Agentic Coding 的边界
本文结合我近期 Agentic Coding 的经验,讨论这一范式在实践当中可能遇到的问题。
首先说明,以目前 LLM AI 的能力,能够针对任意通用任务生成疑似正确(Plausible)的方案、流程或代码等,是完全可以做到的,但是以此为由声称“某某领域已死”则大可不必。因为从生成似是而非的原型,到实际经得起考验的产品,仍然存在 AI 不能覆盖的鸿沟。不过,如果你的需求并不复杂,似是而非的结果已经可以满足需求,那也很好。
例如在发扬 LLM Writes Plausible Code 的这篇文章里,作者抨击了一个号称 LLM-driven 用 Rust 重写的 SQLite 性能不行,所举的例子是一个简单任务 SQLite 原版花了 0.09 毫秒,但是重写版花了 1815.43 毫秒,也就是上万倍的差距。但是就这个简单任务而言,它也就花了一秒上下。如果你的需求就到这了,难道你会觉得一秒完成任务的这个 Rust 重写的版本有什么不好吗?



