一位AI代理编码怀疑论者的深度实践：详述AI代理编码体验
在AI代理编码（或称为“氛围编码”）成为热门话题的今天，许多博客文章要么大肆宣扬其神奇能力，要么担忧它会导致编程技能退化，甚至质疑其对人类灵魂的侵蚀。但本文作者——一位经验丰富的LLM用户和AI代理编码的怀疑者——决定以亲身实践来检验这一技术。
从怀疑到尝试：一个数据科学家的转变
去年五月，作者曾撰写一篇题为《作为经验丰富的LLM用户，我其实不常用生成式LLM》的博客文章，作为对当时AI代理编码热潮的回应。在那篇文章中，作者指出，虽然LLM并非无用——它们能以足够高的准确率快速回答简单编码问题，但AI代理则更难被接受：它们不可预测、成本高昂，且基于个人使用体验，其炒作程度远超实际效果。然而，作者也留下了一个开放的态度：如果LLM能改进到足以解决所有顾虑，使代理更可靠，他愿意接受它们。
现实工作中的实验：从理论到实践
在随后的几个月里，作者继续从事数据科学工作，同时通过OpenRouter平台关注最新的LLM动态。八月，谷歌发布了Nano Banana生成图像AI及其难用的API，作者为此开源了Python包gemimg作为API封装器。这个项目本身并不激动人心：几乎没有创意实现的空间，作者的满足感更多来自它带来的实用价值，而非编写工具本身。
于是，作者决定进行一次实验：将功能完整的代码输入OpenRouter上各种新兴LLM，并提示模型识别和修复Python代码中的问题。如果失败，这将是测试LLM当前能力的良好案例；如果成功，则能提升软件质量，作者对此并无道德异议。结果出乎意料：LLM不仅添加了良好的函数文档字符串和类型提示，还识别出更Pythonic的代码块实现方式。
同事的推动与个人体验的对比
与此同时，作者的同事开始推广在Visual Studio Code中使用GitHub Copilot作为编码辅助工具，特别是围绕当时新发布的Claude Sonnet 4.5。然而，在作者的数据科学工作中，Copilot中的Sonnet 4.5并未带来帮助，反而倾向于创建过于冗长的Jupyter Notebooks，这让作者感到失望。
关键发现与行业启示
- LLM的实用性：实验表明，LLM在代码优化方面确实能提供价值，如改进文档和代码风格，这挑战了作者最初的怀疑态度。
- AI代理的局限性：尽管LLM有所进步，但AI代理的不可预测性和高成本问题依然存在，这提醒行业需在炒作之外关注实际落地效果。
- 工具适配性：不同工具（如Copilot）在不同场景（如数据科学vs.通用编程）中的表现差异显著，用户需根据具体需求选择合适方案。
小结
作者的实践揭示了一个核心观点：AI代理编码并非万能，但LLM的进步已使其在特定任务中变得有用。对于开发者而言，保持开放心态，结合个人工作流进行实验，或许是拥抱这一技术变革的最佳方式。未来，随着模型改进和成本降低，AI代理编码有望从“氛围”走向实质，但在此之前，理性评估和实际应用仍是关键。