎么不和 AI 过日子去啊

一次性脚本

  • 估计
  • 批量命名