人类与AI语境的权衡

在与 AI 合作进行编程时，我们需要权衡自己保留多少背景信息（context），以及将多少信息交给 AI 处理。这种权衡决定了我们与 AI 的协作模式，从人类完全主导的高层次对话，到将任务完全委托给 AI 的自动化模式。选择合适的协作模式，关键在于判断在特定情境下，我们是需要深入理解问题，还是可以信任 AI 来高效地完成任务。

人类与 AI 协作的四个层次

随着我们对 AI 信任度的增加，人类需要处理的背景信息会相应减少。这可以划分为四个递进的层次，从人类主导到 AI 主导。

1. 最高层次：与 ChatGPT 对话

这类似于和一位不同公司的同事讨论问题，目的是获得一个无偏见的外部视角。

• 人类投入： 人类掌握所有背景信息，并将其提炼成一个清晰、简洁的问题，就像在 Stack Overflow 上提问一样。
• AI 角色： AI 作为一个对话伙伴，通过苏格拉底式的问答帮助我们拆解问题。
• 核心价值： 这个过程强迫我们从基本原则出发，明确自己的假设，从而在解释问题的过程中找到解决方案。重点在于获得 新的视角，而非直接的代码。

这种方式就像编程“疗法”——通过清晰地阐述问题，我们往往能自己找到答案。

2. 第二层次：利用 AI 理解项目代码

在这一层，我们假定 AI 已经掌握了项目的背景信息，可以像一位熟悉项目的同事一样回答问题。

• 人类投入： 提出与项目代码直接相关的问题，例如：“在我们的项目中，如何使用共享布局来避免重复的 HTML 头部？”
• AI 角色： AI 基于项目背景提供直接、具体的答案。
• 权衡： 我们用 学习深度 换取了 便利性。这种方式能快速解决问题，但可能无法促使我们对问题进行根本性的反思。这在追求效率时是完全合理的。

3. 第三层次：让 AI 提出修改建议

我们不再满足于提问，而是让 AI 直接提出代码修改方案，由我们来决定是否采纳。

• 人类投入： 评估 AI 提出的每一处修改，并选择性地复制粘贴。
• AI 角色： AI 提出有针对性的、附带解释的修改建议。
• 适用场景： 当我们不完全信任 AI 对某个编程语言或框架的理解时，这种模式特别有用。它提供了直接的指导，同时保留了人类的最终决策权。对于非核心语言（如 Python、JavaScript 之外的语言），这是一种高效的工作流。

4. 最低层次：让 AI 直接编码

这是对 AI 信任度最高的层次，我们将具体的编码任务完全委托给 AI，就像分配任务给一位初级同事。

• 人类投入： 设定明确的任务和严格的“护栏”，防止 AI 破坏代码库。
• AI 角色： AI 扮演一个“掌握全世界编程知识但有点自信过头的编程新手”，负责完成具体的编码任务。
• 核心权衡： 这是人类 放弃最多学习机会 以换取最高效率的模式。它在核心技术领域（如 Python、HTML）非常有效，但在处理小众语言时需要谨慎。

结论：信任与情境的权衡

选择哪种协作模式，本质上是在权衡利弊。这就像经营一家公司：你需要在“亲自处理每个细节”和“信任你的 AI 同事去完成工作”之间做出选择。

• 情境决定一切： 当某个问题的背景信息对你的成长或决策至关重要时，你应该自己掌握它。
• 信任是关键： 当你确信 AI 能够胜任某项任务，或者这项任务不值得你投入过多精力时，就应该大胆地将它委托出去。

最终，高效地与 AI 协作是一项技能，它要求我们根据具体情况，明智地决定在自己大脑和 AI 模型之间如何分配“上下文”的负担。