在与LLM进行大量协作编程之后，我将坚持一种中等层次的工作流程，在完全自主编写代码和纯粹氛围式编程之间位于第38百分位。以下方法帮助我为长期项目产生高质量代码：

• •学习新工具和架构：如果你计划长期使用这些工具，在完全陌生的领域练习自主编写代码
• •框架协作策略：在使用较新框架时，更多地进行手工工作，只有在拥有扎实的架构和设计理解后才转向AI
• •智能体开发：与智能体协作时使用精心规划和规范驱动的开发
• •测试策略：要求AI生成测试并自行测试功能，然后仍然进行手工测试。AI有时会过度迎合你的需求，为了满足你实现功能的要求而删除难以覆盖的测试
• •单智能体协作：一次只与一个智能体协作并观察其行为，这样可以在其偏离轨道时及时中断
• •协作态度：将AI协 作视为与初级开发人员的工作一样。你需要自主理解需要实现什么以及如何实现。要求AI处理小而清晰的特性
• •代码优化：精简和简化生成的代码，特别是当你知道其他开发人员将继续维护时

我不认为我们会完全信任LLM处理所有事务，并完全失去对代码库中发生情况的控制。因此，我相信演进代码库的最实用方法是与AI协作并能够理解它的所有行为。正因如此，代码的未来位于极端氛围式编程和手工代码编写之间的中间地带。

何时使用极端氛围式编程

氛围式编程仍有其适用场景，以下是在不进行任何代码编辑的情况下有效使用的场景：

• • 快速原型设计，用于传达想法
• • 设置非常简单的项目，如落地页面
• • 在已经结构化的代码库中实现明确定义的小型和典型变更（在前端代码库中添加第50个组件，或在后端应用程序中实现第5个路由）
• • 编写一次性脚本和不会被代码库其他部分使用的模块

完整故事

开始氛围式编程之前

如你所知，你可以通过一个提示词就获得令人惊叹的结果和原型。然而，如果你走这条路线，只需几个小时，你就会遇到困境——你会发现自己有一个包含2k+行代码的文件，由于一个文件中包含大量上下文和逻辑，没有任何LLM能帮助你向项目中添加更多功能。

极端氛围式编程通常能让你以100倍的速度遇到软件开发周期的典型问题。

如果你用熟悉的语言和框架编写这个，你可以轻松发现问题并指导LLM重写。然而，如果你过去几个月一直在进行氛围式编程，你可能开始忘记如何做到这一点以及什么是最合适的技术栈和方法 😅。

所以，我有信心地说，与LLM协作的第一个原则是掌握基础知识并设置自己的架构。即使LLM能够产生良好的架构模式，你仍然需要理解它；否则，你会失去对代码库中发生情况的任何感觉。当你无法验证输出时，你就无法演进系统。

目前，像Replit这样的在线编辑器正试图通过添加多智能体系统来修复这个问题，其中一个智能体编写代码，另一个架构师智能体审查它。然而，这些多智能体系统还很年轻，它们产生的结果仍然不可靠

如果你确实想从零开始使用LLM编写东西，并且代码库中没有示例，那么你最好的选择是清楚地分离"氛围式编码"部分与代码的其余部分，并确保不会从该模块向外部导入任何东西。因此，第二个原则是将你的感觉与代码分离。

氛围式编程的主要挑战之一是调试LLM编写的代码。特别是如果这是由另一个人氛围式编程的代码。我认为这发生是因为LLM是在整个互联网语料库上训练的，对于你的平均提示，它产生的是互联网的平均结果。然而，这个平均结果通常比你实际需要的要冗长得多。

因此，第三个原则是不要在罕见语言或新框架中进行氛围式编程。LLM用于训练的数据越少，它产生的输出就越不可靠。当我尝试使用Cursor智能体时，我看到的、最糟糕的结果是在我试图为使用LangChain栈的代码编程时。LangChain只有几年的历史，并且发展很快，最近已经经历了三次主要更新。生成的代码冗长程度是2到10倍，而且常常根本无法工作。

有一些方法可以部分规避这个问题，如索引最新的文档或使用Context7 MCP

然而，对我来说，我意识到如果我将在新环境中做大量工作，我仍然需要阅读文档并进行一些手工编码，然后才能切换到智能体模式。

流程

我认识的大多数开发者都是这样使用LLM的：

我很快意识到关闭人-AI循环很简单，方法是：

你仍然会进行手工验证，但在此之前得到的结果要好得多。

这个循环运行得相当好。该流程中的问题是，你有时仍会发现AI产生不满意的结果，并且必须进行大量手工工作或完全重写所有内容。为了应对这种情况，你需要遵循一些额外的原则：

提供尽可能多的相关上下文

设身处地为AI考虑，从它的角度看待你提供的任务是有帮助的。如果你在它的位置上，仅凭提供的上下文你能完成任务吗？

有方法可以改善你的工作流程，如为任务跟踪器或Notion数据库使用MCP。然而，我在其中的成功非常有限，因为使用10+工具，你的上下文会变得臃肿，AI很难正确使用这些工具。而且这些MCP工具还处于早期阶段，甚至要从Jira工单获取信息，我都必须非常具体地要求AI查找特定工单，如果我运气好的话，它会在第三次尝试时能够做到这一点 🙃。

对我有效的方法是对第一个提示词使用元提示。它看起来像这样：

1. 1. 告诉AI：“我想实现一个新功能，这是关于它的很多非结构化上下文。生成一个提示词来帮助我实现它”
2. 2. 找到你将工作的任务的所有相关上下文（你任务的非结构化描述、文档、相关数据、转录文本等）。将每个上下文片段包围在标签中
3. 3. 优化生成的文本，一旦你满意，可以使用它作为IDE内的起始提示词

处理小功能

在我的Nebius.Academy指导实践中，我给出了练习AI辅助编程的挑战。我提供了一个包含吃豆人游戏的仓库，要求学生为这个游戏实现一些变更。

你可以在这里查看挑战并自己尝试。

简单挑战你通常可以不看代码库就完成。

中等挑战更棘手——如果你分解它并分别执行每个步骤，你可以做到。但如果你尝试一次完成所有步骤，AI会很乐意生成一些东西，但这会是完全无意义的。

这是Replit智能体如何完成一个中等挑战——一些东西起作用了，但外星人的行为是有问题的

而一个困难挑战，我在研讨会期间从未看到完成过，它需要更深入理解代码库和非常仔细的规划。

将AI视为初级/中级开发人员

不要允许它开始执行，直到你确认生成的计划看起来合理

提示：有新兴的模式和库有助于实现这一点。像.cursorrules、Kiros规划阶段等。我取得合理成功的是OpenSpec。它将帮助生成项目描述，你将工作的每个特性都将遵循清晰的流程。

OpenSpec使用AI进行更改的流程

即使有了像OpenSpec这样的工作流，一旦我开始使用它们，就会有一些不明确的问题——如果在规划过程中忘记了一些东西，该怎么办？现在，讨论似乎倾向于支持将信息添加到规范并重新生成代码，但这可能需要很多时间。更实用的方法是用额外命令指导AI，但随后你也需要单独修改规范。

另外，当你收集了大量规范时，你可能需要一些索引/RAG来有效地处理这些规范。天堂保佑如果你的规范与代码不同步——在这种情况下，你可能完全不使用它们会更好。我们可能需要调整工作流程，以便每个任务都通过规范生成——这将提供最新的文档，并为AI提供大量相关上下文。但这需要所有开发人员遵守相同的规范驱动开发过程，我个人在团队中还没有尝试过。

观察AI工作并在偏离时中断

当我们与Anthropic的销售人员通话时，他告诉我们Anthropic工程师同时运行6个智能体。我尝试过这样做，但即使同时运行2-3个智能体，感觉就像多任务处理的最糟糕版本。所以现在我相信监督你的智能体并与之协作，即使你有一个强烈的规划阶段。这也类似于在开发阶段捕获错误与在代码审查阶段捕获错误——如果你在错误的代码生成中间停止AI，你会更快得到期望的结果。

接下来

在国际象棋中，曾有一段时期人类和AI结合最强，超越了单独的人类或单独的AI。这在大约十年内过去了，AI变成了最强的独立个体。

我们现在在编程中处于相同阶段——知道如何与AI协作的优秀程序员是单个程序员或单个AI的10倍。

进一步说，我喜欢相信，与国际象棋中发生的情况不同，我们将始终找到方法保持有用并与AI协作。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】