使用 AI 代理进行编程

人工智能（AI）从根本上改变了我们的编程方式。AI 代理能够生成代码、优化代码，甚至协助调试。然而，在与 AI 协作编程时，程序员仍需牢记一些局限性。

顺序性和重复性问题

AI 代理在代码顺序上常常出错。例如，它们可能将初始化放在文件末尾，导致运行时错误。此外，AI 可能毫不犹豫地在项目中定义多个版本的同一类或函数，引发冲突和混淆。

具有记忆和项目结构的代码平台能提供帮助

一种解决办法是使用能够管理内存和项目结构的 AI 代码平台，这有助于在复杂项目中保持一致性。不幸的是，这些功能并不总是得到一致应用。因此，AI 可能会丧失项目的关联性，在编程过程中引入不必要的重复或不正确的依赖关系。

大多数 AI 编码平台通过所谓的工具调用大型语言模型（LLM）。这些工具基于一种开放标准协议（MCP）。因此，可以将 AI 编码代理与诸如 Visual Studio Code 之类的 IDE 连接。你也可以在本地部署一个 LLM，配合 llama 或 ollama，并选择一个要集成的 MCP 服务器。NetCare 已经创建了一个 MCP 服务器 来协助调试并管理底层（Linux）系统。若要直接将代码上线，这非常实用。
模型可在以下位置找到： huggingface.

IDE 扩展不可或缺

为了更好地管理 AI 生成的代码，开发者可以使用监控代码正确性的 IDE 扩展。诸如 linter、类型检查器和高级代码分析工具等辅助工具，有助于及早发现并修正错误。它们是对 AI 生成代码在质量和稳定性方面的重要补充。

重复错误的原因：API 中的上下文与角色

AI 代理重复犯错的一个主要原因在于它们对 AI API 的解释方式。AI 模型需要上下文和明确的角色说明才能生成高质量代码。这意味着提示（prompts）必须完整：不仅要包含功能性要求，还要明确预期结果和边界条件。为简化操作，你可以将提示以标准格式（MDC）保存并作为默认随附发送给 AI。这对于通用的编程规范、功能与技术需求以及项目结构尤为有用。

像 FAISS 和 LangChain 这样的工具有帮助

产品例如： FAISS 和 LangChain 提供解决方案以使人工智能更好地处理上下文。例如，FAISS 有助于高效地搜索和检索相关代码片段，而 LangChain 有助于组织 AI 生成的代码并在更大的项目中保持上下文。不过你也可以选择在本地使用 RAC 数据库自行搭建这些功能。

结论：有用，但尚不能独立运行

人工智能对于程序员来说是一个强大的工具，能够加速开发流程。但目前它还无法在无人监管的情况下独立设计和构建复杂的代码库。程序员应将 AI 视为可以自动化任务并生成想法的助手，但仍需人为引导和修正，才能获得良好的结果。

采用 联系 来帮助搭建开发环境，以便团队能够充分利用开发环境，更专注于需求工程和设计，而不是调试和编码。