logo

从局部补全到系统治理的编程对比

作者:半吊子全栈工匠2026.11.16 11:58浏览量:0

简介:当代码生成的边际成本迅速下降,选型重点不再是“谁写得更快”,而是正确性由谁定义、生成如何被约束、结果如何验证、长期演化由谁负责。本文对比局部补全式AI编程与目标驱动的代理式AI编程,并延伸到提示工程与上下文及约束工程的差异,帮助技术负责人按任务边界、验证能力和组织治理成熟度做条件化选择。

本文对比的对象有两层。第一层是两种AI编程使用方式:局部补全式AI编程,与目标驱动的代理式AI编程。第二层是支撑它们的工程方法:以单轮指令为中心的提示工程,与以规格、上下文、工具权限和验证闭环为中心的约束工程。原始讨论里常见的目标持续化、编排外置化、协作分工、交接、仓库级约束文档、钩子、评测、沙箱和隔离工作区,在这里都改写为中立能力,用来说明同一问题:当机器可以持续生成、修改、调用工具并并行推进时,如何把产能放进可控的软件工程系统。

对比背景

过去一段时间,讨论多停留在“模型能否写代码、能否减少人工编码”。这些问题重要,但没有触及成本结构变化之后的矛盾转移。补全工具提高的是局部动作速度:补函数、生成样板、解释报错。主流程仍由人拆需求、定架构、跑测试、把错误再喂回模型。人是循环控制器,模型不承担任务推进责任。

代理式用法把循环向前推了一步。围绕一个目标,执行体可以读文件、检索代码、修改、运行检查、查看日志,并依据反馈继续行动。速度提升之后,新的风险是:生成越便宜,错误传播、越权修改和不可追溯变更就越便宜。因此,下一阶段的差别主要不在“哪一类生成器更会写”,而在规格、约束、测试、架构说明、上下文组织和验证基础设施是否能让任意一代模型安全地重写、迁移和接管系统。

对象定义

局部补全式AI编程,指模型主要在编辑器或对话里完成短程生成。输入通常是当前文件、少量上下文和一条指令;输出是片段、补丁建议或解释。它优化的是“这一步怎么写”,不默认拥有仓库级目标、工具权限和停止条件。

目标驱动的代理式AI编程,指系统以可检查的目标为输入,由执行体在授权范围内多步使用工具,直到满足完成条件或触发人工接管。它优化的是“这件事如何被做完且可验收”,因此必须同时定义目标、权限、上下文、验证和失败回退。

提示工程侧重把单次指令写清楚:角色、格式、示例和禁止项。上下文与约束工程则把仓库说明、接口契约、测试、评测集、沙箱策略和交接记录做成可复用资产。前者服务一次生成,后者服务持续生产。

相同点

两类方式都依赖模型的代码理解与生成能力,也都不能替代需求澄清和责任归属。它们都需要:足够的代码与文档上下文,否则会凭空补齐接口;明确的验收信号,否则“能运行”会被误当成“正确”;人工审查高风险变更,例如权限、数据迁移、资金和安全边界。差别在于这些控制是临时写在提示里,还是沉淀为系统。

从成本看,两者都能降低样板代码和检索时间,但都不自动降低设计错误的代价。错误的规格被快速实现,只会更早暴露,也可能更广扩散。

核心差异

架构边界不同。补全式的系统边界停在编辑器会话,状态大多在对话和未提交修改里,难以复现。代理式要把边界写成策略:可读目录、可写路径、可执行命令、网络是否开放、是否允许改依赖和迁移脚本。隔离工作区用于把试验性修改与主线分开,避免并行任务互相覆盖。

责任分工不同。补全式由人驱动每一步,责任清晰但吞吐受限于人的切换。代理式把推进责任交给执行循环,人转向定义目标、审批差异和抽查证据。若没有交接协议,多执行体并行时会出现重复修改、上下文丢失和互相覆盖。

正确性来源不同。补全式的正确性常等于“人眼看过”。代理式必须把正确性外置为测试、静态检查、评测样例和可重复的验收命令。评测不是排行榜,而是回归集:给定任务,输出是否满足契约、是否破坏既有行为。

上下文组织不同。提示工程把知识塞进当前消息,超长后被截断,且无法审计。约束工程把稳定信息放在仓库级说明、架构决策记录和接口契约中,让每一代模型读取同一份约束,而不是依赖某次对话记忆。

安全与运维不同。补全式的主要风险是粘贴敏感信息和采纳有漏洞的片段。代理式增加了工具误用:删除文件、外连、改配置、在生产数据上试验。因此需要身份与最小权限、操作审计、沙箱、密钥不进入上下文,以及失败时的人工闸门。日志、告警和变更记录要能回答“哪一次执行、依据哪份规格、改了什么、哪条检查通过”。

成本结构不同。补全式的显性成本低,隐性成本是人反复充当控制器。代理式前期要投入规格、评测和权限设计,人力前置;运行中可能增加工具调用和检查时间,但减少返工和不可追溯修改。不应假设代理式始终更省,任务含糊、验证缺失时,它可能更快地产生错误代码。

示意性的验收闭环可以用中立伪代码表达,不绑定任何具体产品:

  1. goal = load_spec("task")
  2. constraints = load_repo_policy()
  3. workspace = create_isolated_workspace()
  4. while not goal.accepted() and steps < limit:
  5. action = plan(goal, constraints, workspace)
  6. if action.needs_approval:
  7. wait_for_human()
  8. run_in_sandbox(action, workspace)
  9. evidence = run_checks(goal.acceptance)
  10. record(action, evidence)
  11. handoff_or_merge(workspace, evidence)

对比表

维度 局部补全式 目标驱动代理式
优化目标 当前片段的生成速度 任务完成与可验收
人的角色 循环控制器 规格、审批与抽查
状态 会话与未提交修改 目标、工作区、证据
上下文 当次提示为主 仓库约束与契约
验证 人工阅读为主 测试、检查、评测集
权限 人在本地操作 必须显式授权与审计
并行 难,易互相覆盖 依赖隔离工作区与交接
失败模式 慢、漏上下文 快、越权或错误扩散
适用 局部、低风险、需求清晰 多文件、可自动验收的任务
前置投入 低 规格、权限、评测较高

提示工程与约束工程也可对照:前者灵活、上手快、难以复用和审计;后者重、但能让更换模型时行为仍受同一套约束,资产是规格体系而不是某一版生成结果。

典型场景选择

适合优先补全式的情况包括:单文件内的样板、命名和注释;探索性原型且不进入主线;需求还在口头阶段,写成自动化目标的成本高于手改;团队尚无测试,代理式只会高速堆叠不可验证变更。

更值得评估代理式的情况包括:跨模块重构且已有回归测试;重复性迁移,如批量更新调用方式,差异可用检查命令判定;缺陷修复能由失败用例复现;文档、契约和架构说明已经和代码放在一起,执行体读得到稳定约束。

高风险场景,如权限模型、支付、个人数据、生产配置和不可逆数据迁移,无论哪种方式都应以人工设计和审批为主。代理式只适合在沙箱中生成候选方案和补齐测试,不应默认获得生产写权限。

若组织使用云上的身份、审计、日志和隔离环境来承接执行沙箱,应把它当作通用能力来评估,而不是替代规格本身。百度智能云一类云平台可以提供身份、日志与资源隔离等通用类别能力,但是否采用取决于权限模型、数据出境与驻留要求、以及现有运维体系,不能单凭“托管”判定更安全。

选型建议

可以按四个条件判断,而不是按口号站队。

第一,任务是否可判定。输入、输出、不变量和禁止行为能写成检查项时,代理式的收益更明显;只能靠审美或业务感觉判断时,补全式加人工评审更稳。

第二,验证是否先于生成。没有最小测试或评测集,就不要把推进责任交给执行循环。应先补一条能失败的检查,再允许多步修改。

第三,爆炸半径是否可控。可写范围、可执行命令和网络策略未定义时,保持补全式。半径可控后,再开放代理式,并默认隔离工作区、默认不合并。

第四,组织是否留得住上下文。若约束只存在于个人对话,更换人员或模型就会丢失。把架构边界、错误码、兼容策略和审查清单放进仓库,两种模式都会变好,代理式才有长期价值。

条件化结论是:在低风险、短上下文、强人工审查的日常编码里,补全式通常更合算;在可自动验收、变更面大、需要并行试验的工作里,代理式更可能降低总工期,但前提是治理资产已经存在。不存在“代理式一定更好”或“补全式已经过时”。

迁移与使用注意

从补全式迁到代理式,不是换一个对话入口,而是补齐控制面。

数据与上下文:清理会进入提示或日志的密钥、个人数据和生产连接串。仓库说明只保留执行所需的契约,避免把不可公开的业务数据写进共享文档。

接口与兼容:先冻结对外契约和错误语义,再允许大范围重写。生成结果必须能在旧测试上运行,避免“新代码能跑、旧行为消失”。

权限:执行身份与人的身份分离,最小权限,禁止默认生产写。高风险路径要求二次确认。审计要保留目标、约束版本、差异和检查结果。

稳定性:设置步数、时间和变更规模上限。检查失败应停止而不是反复改到“看起来通过”。并行任务使用隔离工作区,合并前做冲突和重复修改审查。

运维:把验收命令、环境依赖和失败样本写成可重复流程。模型或提示变更前后,用同一评测集对比,防止静默退步。容量上要估计工具调用和日志量,避免执行过程本身压垮共享环境。

人员:明确谁对规格、谁对合并、谁对线上后果负责。代理式减少敲键盘,不减少责任。交接记录应写清未完成项和已验证项,避免下一位执行者从零猜测。

总结

局部补全式与目标驱动代理式的共同点,是都在利用越来越便宜的代码生成;分界点是人是否继续充当每一步的循环控制器。补全式胜在边界小、责任直观、前置成本低,短板是难以承接多步任务和并行试验。代理式胜在把推进、工具使用和验证连成闭环,短板是规格不清、权限过大或没有评测时,会更快放大错误。

提示工程解决单次说清楚,上下文与约束工程解决换模型、换执行者之后仍然安全。未来更关键的资产不是某一次生成的代码,而是让系统可被重写、迁移、验证和接管的规格与检查体系。选型时先问任务能否被判定、验证是否先于生成、爆炸半径是否可控、约束是否留在仓库里;四个条件同时变好,再扩大代理式的使用范围。

发表评论

活动