该文提出AI辅助开发的“总厨模式”：开发者如总厨，管理AI副厨编码，自身聚焦设计、架构和验证。这要求新技能，如上下文工程和模块化思维，以实现快速高质量开发。
译自：The head chef model for AI-assisted development
作者：Adi Polak
随着AI编码助手能力增强，开发者与其工具的关系正在超越简单的自动补全。AI不会取代开发者，但我们需要重新思考开发者如何与AI协作，以最大化速度和质量。
一种高效的方法是我所说的“总厨”模式。就像总厨不会切每根蔬菜或搅动每口锅一样，开发者也将不再编写他们自己的大部分代码。相反，他们将管理一支AI“副厨”团队，负责实现，而人类则管理总体设计和质量控制。
从编码员到系统架构师
这种模式改变了开发者所做的工作。开发者不再花费数小时编写代码和调试语法错误，而是将问题分解为清晰的任务，评估架构权衡，并验证AI生成输出是否满足生产需求。开发者是决策者，负责愿景、判断和验证，而AI则是闪电般快速的助手，完成大部分实际编码工作。
这种劳动分工创造了所谓的FAAFO 方法——快速、雄心勃勃、自主、有趣、可选性。它使开发者能够探索多种实现路径，并行原型设计不同解决方案，然后运用他们的判断来验证和合并最有前景的元素。
上下文管理至关重要
要使这种模式奏效，上下文工程发挥着关键作用。AI系统输出的质量与输入质量直接相关。这意味着要学会策划正确的上下文，例如代码片段、文档、错误消息或架构约束，并将这些上下文以可消化的块形式输入AI系统。
如果你得到的结果不准确，通常是因为你提供的上下文太少，导致幻觉或通用建议，或者用无关数据淹没了AI。关键在于模块化思维，将你的代码库和任务分解为清晰、可管理的部分，以便AI处理。
我将其视为一个“剪贴板”问题。你粘贴到AI提示中的任何内容，都决定了输出的质量。最优秀的开发者会本能地知道需要包含哪些上下文以及要省略哪些。
一个真实世界的例子：构建 Kafka 数据管道
对于数据流应用程序，这种模式变得特别强大。想象你正在使用 Apache Kafka 和/或 Apache Flink 构建一个复杂的实时数据管道。AI助手可以生成处理流数据的 Flink 作业，建议最佳吞吐量和延迟配置，为有状态操作符编写全面的单元测试，甚至提出与数据模型变化相匹配的模式更改。
但即使在这里，也需要人类来确保这些AI生成的输出与组织要求（如服务级别协议 (SLA)、合规需求、准确性以及整体系统架构）保持一致。AI可能会生成一个完美有效的 Flink 作业，能高效处理数据，但如果它不能正确处理迟到的事件或违反了你的数据保留策略，那将是失败的根源。
这就是为什么人类验证和确认如此关键。AI可以生成乍一看没问题但实际上不正确的代码。开发者必须保持健康的怀疑态度来根除这些问题。将每个AI生成的输出都视为来自一名初级工程师的作品——可能很有价值，但仍需要仔细审查。
总厨模式中的关键技能
除了上下文工程，这种模式的成功还需要培养传统编程之外的新技能，包括：
- 反馈循环工程： 收紧提示、输出和验证之间的循环。你迭代得越快，与AI协作的效率就越高。
- 委托心态： 了解哪些任务可以可靠地交给AI，哪些需要人类判断。并非所有事情都应该自动化。
- 模块化设计思维： AI最适合高度模块化的代码。构建可以轻松分解为清晰、可测试单元的系统变得比以往任何时候都更加重要。思考系统设计模式。
- 解决问题的方法： 在一头扎进解决方案之前，寻求问题的真相和第一性原理。
总厨模式并不会减少工作量，但它允许你更快地行动，同时不牺牲可靠性或性能。你作为开发者的角色从实现转变为编排，从编程转变为验证和整合AI生成的代码。
AI和编码助手的快速发展意味着我们工作的“厨房”已经改变。要在这个环境中做得好，你需要掌握总厨的角色。
