大语言模型成为新型高级编程语言

大语言模型成为新型高级编程语言

基本信息

• 作者: swah
• 评分: 141
• 评论数: 265
• 链接: https://federicopereiro.com/llm-high
• HN 讨论: https://news.ycombinator.com/item?id=46868928

导语

随着大语言模型（LLMs）能力的持续进化，其角色已从单纯的对话工具转变为一种新型的高级编程语言。这种转变意味着开发者不再需要编写底层的语法细节，而是可以通过自然语言指令直接描述意图，由模型来完成代码生成与逻辑实现。本文将深入探讨这一范式转移背后的技术逻辑，分析 LLMs 如何重构传统的软件开发流程，并帮助开发者理解如何利用这一趋势提升构建系统的效率与抽象层级。

评论

深度评论：大语言模型作为“概率性编程语言”的范式转移

中心观点： 大语言模型（LLM）正在演变为一种超越传统Python/C++的新型高级编程语言。它通过概率推理而非确定性逻辑来操作语义，标志着软件开发范式从“编写语法”向“设计意图”的根本性转变。

支撑理由与边界条件：

1. 语义抽象度的层级跃迁

   • [事实陈述] 计算机语言的发展历史就是不断抽象的过程：从机器码到汇编，再到C语言和Python，每一层都屏蔽了底层的硬件细节。
   • [推断] LLM代表了“自然语言即API”的形态。开发者不再需要关注内存管理和语法错误，而是专注于业务逻辑的描述。这与从汇编跳转到高级语言时的生产力提升类似，将“编程”的门槛降低至“描述需求”。

2. 从确定性逻辑到概率性工程的范式转移

   • [作者观点] 文章核心在于将Prompt视为新的源代码。
   • [分析] 传统编程基于确定性逻辑（0和1），而LLM编程基于概率统计。这意味着工程实践进入了“随机性工程”领域。评价代码的标准不再是“是否运行”，而是“输出的分布是否符合预期”。这要求工程师具备统计学思维，而不仅仅是计算机科学思维。

3. 开发角色的重构：软件工程师2.0

   • [事实陈述] 目前Copilot等工具已经承担了部分样板代码编写工作。
   • [推断] 工程师的核心竞争力将发生转移。未来的工程师需要懂得如何将模糊的业务需求拆解为LLM可理解的“上下文”。代码审查将部分转变为“Prompt审查”和“输出结果验证”。

反例与边界条件（批判性思考）：

1. 非确定性的工程挑战：

   • [观点] 将LLM比作高级语言存在逻辑差异：传统高级语言保证了可复现性。同一份代码在不同时刻运行出不同结果通常被视为Bug，但在LLM中这是特性。对于金融、航天、医疗等要求高确定性的领域，LLM目前主要作为辅助工具，而非直接替代品。它更接近于“非确定性汇编器”。

2. 调试与维护的黑盒困境：

   • [观点] 传统语言拥有完善的IDE、断点调试和堆栈追踪。当LLM生成的代码出错时，很难通过传统的“回溯”来修复，通常只能通过“重试”或“修改提示词”。这种缺乏可观测性的特性，增加了构建大规模复杂系统的维护难度。目前的“Agent”架构在处理长链路任务时仍面临稳定性挑战。

多维度评价：

1. 内容深度： 文章从计算范式转移的角度分析了LLM，没有停留在工具层面，而是从语言学角度重新定义了编程。论证较为严谨，特别是在对比“指令”与“代码”的界限模糊化上。然而，文章对于如何解决非确定性带来的系统稳定性问题探讨尚显不足。

2. 实用价值： 对于架构师和技术决策者具有参考价值。它提示企业应关注AI作为新操作系统的底层潜力，这指导了技术栈的选型：未来的中间件将更多围绕“上下文管理”和“结果验证”展开。

3. 创新性： “LLM是高级语言”并非全新概念，但文章将其系统化地类比，提出了“语义层”的概念。它暗示了未来的编译器将是理解人类意图的模型，而非单纯的语法解析器。

4. 可读性： 逻辑结构清晰，类比恰当（如对比Python的发展历程），技术从业者和非技术背景的管理者均能理解其核心逻辑。

5. 行业影响： 如果该观点成立，将对计算机教育产生影响。教育重心可能从教授语法细节转向教授逻辑学、修辞学和概率论。低代码/无代码平台可能会因此获得新的发展动力。

6. 争议点：

   • 控制权： 传统编程强调精确控制，LLM改变了这种控制模式，这可能会引起部分工程师的适应性问题。
   • 版权与伦理： 如果自然语言被视为代码，那么思维过程和指令集的知识产权界定需要新的法律框架。

7. 实际应用建议：

   • 建立验证机制： 在关键路径上，不应完全依赖LLM的自动生成，必须引入人工验证或自动化测试层。
   • 关注可观测性： 既然是基于概率的语言，就需要监控其“置信度”和“输出分布”，而非仅记录简单的运行日志。
   • 模块化设计： 像设计函数一样设计Prompt，提高复用性和调试能力，避免难以维护的单一结构。

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

# 示例1：LLM作为自然语言查询处理器
def query_database_with_llm(natural_query):
    """
    使用LLM将自然语言查询转换为SQL语句
    解决问题：非技术人员也能通过自然语言查询数据库
    """
    import openai
    
    # 设置你的OpenAI API密钥
    openai.api_key = "your-api-key"
    
    # 构造提示词，要求LLM生成SQL
    prompt = f"""
    你是一个SQL专家。请将以下自然语言查询转换为SQL语句：
    查询：{natural_query}
    
    """
    
    # 调用LLM生成SQL
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        max_tokens=150,
        temperature=0
    )
    
    sql_query = response.choices[0].text.strip()
    return sql_query

# 使用示例
# query = "查询销售额前10的产品"
# sql = query_database_with_llm(query)
# print(sql)  # 输出: SELECT * FROM products ORDER BY sales DESC LIMIT 10;

{function_code}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

# 示例2：LLM驱动的自动化测试生成器
def generate_test_case(function_code):
    """
    使用LLM自动为函数生成测试用例
    解决问题：减少编写测试用例的重复工作
    """
    import openai
    
    openai.api_key = "your-api-key"
    
    prompt = f"""
    你是一个测试工程师。请为以下Python函数生成单元测试代码：
    
    ```python

使用pytest框架，包含边界条件和异常情况测试。
"""

response = openai.Completion.create(
    engine="code-davinci-002",
    prompt=prompt,
    max_tokens=500,
    temperature=0.2
)

test_code = response.choices[0].text.strip()
return test_code

使用示例

code = """

def calculate_discount(price, discount):

if discount < 0 or discount > 1:

raise ValueError(“折扣必须在0-1之间”)

return price * (1 - discount)

"""

print(generate_test_case(code))

{code_snippet}

```python
# 示例3：LLM驱动的代码解释器
def explain_code(code_snippet):
    """
    使用LLM为代码片段生成自然语言解释
    解决问题：帮助理解复杂代码或进行代码审查
    """
    import openai
    
    openai.api_key = "your-api-key"
    
    prompt = f"""
    请用简洁的中文解释以下代码的功能和工作原理：
    
    ```python

按要点列出解释，并指出潜在问题。
"""

response = openai.Completion.create(
    engine="text-davinci-003",
    prompt=prompt,
    max_tokens=300,
    temperature=0.3
)

explanation = response.choices[0].text.strip()
return explanation

使用示例

code = """

def quicksort(arr):

if len(arr) <= 1:

return arr

pivot = arr[len(arr)//2]

left = [x for x in arr if x < pivot]

middle = [x for x in arr if x == pivot]

right = [x for x in arr if x > pivot]

return quicksort(left) + middle + quicksort(right)

"""

print(explain_code(code))

---
## 案例研究


### 1：Klarna（瑞典金融科技巨头）

 1：Klarna（瑞典金融科技巨头）

**背景**:
Klarna 是欧洲领先的“先买后付”（BNPL）银行，拥有超过 1.5 亿全球客户。其客服部门每天需要处理大量的咨询请求，包括退款、支付查询等。

**问题**:
随着用户基数增长，传统的人工客服模式面临巨大压力。高峰期响应慢，且培训和维持数千人客服团队的成本高昂。公司急需一种在不牺牲服务质量的前提下，大幅降低运营成本并提高响应速度的方法。

**解决方案**:
Klarna 并没有简单地购买现成的客服机器人，而是利用 OpenAI 的 GPT-4 模型作为核心“高级语言”来构建其 AI 助手。他们通过微调和 RAG（检索增强生成）技术，将 GPT-4 与 Klarna 内部的知识库和历史记录连接。开发者不再编写硬编码的决策树，而是通过 Prompt Engineering（提示词工程）让模型理解复杂的金融政策并生成自然语言回复。

**效果**:
该 AI 助手上线后表现惊人，在上线一个月内处理了 230 万次对话（占总客服量的 2/3），并直接完成了相当于 700 名全职人工客服的工作量。客户的问题解决时间从 11 分钟缩短至 2 分钟，且预计每年将为 Klarna 节省 4000 万美元的运营成本。

---



### 2：Morphic（网络安全初创公司）

 2：Morphic（网络安全初创公司）

**背景**:
Morphic 致力于解决“软件材料清单”的安全问题，旨在保护企业免受供应链攻击。其核心产品需要处理大量复杂的软件依赖关系和元数据。

**问题**:
构建网络安全产品通常需要编写大量繁琐的后端逻辑来解析数据、生成报告和执行复杂的查询。传统的编程方式开发周期长，且难以应对攻击手段的快速变化。Morphic 希望以极小的工程团队快速构建出功能强大的 MVP（最小可行性产品）。

**解决方案**:
Morphic 采取了“LLM First”的开发策略，将 GPT-4 视作一种新型的高级编程语言。他们构建了一个名为“Morphic Shield”的系统，其中大部分复杂的业务逻辑（如分析漏洞数据、生成安全报告）并非由传统的 Python/Java 代码实现，而是通过精心设计的 Prompt 让 LLM 实时生成。LLM 成为了连接用户意图与底层安全数据的中间层。

**效果**:
这种开发模式极大地提高了开发效率。Morphic 仅凭极少的工程师便构建出了通常需要几十人团队才能完成的复杂系统。由于业务逻辑主要存在于 Prompt 中，而非硬编码中，系统在面对新型安全威胁时具有极高的灵活性和可扩展性，成功获得了市场的关注并被 Cisco 收购。

---



### 3：Cognition（Devon AI 软件工程师）

 3：Cognition（Devon AI 软件工程师）

**背景**:
Cognition 是一家 AI 实验室，推出了名为“Devin”的世界上第一个 AI 软件工程师。其目标是让 AI 能够独立完成整个软件工程任务，而不仅仅是生成代码片段。

**问题**:
传统的代码生成工具（如 GitHub Copilot）只能辅助补全代码，无法理解复杂的工程上下文、无法规划长远的任务步骤，也缺乏自我调试和修复错误的能力。这导致开发者仍需花费大量时间在粘贴代码和修复琐碎 Bug 上。

**解决方案**:
Devin 将 LLM（特别是经过长期推理训练的模型）作为“大脑”和“指挥官”。它没有使用传统的硬编码工作流，而是利用 LLM 的推理能力来决定使用什么工具、如何规划任务、如何阅读文档以及如何编写代码。LLM 在这里被用作一种高级控制语言，指挥底层的 Shell、代码编辑器和浏览器进行协同工作。

**效果**:
Devin 在实际应用中展示了惊人的能力，它能够端到端地完成 Upwork 上的真实外包任务，从学习不熟悉的技术栈（如 React）到修复 Bug 并部署应用。这标志着 LLM 从单纯的“文本生成器”进化为能够执行复杂逻辑和工具操作的“高级语言”，彻底改变了软件工程的作业模式。

---
## 最佳实践

## 最佳实践指南

### 实践 1：将自然语言视为核心抽象层

**说明**: 在 LLM 时代，自然语言（提示词）取代了传统的 API 调用或具体的代码语法，成为与系统交互的最高层抽象。这意味着开发者的关注点应从编写具体的实现逻辑（如循环、条件判断）转移到清晰地描述意图和定义上下文。你需要像设计 API 接口一样精心设计你的提示词，确保其能够准确地将人类意图转化为机器可执行的逻辑。

**实施步骤**:
1. **定义意图**: 在编写代码前，先用自然语言清晰描述你希望程序完成的具体任务和目标。
2. **构建上下文**: 将变量、数据结构或业务逻辑转化为自然语言描述，作为提示词的一部分传递给模型。
3. **迭代优化**: 将提示词视为代码的一部分，通过版本控制进行管理，并根据输出结果不断修正措辞。

**注意事项**: 避免使用模糊不清的词汇，尽量使用结构化、逻辑性强的自然语言，以减少模型的幻觉或理解偏差。

---

### 实践 2：采用“代码生成”而非“代码补全”模式

**说明**: 传统的 IDE 自动补全只能预测下一个词或几行代码，而 LLM 具备生成完整功能模块、算法甚至整个应用的能力。最佳实践是利用 LLM 生成复杂的样板代码、数据处理脚本或单元测试，而让人类开发者专注于核心业务逻辑和架构设计。这要求开发者具备审查和集成生成代码的能力。

**实施步骤**:
1. **模块化生成**: 将大任务拆解为小的、独立的函数或类，分别生成代码。
2. **生成测试用例**: 在生成业务代码之前或之后，利用 LLM 生成全面的单元测试和边界条件测试。
3. **代码审查**: 将 LLM 生成的代码视为初级工程师的提交，必须进行严格的安全性和性能审查。

**注意事项**: 永远不要在未审查的情况下直接将 LLM 生成的代码部署到生产环境，特别是涉及安全敏感操作时。

---

### 实践 3：建立结构化的反馈循环

**说明**: LLM 作为解释器运行时，其输出质量高度依赖于输入的反馈。与确定性编程不同，LLM 编程需要通过迭代式的对话来修正结果。建立结构化的反馈机制，即“评估-修正-再评估”的循环，是保证输出质量的关键。

**实施步骤**:
1. **设定评估标准**: 定义明确的成功指标（如代码运行通过率、输出文本的相似度等）。
2. **错误反馈**: 当 LLM 输出不符合预期时，将具体的错误信息或失败的测试用例反馈给它，要求其自我修正。
3. **多轮对话**: 设计工作流允许至少 3-5 轮的交互，逐步逼近最优解，而不是期望一次生成完美结果。

**注意事项**: 反馈信息应尽量客观且具体，避免引入主观的情绪化描述，以免干扰模型的判断。

---

### 实践 4：实施 RAG（检索增强生成）以扩展知识边界

**说明**: LLM 的预训练知识是固定的，且可能过时。将 LLM 视为高级语言解释器时，必须通过外部检索系统（如向量数据库）为其提供实时的、特定领域的上下文信息。这类似于在代码中引入外部库，RAG 使得 LLM 能够访问和处理它未曾训练过的私有数据或最新信息。

**实施步骤**:
1. **知识库构建**: 将文档、手册或历史数据向量化并存储在数据库中。
2. **语义检索**: 根据用户的查询，检索最相关的上下文片段。
3. **上下文注入**: 将检索到的信息与用户查询合并，构造出包含特定知识的提示词发送给 LLM。

**注意事项**: 需要严格控制注入上下文的长度，避免超出模型的 Token 限制导致上下文丢失或成本激增。

---

### 实践 5：从确定性转向概率性思维

**说明**: 传统软件工程基于确定性逻辑（相同的输入产生相同的输出），而 LLM 基于概率。最佳实践要求开发者转变思维模式，不再假设程序会严格按照既定路径执行，而是要为模型输出的多样性和不确定性设计容错机制。这包括设置温度参数、设计多种输出解析策略以及处理意外结果。

**实施步骤**:
1. **参数调优**: 根据任务性质调整 Temperature 参数。创意任务使用较高温度（0.7-0.9），逻辑严谨任务使用较低温度（0.1-0.3）。
2. **输出验证**: 在代码中加入验证层，使用正则表达式或二次模型检查 LLM 的输出格式和内容是否合法。
3. **重试机制**: 对于概率性失败，设计自动重试逻辑，而不是直接抛出异常。

**注意事项**: 在金融、医疗等高风险领域，必须保留最终的人工确认环节，不能完全依赖概率性输出。

---

### 实践 6：利用 LLM 进行系统维护与遗留代码迁移

**说明**: LLM 在理解现有代码库（尤其是遗留系统或非主要语言编写的代码）方面表现出色。最佳

---
## 学习要点

- 大语言模型正在演变为一种新型的高级编程语言，允许开发者使用自然语言而非传统代码来构建软件。
- 提示词工程正在取代传统的语法学习，成为人机交互过程中定义逻辑和指令的核心技能。
- 软件开发的范式正从编写确定性的代码，转向编写概率性的提示词并管理模型的输出结果。
- 大语言模型充当了人类模糊意图与机器精确执行之间的“语义层”，极大地降低了技术实现的门槛。
- 未来的编程将更侧重于对模型能力的组合、编排与验证，而非对底层算法的从零编写。
- 这一转变标志着技术栈的抽象层再次升高，使得不具备深厚编程背景的人也能直接指挥计算机资源。

---
## 常见问题


### 1: 为什么说大语言模型（LLM）是新的“高级编程语言”？

1: 为什么说大语言模型（LLM）是新的“高级编程语言”？

**A**: 这个观点的核心在于编程范式的转变。传统的编程语言（如 Python、C++）是确定性的，程序员必须精确地告诉计算机每一步该怎么做。而 LLM 被视为一种更高级的抽象层，因为它允许开发者使用自然语言（如英语或中文）来描述意图，而非具体的实现细节。

在这种模式下，LLM 充当了编译器或解释器的角色。它理解人类模糊的指令，并将其转化为机器可执行的代码（通常是 Python 或其他语言）。就像 Python 比 C++ 更高级一样，自然语言编程比传统编程语言更接近人类的思维方式，极大地降低了编程的门槛，并提升了开发效率。

---



### 2: 如果 LLM 是编程语言，那么它的“编译器”和“运行时”是什么？

2: 如果 LLM 是编程语言，那么它的“编译器”和“运行时”是什么？

**A**: 在这个类比中，LLM 本身（例如 GPT-4, Claude, Llama）扮演了“编译器”或“解释器”的核心角色。它接收源代码（即自然语言提示词 Prompt），并输出目标代码或执行结果。

然而，与传统语言不同，LLM 的运行需要庞大的基础设施支持。其“运行时环境”通常包括：
1.  **推理服务器**：运行模型的 GPU 集群（如 AWS, Azure 或本地 H100）。
2.  **编排工具**：如 LangChain 或 Semantic Kernel，它们负责管理上下文、记忆和工具调用，类似于传统语言中的标准库或运行时环境。
3.  **沙箱环境**：为了安全执行 LLM 生成的代码，通常需要容器化环境（如 Docker）或 Web 浏览器执行环境。

---



### 3: 这种“自然语言编程”方式最大的缺点是什么？

3: 这种“自然语言编程”方式最大的缺点是什么？

**A**: 虽然效率极高，但这种方式目前面临两个主要挑战：

1.  **非确定性**：这是与传统编程最大的区别。如果你运行相同的 C++ 代码一万次，结果是一样的。但如果你向 LLM 发送相同的提示词一万次，它可能会每次都给出略有不同的答案。这使得构建需要严格一致性的系统变得非常困难，需要引入温度控制或确定性解码技术。
2.  **调试困难**：在传统编程中，调试器可以精确定位到哪一行代码出错了。但在 LLM 编程中，错误可能源于模型对指令的“幻觉”、逻辑误解或上下文丢失。调试过程更像是在“教育”或“引导”一个智能体，而不是单步执行代码。

---



### 4: 使用 LLM 编写代码是否意味着程序员将失业？

4: 使用 LLM 编写代码是否意味着程序员将失业？

**A**: 不会，但角色会发生转变。LLM 更像是“力量倍增器”而非替代者。

虽然 LLM 可以快速生成样板代码、算法片段甚至整个函数，但它仍然需要人类专家来：
1.  **验证正确性**：LLM 会产生看似合理但有逻辑漏洞的代码，必须由人来审查。
2.  **系统架构设计**：如何将多个 LLM 调用、传统代码和数据库连接成一个健壮的系统，仍然是高级工程师的工作。
3.  **处理边缘情况**：LLM 擅长处理常见情况，但在处理极端边缘情况或需要极高安全性的代码时，人工干预不可或缺。

未来的程序员将更像是一个“技术经理”，管理一群 AI 劳工来完成具体的编码任务。

---



### 5: 这种新范式如何改变软件架构？

5: 这种新范式如何改变软件架构？

**A**: LLM 作为高级语言正在催生新的架构模式，最典型的就是**智能体架构**。

传统的单体应用或微服务架构正在向以 LLM 为中心的流程演变。在这种架构中：
*   **提示词即代码**：核心逻辑不再硬编码在 Python 或 Java 中，而是存储在精心设计的提示词模板里。
*   **路由与分发**：系统使用 LLM 来理解用户意图，并将请求路由到不同的工具或子程序。
*   **检索增强生成（RAG）**：数据库不再仅仅是存储结构化数据的地方，而是通过向量搜索为 LLM 提供上下文的“知识库”。

这使得软件系统变得更加灵活和对话式，但也引入了延迟和成本控制的新挑战。

---



### 6: 目前有哪些工具支持这种“LLM 作为编程语言”的开发模式？

6: 目前有哪些工具支持这种“LLM 作为编程语言”的开发模式？

**A**: 目前已经出现了一个庞大的生态系统来支持这一范式：

*   **模型提供商**：OpenAI (GPT-4), Anthropic (Claude), Meta (Llama), Mistral 等，提供核心的“语言处理能力”。
*   **编排框架**：LangChain, Microsoft Semantic Kernel, AutoGen。这些工具允许开发者像编写函数调用一样“链接” LLM 的调用。
*   **开发环境**：Cursor, GitHub Copilot, Windsurf。这些是集成了 LLM 的代码编辑器，允许开发者通过自然语言指令生成、修改和解释代码。
*   **基础设施**：LlamaIndex, Pinecone, Weaviate。用于构建 RAG 应用，让 LLM 能够访问外部数据。

这些工具共同构成了使用自然语言进行软件开发的“全栈”环境。

---
## 思考题


### ## 挑战与思考题

### ### 挑战 1: [简单]

### 问题**:

### 在传统的编程中，我们使用变量来存储状态。请设计一个 Prompt 模板，要求 LLM 充当“状态机”。你需要向 LLM 输入一个初始状态（例如：“用户未登录”），然后输入一系列动作（例如：“输入密码错误”、“输入密码正确”），让 LLM 仅输出每一步操作后的最新状态。

### 提示**:

---
## 引用

- **原文链接**: [https://federicopereiro.com/llm-high](https://federicopereiro.com/llm-high)
- **HN 讨论**: [https://news.ycombinator.com/item?id=46868928](https://news.ycombinator.com/item?id=46868928)

> 注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

---


---
## 站内链接

- 分类： [大模型](/categories/%E5%A4%A7%E6%A8%A1%E5%9E%8B/) / [AI 工程](/categories/ai-%E5%B7%A5%E7%A8%8B/)
- 标签： [LLM](/tags/llm/) / [编程语言](/tags/%E7%BC%96%E7%A8%8B%E8%AF%AD%E8%A8%80/) / [AI 编程](/tags/ai-%E7%BC%96%E7%A8%8B/) / [代码生成](/tags/%E4%BB%A3%E7%A0%81%E7%94%9F%E6%88%90/) / [自然语言编程](/tags/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E7%BC%96%E7%A8%8B/) / [软件工程](/tags/%E8%BD%AF%E4%BB%B6%E5%B7%A5%E7%A8%8B/) / [Copilot](/tags/copilot/) / [未来趋势](/tags/%E6%9C%AA%E6%9D%A5%E8%B6%8B%E5%8A%BF/)
- 场景： [大语言模型](/scenarios/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/) / [AI/ML项目](/scenarios/ai-ml%E9%A1%B9%E7%9B%AE/)

### 相关文章

- [大语言模型成为新一代高级编程语言](/posts/20260208-hacker_news-llms-as-the-new-high-level-language-8/)
- [LLM成为新一代高级编程语言](/posts/20260208-hacker_news-llms-as-the-new-high-level-language-4/)
- [AI 编程代理已全面替代我使用的所有开发框架](/posts/20260207-hacker_news-coding-agents-have-replaced-every-framework-i-used-10/)
- [让 Claude 编写 CUDA 内核并指导开源模型](/posts/20260129-blogs_podcasts-we-got-claude-to-build-cuda-kernels-and-teach-open-7/)
- [🔥AI+软件工程：颠覆传统开发模式，揭秘未来编程新趋势！](/posts/20260127-hacker_news-ai-code-and-software-craft-11/)
*本文由 AI Stack 自动生成，包含深度分析与可证伪的判断。*