按 "Enter" 键跳过内容

我发现AI其实更喜欢代码，不是自然语言

由 nocoo 发表于 2025-06-08

最近在用各种LLM的时候，我注意到一个很有意思的现象：每次用代码的形式来描述需求，AI给出的结果都比我用自然语言描述准确很多。

这让我开始怀疑：AI是不是天生就更”懂”代码？

带着这个疑问，我查了不少资料，发现这个观察还真不是我的错觉。数据和研究都证实了代码确实在某些方面比自然语言更适合跟AI交流。但事情没这么简单——最佳实践其实是混合使用，该用代码的时候用代码，该用自然语言的时候用自然语言。

我的直觉主要基于三个发现：代码没有歧义性、逻辑结构更清晰、而且AI直接读代码比读文档靠谱。但深入研究后发现，现实比这个简单的总结复杂得多。

代码prompt确实有优势，但不是万能的

1. 歧义问题确实存在

这个体验大家应该都有。我说”写个函数处理用户数据”，AI经常不知道我要干啥。但如果我这样写：

def process_user_data(users: List[User]) -> List[ProcessedUser]:
    # TODO: 实现数据处理逻辑
    pass

AI马上就明白了——输入什么、输出什么、函数签名是啥，一目了然。

据研究，自然语言prompt的幻觉率能到27%，用代码结构化的方式确实能降低不少。这个我感同身受。

2. 逻辑约束是个好东西

代码天生有逻辑约束，AI生成的时候语法必须对，逻辑路径必须说得通。就像给AI套了个”逻辑紧身衣”，胡说八道的机会少了很多。

我现在经常用伪代码来描述需求，效果比纯文字好太多：

// 我想要的逻辑：
if (user.hasPermission("admin")) {
    // 显示管理界面
} else if (user.hasPermission("editor")) {
    // 显示编辑界面  
} else {
    // 显示只读界面
}

比说”根据用户权限显示不同界面”清楚多了。

3. AI可能确实更擅长读代码

这点挺有意思的。有研究发现，给AI看错误的文档会明显影响它理解代码，但如果压根没文档，AI照样能看懂代码。

想想也合理——代码本身就是最精确的”规格说明书”，比任何文档都准确。

但纯代码也有很多坑

说实话，光用代码也不是万能的：

表达能力有限

有些需求用代码根本没法说清楚。比如”我希望这个界面看起来更现代”，你怎么用代码表达？或者”优化下这个算法性能，但别影响可读性”，这种权衡关系代码表达不出来。

缺少业务上下文

代码往往缺少背景信息。当我写：

def calculate_discount(price, user_type):
    pass

AI不知道这是电商系统、SaaS订阅、还是游戏内购，不同场景的折扣逻辑天差地别。

学习门槛

让非程序员用代码prompt？基本不可能。就算是程序员，碰到不熟悉的领域（比如复杂的SQL优化、正则表达式）也不如直接说话来得快。

行业其实都在搞混合模式

我发现最成功的做法都是混合的。Google的”Chain of Code”方法就很典型：

  1. 先用自然语言描述问题
  2. 再用代码结构化解决方案
  3. 最后用自然语言解释结果

这种方法比单纯用代码或自然语言都要好12%。

GitHub Copilot也是这个思路，不是让你完全用代码prompt，而是：

  • 注释 + 代码一起用
  • 函数签名 + 文字描述结合
  • 代码示例 + 文字说明配合

数据显示用Copilot的开发者效率提升55%，但要11周才能完全适应这种混合交互。看来学习新的交互方式也需要时间。

我的使用心得：什么时候用什么

通过这段时间的摸索，我总结了一些经验：

代码prompt适合的场景：

  • API调用和数据结构：直接给schema，比描述半天有用
  • 算法逻辑：伪代码表达条件判断、循环处理特别清楚
  • 配置文件：JSON、YAML格式比长篇大论管用
  • Debug问题：贴代码 + 错误信息，比描述现象靠谱

自然语言适合的场景：

  • 需求探索：要什么功能、为什么需要、用户怎么用
  • 创意设计：界面风格、用户体验、产品方向
  • 学习理解：问原理、要解释、学最佳实践
  • 权衡决策：技术选型、架构考虑、性能vs可维护性

我常用的混合模式：

// 我想做个缓存系统
// 场景：高并发读写，要保证数据一致性，支持过期

interface CacheService {
    get(key: string): Promise<any>;
    set(key: string, value: any, ttl?: number): Promise<void>;
    delete(key: string): Promise<void>;
}

// 请实现这个接口，重点考虑：
// 1. 缓存穿透怎么办？
// 2. 内存满了怎么淘汰？  
// 3. 分布式场景下怎么保证一致性？

这种方式把代码的精确性和自然语言的表达力结合起来，效果最好。

一些实用建议

基于这些发现，我整理了几个日常使用的小技巧：

1. 分层思考

  • 做什么（What）：用自然语言说清楚目标
  • 怎么做（How）：用代码表达具体实现
  • 为什么（Why）：用自然语言解释设计考虑

2. 别指望一次搞定

不要想着一个prompt解决所有问题。我一般是先用自然语言说个大概，AI给出方案后，再用代码细化，最后用自然语言补充上下文。

3. 具体例子很有用

AI特别喜欢看输入输出示例：

// 输入数据：
const users = [
    {name: "张三", age: 25, department: "研发"},
    {name: "李四", age: 30, department: "产品"}
];

// 期望结果：
const grouped = {
    "研发": [{name: "张三", age: 25}],
    "产品": [{name: "李四", age: 30}]
};

// 帮我实现这个groupBy函数

4. 约束条件要说清楚

技术约束用代码，业务约束用自然语言：

// 技术要求：必须是纯函数，不能改原数组
function sortUsers(users: User[]): User[]

// 业务规则：VIP用户排前面，同级别按注册时间排
// 性能要求：10万+数据，100ms内响应

更深层的思考：我们正在见证编程的演进

写到这里，我突然想到一个更有意思的话题。

你有没有注意过，编程语言这几十年来一直在朝一个方向发展：越来越接近自然语言。

从汇编的机器指令，到C的结构化语法，再到Python的”可执行伪代码”，每一代语言都在努力缩小人类思维和机器执行之间的距离。Go语言甚至直接用类似英语的语法：if err != nil、for range这些。

这个趋势其实从来没停过。每当我们觉得某种语言已经够”人性化”了，新技术总会推着我们向更高的抽象层次走。

现在的AI编程工具，其实就是这个演进路线的自然延续。

Prompt Engineering：一种新的”编程语言”？

最近我越来越觉得，prompt engineering已经不只是个技巧，而是一种新的编程范式了。

你看，有效的prompt其实有很明确的结构：

  • 角色定义：”作为一个有10年经验的Python开发者…”
  • 任务描述：具体要做什么
  • 上下文信息：相关的技术栈、约束条件
  • 输出格式：期望的代码风格

这不就是一种”编程语言”吗？只是它的语法更接近人话，执行环境是大语言模型而不是CPU。

GitHub现在41%的代码都是AI生成的，这说明我们已经在用这种”新语言”了，只是可能自己还没意识到。

程序员的角色在变化

那人类程序员还有什么价值？我觉得价值在重新定位。

以前我们是实现者，现在更像是设计师和协调者：

  • 系统架构：复杂系统的整体设计还是需要人来做
  • 业务理解：把现实世界的需求转化成技术方案
  • 质量把控：AI生成的代码总得有人review吧
  • 技术决策：在多个方案中做权衡选择
  • 团队协作：跨部门沟通这些AI暂时还搞不定

微软的数据显示，有经验的开发者用AI工具时生产力提升更大。这说明专业知识和AI能力结合会产生乘数效应——我们不是被AI替代，而是被AI”放大”了。我的实际体感也是如此，作为一个有经验的开发，你的确需要些时间上手AI工具，但是一旦上手，你其实更累了：代码飞速输出，你的大脑需要比之前更快地思考、判断和权衡。

可能的未来：更接近自然语言的”编程”

想象一下，如果这个趋势继续下去会怎样？

也许未来我们真的会有一种”Prompt Language”——它有结构化的语法，但完全用自然语言表达；它有明确的语义，但不需要记住奇怪的符号。

现在的编程教育也在变。CS2023课程标准首次把AI作为核心内容，重点不再是语法记忆，而是：

  • 怎么跟AI有效协作
  • 系统设计和架构思维
  • 问题分析和解决能力
  • 沟通表达和批判思维

说白了，未来的程序员更像建筑师——不用自己搬砖，但得会设计蓝图。

我的一点感想

回头看这70年的编程语言演进，其实就是一个不断抽象化的过程。每次都有人担心新技术会让旧技能过时，但历史告诉我们，新的抽象层次不是替代，而是叠加。

汇编语言到现在还在用，C语言依然重要，只是它们的应用场景更专业了。

现在的AI编程工具也一样。它们不会让传统编程技能过时，反而让这些技能变得更珍贵——因为只有懂底层原理的人，才能有效地指导和审查AI的输出。

我们正站在一个转折点：编程正在从专业技能变成表达思维的方式。当自然语言可以直接转化为代码时，编程的门槛会大幅降低，但对编程思维的要求可能更高。

这不是终点，是新的开始。在这个新时代，最重要的技能不是写代码，而是设计未来。

阅读更多关于 随笔