团队AI编程实践-实际效果远远低于预期原创

Hello, 大家好，我是人员的it，刚好上周我们公司和部门在做整个团队AI编程提效的一些阶段性的总结，所以我在看了整个总结以后，说实话完全没有达到我今年年初期望达到的一个目标，虽然说团队本身也在积极努力的尝试，但是实际整体效率的提升并没有我想的这么出现一个质的飞跃，这里面当然也有团队不断的在试验各种大模型，在各种大模型中间过程切换的过程中造成的一些试错成本，试验成本，但是里面最最核心的一个问题还是类似于我们用了open super power以后。再结合我们自己的哈里斯工程以后，你会发现，其实AI编程在输出的过程中，它加强了各种安全和质量门禁以后，它输出也是相当的耗时。虽然说有些人可以说，诶，你输出耗时，你可以开多个窗口并行处理多个项目呀，但是实际我们经验的来看，一般的人能够并行处理2个项目就不错了，你能够并行处理3个项目，那就是属于很牛很牛的人了，大部分人其实他是没办法多项目轮流并行去操控指挥AI的，所以说这就导致了其实在使用AI辅助编程的时候，很多时间被浪费了，或者说很多时间其实还是开发人员在摸鱼。

基于刚才我说的以外，其实还有几个点，我越来越发现影响了整个AI编程效率的地方。第一个点就是如果你原有的团队管理软件生命周期模式没有改，该有的需求，产品经理、架构设计、编码测试，所有的这些岗位都在。对于一个全新的项目，你仍然是涉及到团队诸多岗位角色的协同，那么在这种情况下面，你虽然仍然使用了AI编程，那实际效率的提升相当有限，包括我们上半年我们做的一个全新的一个项目，当然这个项目本身里面有一些难度，比如说涉及到新的开发语言，涉及到底层的购物语言，我们原来本身也没做过类似的项目，包括可能涉及到一个新的业务运，我们原来没怎么接触过，但是这两个都不是关键的原因，关键原因还是你原来使用的传统的软件工程的模式，那么在这种情况下面，我们最终测算的一个数据，实际整体效率提升只有70%多，不到80。

这是第一个场景，第二个场景就是如果你仍然是一个全新的一个项目。当你对这一个项目所涉及到的行业、业务、领域的需求不熟悉的时候，这个时候实际的编程的效率提升差不多也就是在1倍到3倍之间。整体影响的点根本就不是在于AI编程的质量和效率，因为我们现在其实已经是用的很好的一些大模型，那真正时间消耗的点在哪里呢？就是在前期和用户需求的对齐，包括需求的梳理，在这个地方仍然会花费大量的时间，比如说有一个3周左右的一个工作量，实际你推动AI编程，AI真正在编程的时间还不到一周，大量的时间仍然是花在了需求梳理、需求分析，包括需求和用户沟通确认的过程中。

那么可想而知，在这种情况下面，你的整体的效率怎么可能出现大幅度的提升？这是第二种情况。第三种情况就是，也就是我们讲的最佳的一个情况，就是对于你熟悉的行业，熟悉的业务运，哪怕是要去做一个全新的一个系统，那这个时候整个AI编程的效率往往可能是出现3~5倍的一个大大的一个提升。类似于你原来就是做整个供应链领域的系统，你原来做了采购系统、创作系统，但是现在可能需要去新增加一个前端的框架协议的管理系统，或者是一个招投标的系统。由于你对整个供应链业务领域足够的熟悉，你这个时候你原来的业务经验发挥了巨大的作用，你在需求梳理和分析上面可以快速的完成精准化的需求定义，然后推动AI去输出相关的内容。

这个时候实际上整体的效率提升相当的明显，所以说基于我刚才的三个场景简单的讲解，大家也可以看得到AI编程提效这个事情，它核心的约束已经不是在说你用了多么优秀的大模型，你是不是简单的实践了哈里斯的工程，更核心的仍然会体现这两个点，就是第一个你整个团队的组织架构、软件生命周期模型有没有变动。第二个就是我们原有的软件开发成人员，我们的程序员对相应的业务与业务需求熟不熟，能不能够快速的梳理，精确的定义软件需求，这个才是往往成为了影响整个团队I编程效率最最关键的内容。好了，今天关于AI编程效率的提升就跟大家简单分享到这里，希望对大家有所启发。

再见。