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。