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:
goal = load_spec("task")constraints = load_repo_policy()workspace = create_isolated_workspace()while not goal.accepted() and steps < limit:action = plan(goal, constraints, workspace)if action.needs_approval:wait_for_human()run_in_sandbox(action, workspace)evidence = run_checks(goal.acceptance)record(action, evidence)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。

登录后可评论,请前往 登录 或 注册