当AI渗透生活的每一行代码

作者: KongXH

发表于2026.02.16

更新于2026.02.16

访问量:

AI 个人思考技术分享

从 2023 年高三听闻 ChatGPT，到 2026 年除夕写下这篇博客，三年间 AI 已渗透到对话、PPT 生成、编程辅助、3D 建模与视频创作等诸多领域。本文记录我在这条时间线上的真实体验与思考，也借此祝读到这里的你——除夕快乐。

写于 2026 年 2 月 16 日，除夕。

一、初识 AI 对话：从「一眼 AI」到 Prompt 入门（2023）

2023 年，ChatGPT 横空出世。彼时我还在高三，对「大语言模型」「生成式 AI」这些概念有所耳闻，但真正上手使用，要等到大一入学之后。

同学分享了一个国内代理链接——并非正牌 ChatGPT，而是通过第三方中转访问的接口。第一次输入问题、等待回复时，我多少有些失望：生成的内容模板化、空洞，用现在的话说就是「一眼 AI」。无论是写作文、做总结还是回答问题，都带着那股熟悉的「AI 味」——结构工整、用词稳妥，却缺乏个性与深度。

1. 从模糊到精确：Prompt 的威力

转折发生在我无意中把问题描述得更详细之后。当我明确说明期望的格式、背景、约束条件时，输出的质量明显提升。当时我还不知道「Prompt」这个概念，只是凭直觉发现：说得越清楚，AI 答得越靠谱。

举个简单的对比：

输入方式	示例	输出质量
模糊	「帮我写一段关于环保的作文」	泛泛而谈，套话连篇
精确	「以高中生视角，写 300 字议论文，论点：个人低碳行为能影响社会风气，要求有具体例子、避免空洞口号」	更有针对性，结构清晰

后来开始刷 AI 相关的推文和教程，才逐渐接触到系统的 Prompt 工程技巧：

Few-shot：在提问前给几个输入-输出示例，让模型「照葫芦画瓢」；
Chain-of-Thought（思维链）：要求模型「一步步思考」，往往能提升推理类问题的正确率；
角色设定：如「你是一位有 10 年经验的 Java 架构师」，可约束输出风格和专业度。

这些技巧的本质都是：减少歧义，明确边界。也让我理解了为什么「会提问」比「会打字」更重要。

2. 小结

这段经历让我意识到：AI 对话的效果，很大程度上取决于用户能否把需求表达清楚。工具本身在进化，使用方式也在进化。Prompt 工程不是玄学，而是把人类意图精确传递给模型的桥梁。

二、AI 生成 PPT：从试水到「能用但不够好」（2024）

1. 初次体验：aippt.cn（2024 年初）

大一寒假前夕，我跟着大二的学长学姐参与了国省级科研训练项目。文件里写着「允许学有余力、目标明确的大一学生参与」，我便报了名。寒假过年期间，偶然发现了国产的 AI PPT 工具 aippt.cn。

当时该平台尚未收费，我上传了一份文档试了试。体验下来，问题比较明显：模板数量少、风格单一；内容几乎完全照搬上传文档，缺乏二次加工；排版不可调，版面固定；配图更是无法自动生成。结论是：能用，但离「好用」还有距离。之后一段时间，我便没再关注这类产品。

2. 再次接触：双创比赛与千问（2024 年 11 月）

2024 年 11 月，组队参加双创比赛，选择了教育方向，其中一项功能就是「教学 PPT 生成」。调研时发现，AI PPT 领域已经和千问等大厂深度合作，整体水平提升明显：模板更丰富、内容有了一定程度的提炼与重组、部分支持配图。

后来我常用千问自带的 PPT 生成功能。但用下来，仍有几点难以忽视：

AI 痕迹明显：整体风格、用词习惯仍能看出是机器生成；
配图过于「AI」：插画、示意图常有典型的 AI 绘画特征，与人工设计仍有差距；
排版不均：同一份 PPT 内，有的页面版面过大，有的过小，缺乏统一的设计语言。

3. 演进与适用场景

从 2024 年初到现在的变化大致是：模板从少且单一，到风格多样、可按主题筛选；内容从照搬文档，到支持大纲编辑和二次润色；配图从不支持，到支持但质量参差；排版从固定不可调，到可调但版面一致性仍不足。

适合用 AI PPT 的场景，主要是课程笔记整理、内部讨论初稿、快速验证思路、非正式分享。而答辩汇报、对外路演、需要严格品牌规范的企业展示，这类场景下人工精修或从头设计仍是主流。

💡 小结：AI 生成 PPT 已经能显著降低从零到一的成本，但在「精美」「专业」「定制化」层面，尚无法完全替代人工。适合快速出初稿，不适合直接用于正式汇报或对外展示。

三、AI 编程辅助：通义灵码、Cursor 与程序员的不可替代性

1. 接触历程

大一下学期学 Java 时，舍友推荐了通义灵码——阿里云提供的智能编码辅助插件。我和另一位舍友起初不以为然：高级编辑器不都有代码补全吗？不就是提醒用户接下来可能写什么？

试用之后才发现，完全不是一回事。通义灵码会感知当前上下文——包括光标位置、已有代码、注释内容——然后生成一整行甚至多行代码。更令人印象深刻的是：你只需写一句注释，它就能帮你补全实现。例如：

1	// 根据用户ID查询订单列表，按创建时间倒序，最多返回10条

光标放在注释下方，通义灵码会生成对应的 Service 调用、Mapper 方法甚至 SQL 片段。这种「理解意图再生成」的能力，和传统的关键字补全有本质区别。

2024 年底做《智教未来——基于多模态知识库的 AI 教师备课辅助平台》时，一位队友提到了 Cursor 的交互体验。那是我第一次听说 Cursor。真正上手是在 2025 年 3 月，之后便一发不可收拾。Cursor 的优势在于：对话式编程——你可以用自然语言描述需求，AI 会直接修改文件、执行命令、解释变更；配合 @ 引用代码库、文档、网页，上下文更完整。如今实验室里认识的硕士、博士，几乎都在用 Cursor 或 Claude 做开发。

即便如此，我的判断依然是：截至 2026 年 2 月，AI 编程仍无法替代程序员。下面分点说明。

2. 程序员的真正核心价值：业务理解，而非「写代码」

程序员的真正核心价值，不是「写代码」，而是把模糊的业务需求转化为精确的技术逻辑。

客户说「我要个用户体验好的系统」——什么叫好？在哪些场景下好？响应速度、界面美观、操作路径，各自的权重是多少？当这些目标冲突时，trade-off（权衡）怎么选？这些涉及业务理解、用户洞察、商业判断的决策，AI 无法独立完成。

AI 可以生成实现某个功能的代码，但无法理解「为什么要做这个功能」「在什么前提下做」「做到什么程度算够」。这些恰恰是程序员的核心工作。

维度	程序员	AI
需求澄清	能与客户沟通、追问、权衡	只能按给定描述理解，无法主动澄清
业务理解	理解行业背景、用户习惯、商业目标	缺乏真实世界经验，易产生「合理但错误」的假设
架构设计	考虑扩展性、维护成本、团队协作	倾向局部最优，难以把握全局
代码实现	可借助 AI 加速	擅长，但需人工复核

3. 复杂场景下仍需人工审核，项目规模是硬约束

当项目代码量上去之后，AI 会明显吃力。主流大模型的上下文窗口虽有 128K、200K 甚至更长，但一次性注入 10 万行代码既不现实（token 消耗巨大），也难以让模型真正「理解」模块间的依赖和约定。即便分块注入，模型也难以像人类那样在脑海中维护一张完整的架构图。

在《启材致学》项目中，代码量超过 10 万行，涉及多模块、多服务、前后端分离。此时让 AI 做重构、做架构级修改，往往会出现「只见树木不见森林」的情况：局部修改看起来合理，但和整体设计、其他模块的约定产生冲突。例如 AI 可能在某处引入新的依赖，却不知道另一模块已有同功能的封装；或修改了接口签名，却无法全局搜索所有调用点。复杂场景下，人工审核和修正不可或缺。

4. AI 生成代码在并发场景下的典型问题

AI 生成的代码在简单场景下往往可用，但一旦涉及线程、并发、同步，就容易暴露出问题。下面举三个典型例子。

示例 1：竞态条件（Race Condition）

多线程并发访问共享变量时，若未正确同步，会产生数据竞争，导致结果不可预测。AI 可能生成如下「看似正确」的计数器：

public class Counter {
    private int count = 0;

    public void increment() {
        count++;  // 非原子操作！
    }

    public int get() {
        return count;
    }
}

count++ 在 JVM 中实际是「读-改-写」三步：读取当前值、加一、写回。当多个线程同时执行 increment() 时，可能出现两个线程读到相同的值，各自加一后写回，导致本应增加 2 的结果只增加了 1。在高并发下，最终计数会明显小于实际调用次数。

正确写法应使用原子类或同步机制：

import java.util.concurrent.atomic.AtomicInteger;

public class Counter {
    private final AtomicInteger count = new AtomicInteger(0);

    public void increment() {
        count.incrementAndGet();
    }

    public int get() {
        return count.get();
    }
}

示例 2：死锁（Deadlock）

AI 在生成多锁代码时，容易忽略锁的获取顺序，从而引入死锁风险。例如转账场景：账户 A 向账户 B 转账，同时账户 B 向账户 A 转账，若各自先锁自己的账户再锁对方账户，就可能死锁：

// 错误示例：两线程以不同顺序获取锁
void transfer(Account from, Account to, int amount) {
    synchronized (from) {   // 线程1 先锁 A，线程2 先锁 B
        Thread.sleep(1);    // 模拟 IO，增加死锁概率
        synchronized (to) {
            from.withdraw(amount);
            to.deposit(amount);
        }
    }
}

若线程 1 执行 transfer(A, B, 100)、线程 2 执行 transfer(B, A, 50)，可能发生：线程 1 持有 A 等待 B，线程 2 持有 B 等待 A，双方永久阻塞。

正确做法：统一锁的获取顺序（如按账户 ID 排序后依次加锁），或使用 ReentrantLock.tryLock(timeout) 配合重试逻辑。

示例 3：锁粒度过大与漏保护

AI 还容易在锁粒度上犯错：

粒度过大：对整个类或大段逻辑加 synchronized，导致本可并行的操作串行化，性能急剧下降；
漏保护：只锁了写操作，忘记读操作也需要同步（如未使用 volatile 或同步块，可能读到未刷新的缓存值）。

这类问题在单线程或低并发下不易暴露，一旦上线高并发，就会偶发诡异 bug。AI 生成的代码往往「能跑」，但缺乏对并发语义的深入考虑，需要人工审查。

5. 文件组织与可读性：AI 不会主动分文件

AI 倾向于把所有逻辑堆在同一个文件中，随着功能增加，单文件很快突破一两千行，可读性和可维护性急剧下降。它不会主动考虑：

按功能模块拆分文件；
抽离公共组件或工具函数；
遵循项目的目录约定（如 Vue 的 views / components 分离）。

在人机交互课设 Health-Assistant 中，前端由一位完全不懂路由、接口、界面呈现的队友用 AI 完成。结果很典型：

单文件过大：一个页面组件动辄上千行，组件、逻辑、样式混在一起；
职责不清：API 调用、状态管理、UI 渲染全塞在同一文件，难以定位问题；
协作困难：其他人接手时，需要先「读懂」一整块巨石代码，才能做小改动。

AI 能「跑起来」，但难以「维护下去」。这恰恰说明：代码组织是设计决策，需要人对项目结构的理解，而非机械地堆砌功能。

6. 程序员需要懂技术，并与 AI 协作

我认为程序员需要具备扎实的编程基础，在此基础上与 AI 协作。那些能够驾驭 AI 工具、把精力集中在架构设计、需求澄清、性能优化等高价值工作上的程序员，反而会因为 AI 的赋能而变得更有价值。

反之，若完全不懂技术、仅靠 AI 生成代码，很难判断输出是否正确、是否安全、是否可维护。工具是放大器，不是替代品。

四、AI 生成 3D 与视频：浅尝与期待

1. Aiuni AI：3D 与 ACG 的探索

在 AI 生成 3D 模型和 ACG 视频方面，我使用过北大创业团队的产品 Aiuni AI。其发展较快，从早期的 3D 模型生成、ACG 风格视频，到目前业务已拓展到更多领域，迭代速度令人印象深刻。

这类工具的核心价值在于：降低创作门槛。过去需要学习 Blender、Maya 或专业视频软件才能完成的初稿，现在用文字描述或参考图就能快速出效果，适合概念验证和创意发散。

2. Seedance 2.0 与影视飓风的观察

视频生成方面，即梦 AI 推出的 Seedance 2.0 近期热度很高。我看了高中就关注的 UP 主影视飓风的相关视频（《改变视频行业的AI，快来了(但有点恐怖)》BV1A3cczZEf6），对 AI 视频的进步有了更直观的感受。

视频中提到的几点让我印象深刻：生成质量已接近可用、传统影视流程面临冲击、但同时也存在「恐怖」的一面——即 AI 可能重塑整个行业生态。这种既兴奋又警惕的态度，和我在其他 AI 领域的体验是一致的：工具越强，越需要人明确边界和底线。

3. 个人定位与小结

我的研究重心主要在 LLM 与 RAG 方向，对 AI 视频和 3D 建模的使用并不多，因此不做深入评价。优点显而易见：可以大幅降低从零创作的工作量，适合快速原型和创意探索。但若要说全权交给 AI 完成专业级作品，目前仍不现实。期待后续模型在一致性、可控性、版权合规等方面的进一步突破。

结语

从 2023 到 2026，AI 在对话、PPT、编程、3D、视频等领域都展现出强大的辅助能力，也暴露出各自的局限。对话方面，Prompt 工程成熟了，输出质量更可控，但仍依赖用户表达，且易产生幻觉；PPT 的模板与内容生成大幅提升，配图、排版、定制化仍不足；编程的补全、生成、解释能力显著，业务理解、并发、架构、可维护性仍需人工把关；3D 和视频门槛降低了，创意探索更便捷，专业级作品却仍需人工主导。

我的态度可以概括为：AI 是助力，不是替代。善用工具、保持学习、在关键决策上保留人的判断，或许是这个阶段最稳妥的姿势。那些能够驾驭 AI、把精力集中在高价值工作的人，会因工具赋能而更有价值；反之，若完全依赖 AI 而不懂底层逻辑，则难以应对复杂场景和边界情况。

期待之后 AI 的进一步发展。也再次祝读到这里的你——除夕快乐。

AI 个人思考技术分享