AI编程双城记下：万字长文剖析下一代技术革命与落地挑战

本文内容适合关注 AI 前沿的读者。回顾2024年 AI 编程领域技术和产品创新，同时总结企业提效在落地的真实效果和挑战，从落地实践和思考，观察行业趋势和分析解决方案。最后，展望2025年AI 编程下一代技术给大家的期待。文章信息量较大，建议阅读时长20-30分钟适宜。本文涉及：Github Copilot、Cursor、v0、reweb.so、AI Agent、Coding Agent、RAG、微调、Blot.new 、Devin.ai 、Cursor Composer 、AIOps、Function Call

企业现阶段落地的场景

数据建模

Text2SQL的发展

Text2SQL，Natural Language to SQL，它能够将自然语言的查询语句转换成结构化查询语言（SQL）的命令。这个过程使所有人通过日常的语言来与数据库进行交互，无需了解SQL的具体语法，下面是一些受欢迎的开源项目

企业内部技术团队基于 Text2SQL 构建复杂的SQL查询和增强数据分析能力。比如金融行业，Text2SQL系统从大量的数据表中，解析业务合规、风险问题，相应构建复杂的SQL规则，用于识别不符合规定的交易活动，甚至根据设定规则和公式自动创建查询，计算最新的信用分数

DB Agent 摸索

典型以腾讯**SuperSonic 、**阿里的蚂蚁团队 DB-GPT，用 Agent 集成Text2SQL，用自然语义，轻松完成 BI 分析工作，还自动化生成报表

https://github.com/eosphoros-ai/DB-GPT

产品效果：除了Text2SQL能力，还可以生成可视化的图表，并进行灵活自然语义的 BI 分析

DB Agent 典型的商业应用

百度 AppBuilder、字节Coze、AutoGen、FastGPT 都有针对 DB 的 RAG 支持，不用写代码，用 Agent 的 Function Call 有需要时候调用 DB。下面百度 AppBuilder的例子

当在Agent查询酒店信息时，Agent 自动查询数据库，因为它知道数据库里有这些信息

AI 设计表

大量实践证明，在市面上可见业务系统，大模型表设计能力不错，在长Token能支持范围内，准确度和理解能力已经成熟。不少技术团队已经表设计让AI先自动构建再Review方式，提升效率明显。下面是真实的视频教学系统为例，拿过去产品需求，直接作为提升从让大模型做表设计。

我们来对比原项目E-R图和AI生成的表设计

• 7张表一个不漏，包含表与表关系，里面详细字段，几乎准确无误
• 过去需要懂业务工程师花一天完成工作，AI 在几分钟之类可以设计出同质量的表
• 大部分这样的场景下，提升效率甚至能到几十倍

总结：个人非常看好这个方向，DB 领域本身比较结构化、标准化，非常适合大模型落地场景，核心看大模型对自然语言理解能力边界

AIOps 中故障定位和根因FAQ

用 AI 赋能Ops 领域尝试了很多年。这里我只提故障定位而不是故障分析，是因为运维故障分析核心技术并不是靠大模型的能力，它主要是基于历史时序数据进行未来预测的深度机器学习。

• 不过有大模型自然语义理解能力，RAG的检索增强，对过去的一些故障定位，FAQ也起到很大作用。最大的体现，过去故障根因，只能最精通的人分析数据，解答问题。现在拉低这个门槛，所有知识技术人员描述基本异常，大模型分析专业数据，给出通识化的答案。有点像一个24小时特殊训练过的故障专家协助工程师。
• FAQ 这个环节极大提升效率，一定程度加快故障排查和解决的时间。

当然，预测异常大模型完成不了，国内外前沿一些科技公司，比如腾讯、阿里巴巴、中兴

重点关注 Datadog 推出 Bits AI 功能，基于 OpenAI 的人工智能助理，它提供单一对话接口，查询和关联整个Datadog平台上的重要数据，包括日志、指标、关注、内部文件甚至 Slack对话内容等。用户通过自然语言指令处理事件管理，加速问题诊断和确认影响范围

一些企业会深度做一些定制化的研发，通过自身丰富的 RAG 知识库，建立一个私有的故障定位和分析 FAQ 。随着数据不断被人为标注和大模型微调，覆盖的系统随之全面。产品形态，类似下面一个云原生可观测的开源项目

https://github.com/CloudDetail/apo

不需要专家，普通技术人员，只要给到上下文完整，可以拉低故障排查的门槛

2025最大期待：下下一代编程技术革命

你不得不感慨 AI 赋予编程技术最新创新，Cursor 尽管是编程 Copilot 新的革命，还不止，全新的 Coding Agent 时代也开始来临

这里划时代的产品：商业化中的 Devin.ai 、Blot.new 和完全开源的 Cline ，它们在做什么？

主要体现在：

• 用Agent 技术，代替我们自动化部署环境，自动化调试和修正程序，最后自动化运行程序。

直白来说，让一个独立的编程机器人，只需我们输入任务的描述，它去实现程序完成任务。

那么这个阶段条件已经具备了吗？是的，技术已经出来了，而且还开源出来了！

• 这里定义它是下下一代的技术，主要是和 Cursor做一个区分。如果说 Cursor 带来是人与AI 交互编程的最高天花板， Coding Agent 标志零编程的最高天花板。

• Devin 号称全球第一个AI 工程师，2024年上半年火爆全球，虽然被普遍质疑，最近推出企业付费版本，最低 500美金/月。不少业界专业人士已经试用过，真实反馈，假肯定不假，完成任务能力还停在实习生阶段。它体现出来的自动化能力，技术上可以做到

• Blot.new : Web 开发平台，旨在简化开发流程，相比本地运行 Devin，开发者直接在线在浏览器中快速地构建、运行、编辑和部署全栈 Web 应用程序

Devin.ai、Blot.new 毕竟还是黑盒的，那么我就要重点提一下 Cline ，你可以任务它是开源的 Devin，这个是真的一个里程碑，这里非常感恩开源技术社区的贡献

https://github.com/cline/cline

对，你没听错，下下一代技术已经开源了！我用 Cline 加最新通用大模型 Deepseeker V3，做了一个完整真实项目。

• 项目有独立的前、后端子项目，中间还包含访问数据库，生成图形报表交互需求。这种项目从难度和复杂度，应该满足软件工程里面 60% 编程场景。当然，调用大模型 API 还是要花钱，最终完成这样一个项目成本几块钱。
• Cline 本质来说是一个个Agent，从产品功能能够体现出来，你喂给它一个需求目标。它唤起一个个独立机器人，不停地完成一个个任务

• 在运行过程当中，如果出现了 Bug，他会尝试帮我们分析 Bug，还自动修复 Bug。这个能力实在太棒，下面Cline在自动运行程序，出现依赖缺失错误后，它开始尝试自动修复

还不赖，它修复成功，正常启动了程序

对于一些复杂的功能，它在执行过程中，一路磕磕绊绊。

我经过两天，近50次尝试，发现了各种问题：

1、大模型本身逻辑推理问题，比如实例中代码缺陷无法识别和自动修复的问题

2、单轮对话无法完成复杂的问题

第一轮对话只完成项目的原始构建

3、提示词需要不断打磨优化，COT 策略需要引入

4、还顺带修复 Cline IDE 中环境 Bug，像环境权限、路径变量的问题

最后，因为是开源，我们完成一套 Solution下来，只需要一套提示词模版，和多轮对话技巧，甚至在大模型有缺陷情况下，十几分钟零代码、零编程方式完成这个任务。

而且，接下来每次的运行，都几乎100%能成功。

完成的页面效果

对比访问数据库中的数据

• Cline 应该能够完成企业70%的编程场景任务，你的产品设计做的比较完善，理解上下文和Cot的精髓，它真的可以完成你期望的任务。前提是你真正懂编程，大模型原理，然后你才能充分利用好编程工具，工程越复杂，中间还有不断调试，优化的过程。
• 如果你只想不切实际用直白自然语言让AI给你完成一个高难度项目，我劝你还是放弃幻想。
• 越复杂系统做编程，越是接近于艺术创造，让AI 去取代人类角色，完成艺术创造，我觉得这是一个错误的思路。AI 更应该协助人类，高效完成基础功能。这是它能掌握和擅长的。
• 更进一步，如果用编程描述语言，完整做到核心的架构的描述，一些技术原理的描述，把复杂问题解耦成一个个基础单元，AI 是可以完成一些复杂的功能，甚至会让我们觉得非常惊艳。而且Cline 是开源的，完全可以做这个方向定制化

RAG和微调对AI 编程深远影响

微调 和 RAG 分别从大模型参数化、非参数知识两个维度做增强。大模型知识储备能力、推理能力都可以得到提高。需要到定制化RAG和微调都是面向 To B，重点是满足下面几个诉求：

• RAG： 对代码补全的上下文准确率至关重要，同时企业也可以作为内部代码知识库

百度Comate远程SaaS平台上传知识文档

本地IDE对话编程工具的效果

• 微调：代码补全模版完善，判定 Good/Base Case, 增强企业定制化业务逻辑

// bad
const Index<Props>=({ children }) => {
  return <>{children}</>
}
// good
const Index: React.FC<Props> = (props) => {
  return <>{props.children}</>
}

微调以后，代码补全提示是正确的Case

• 特别是对代码、数据安全要求高，不希望外传云端的大模型有刚性需求企业，私有化部署这类企业包括：银行、政府部门、金融机构等等

RAG 和微调涉及东西太多，这里不核心展开。2025年，一定比例企业还会持续投入私有化代码大模型建设，对数据安全是它们底线，这是一个追求效率和安全的平衡。就算没有云服务AI 编程工具能力，在保证数据安全下有本质提效，节约成本，也达到他们最终的目标。

混合云模式

我相信未来还会有私有云和公有云同时存在的AI编程模式，根据不同项目，不同业务隔离机制，不同团队采用不同模式，这也是合情合理。

双刃剑

AI 污染互联网

AI 编程粗糙滥用，会有反噬效应：

现在一大部分人，似乎走在一个错误的方向：处于不同目的，一类人不厌其烦用 AI 生产一些 Hello World 的 Demo。另一类人，还幻想用 AI ，用最简单口令，去马上完成一些复杂到大部分人类都很难的艺术编程。它们除了价值不大以外，会产生很多低质量的代码，这些代码一旦散布网上，事实上已经如此：

在 ChatGPT 爆火之初，Stack Overflow 便宣布「临时禁用」。

从 ChatGPT 获得正确答案的平均比例太低了！官方在声明的吐槽

https://36kr.com/p/2962446022201350

一些低质量的 AI 代码海量发布到 Github ，充斥到一些知名技术社区的 FAQ。另一方面，大模型现在几乎零识别抓取、收录到低质量的、有幻觉的代码，将结果返回给用户。

如此这般形成恶性循环，我觉得这所有人都需要在2025年深度思考的点。

AI 编程需要是Solution

AI 编程要在企业发光发热，AI 工具必不可少，但光有工具远远不够。企业需要的是一整套的解决方案 Solution。这个 Solution 包含工具外，还应该包含：

1、和 AI 能力配套的先进软件流程体系，一种 OKR，而不是盲目追求代码采纳率的 KPI

2、创新的产研协同思维，产品设计、市场运营应用上AI ，整合研发AI，将 AI 价值无限放大。这不是天方夜谭，下面 是 Qunar 技术团队最新推行的 “AI重塑后的开发流程”

去哪儿网前端代码自动生成技术实践

https://mp.weixin.qq.com/s/qEbvFBqgnHYVFLh1mJ9ytw

3、工具混合使用，场景化定制：企业一种务实做法，具体场景看具体优势，甚至结合自身需求做定制化。我接触一家金融科技公司，内部用 AI 做业务缺陷查找：自审、资金损失提醒、交易流程防范手段，不需要投入额外人力，查漏率直接提高60%

AI 时代来临，要求企业自身改变，适应新的理念，如果没有一套先进，体系的方法论，就算给了再好的工具，生产力也提不上去。

AI 编程工具用得不合理，甚至有企业反馈不但没有提效，而且还会把过去的开发效率会降低，那就要好好思考下是否用对了正确的方法

作者简介

• 蒋志伟，Next4.ai 创始人 （ 微信 nizhanali )
• 目前从事 AI 创业和技术顾问，关注 AI Agent、RAG、AI搜索、智能编程领域
• 曾就职 阿里、Qunar、美团，前 Pmcaff.com CTO，核心研发过上亿用户搜索推荐系统
• 我开源了一个用来测评 AI 编程质量的开源项目，也欢迎大家关注和交流

https://github.com/laziobird/CodeLLMEval

文章来自于“下一代AI实验室”，作者“蒋志伟”。