新时代的编程
Posted on :: Artificial Intelligence

大人，时代变了。

编程语言其主要作用就是连接人与机器沟通的桥梁。而随着 AI 极速发展，写代码的方式也在随着技术的发展更新。

抽象的阶梯

回望历史，编程范式一直在攀登抽象的阶梯。从最初直接操作硬件开关，到穿孔卡片，到汇编语言，再到高级语言——每一次跃迁都让程序员离机器更远一步，离问题域更近一步。

AI 辅助编程不是终点，而是这漫长阶梯上的又一级台阶。

当我们用 Claude Code 这样的工具时，实际上是在用自然语言描述意图，让 AI 负责将其翻译成机器能理解的指令。这与当年用 C 语言替代手写汇编，何其相似。本质都是：把低层次的细节交给工具，把高层次的设计留给自己。

新的工作流

过去写代码，我们是建筑师，也是搬砖工。现在，我们更像是指挥家。

不需要再为每一个语法细节劳神，不需要在 Stack Overflow 上翻找半天只为了一个正则表达式。描述你想要什么，AI 帮你实现。描述出现了什么问题，AI 帮你调试。

但这并不意味着可以停止思考。

恰恰相反，新范式对程序员的要求更高了。你需要：

  • 更清晰的思维：只有想得清楚，才能说得清楚。AI 无法理解模糊的意图。
  • 更强的判断力：AI 给出的方案需要你来评估、选择、改进。
  • 更广的知识面：知道什么是可能的，才能提出正确的问题。
  • 更深的领域理解：业务逻辑、架构设计、权衡取舍——这些 AI 暂时还无法替代。

人机协作的艺术

Claude Code 最好的使用方式，不是当作一个外包工，而是当作一个博学但不熟悉项目的同事。

给它足够的上下文，它会给出惊艳的回答。问它模糊的问题，它会给出平庸的回答。

一个有趣的发现：用 AI 写代码时，提问的质量决定了回答的质量。这恰恰印证了一个古老的道理——提出好问题，比回答问题更重要。

学会提问，成了新时代程序员的核心技能。

保持审慎

然而，不要盲目信任。

AI 会自信地给出错误的答案。它会编造不存在的 API，会用过时的库函数，会忽略边界情况。代码审查的重要性非但没有降低，反而更高了。

每一行 AI 生成的代码，都应该经过你的审视。你可以让 AI 帮你写，但不能让 AI 帮你负责。

配置与上下文

Claude Code 会在本地存储一份配置文件，记录着会话历史、项目信息、使用统计等数据。这是一份真实配置的脱敏版本：

{
  "numStartups": 20,
  "installMethod": "native",
  "autoUpdates": false,
  "hasCompletedOnboarding": true,
  "lastReleaseNotesSeen": "2.1.63",
  "projects": {
    "/xxx/xxx/candy": {
      "allowedTools": [],
      "mcpServers": {},
      "hasTrustDialogAccepted": true,
      "lastCost": 0.35,
      "lastTotalInputTokens": 59456,
      "lastTotalOutputTokens": 604,
      "lastModelUsage": {
        "ark-code-latest": {
          "inputTokens": 59456,
          "outputTokens": 604,
          "costUSD": 0.35
        }
      },
      "exampleFiles": [
        "serve.rs",
        "mod.rs",
        "config.rs",
        "main.rs",
        "service.rs"
      ]
    },
    "/xxx/.config/nvim": {
      "allowedTools": [],
      "mcpServers": {},
      "exampleFiles": [
        "autocmds.lua",
        "keymaps.lua",
        "options.lua"
      ],
      "lastCost": 0.63,
      "lastTotalInputTokens": 189218,
      "lastTotalOutputTokens": 3034
    },
    "/xxx/xxx/blog": {
      "allowedTools": [],
      "mcpServers": {},
      "exampleFiles": [
        "zola.toml",
        "_index.md",
        "configuration.md"
      ],
      "lastCost": 0.82,
      "lastLinesAdded": 86,
      "lastLinesRemoved": 72
    }
  },
  "firstStartTime": "2026-02-26T02:22:07.970Z",
  "githubRepoPaths": {
    "xxx/candy": ["/xxx/xxx/candy"],
    "xxx/nvim": ["/xxx/.config/nvim"],
    "xxx/blog": ["/xxx/xxx/blog"]
  },
  "userID": "xxx",
  "mcpServers": {
    "fetch": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "https://xxx/xxx"]
    }
  },
  "toolUsage": {
    "mcp__fetch__fetch": {
      "usageCount": 1
    },
    "Bash": {
      "usageCount": 8
    }
  }
}

这份配置文件揭示了 AI 辅助编程工具的几个关键特点：

项目感知。工具会为每个项目记录独立的上下文——示例文件、会话历史、Token 消耗。这意味着它能在不同项目间切换时保持记忆，而不需要每次重新理解代码库。

成本透明。每次对话的成本、Token 数量都有精确记录。这让开发者能够理性评估 AI 辅助的投入产出比。当一次会话花费 0.35 美元时，你会思考：这些 Token 换来了什么？

工具追踪。toolUsage 记录了 Bash 命令和 MCP（Model Context Protocol）服务的调用次数。这不仅仅是统计，更是一种审计——AI 在你的系统上执行了什么操作，一目了然。

MCP 扩展。通过 mcpServers 配置，工具可以接入外部服务。fetch 服务让 AI 能够访问网络资源，而理论上，任何提供 MCP 接口的服务都可以被接入。这是一个开放生态的雏形。

记忆与遗忘

有意思的是，这份配置也暗示了 AI 工具的局限性。

exampleFiles 字段显示，工具会缓存项目中的代表性文件名。这是一种启发式学习——它试图通过文件名来推断项目结构。但这也意味着，当项目结构发生重大变化时，这些缓存的"记忆"可能变得过时。

会话 ID、Token 统计、性能指标——这些数据对用户大多不可见，却在幕后影响着体验。比如缓存读取的 Token 数量（cacheReadInputTokens）直接影响响应速度和成本。聪明的开发者会意识到，保持会话的连续性比频繁开启新会话更高效。

但这里有一个悖论：记忆越久，负担越重。过长的上下文不仅增加成本，还可能引入噪声。知道何时"遗忘"，和知道何时"记住"一样重要。

作为数字同事

把这份配置和前面的讨论结合起来，一个图景浮现出来：AI 编程工具正在演变成某种"数字同事"。

它记得你之前的对话（通过会话 ID 和历史记录）。它了解你的项目（通过 exampleFiles 和项目配置）。它知道你的偏好（通过 allowedTools 和信任设置）。它甚至有自己的"工具箱"（通过 MCP 服务扩展）。

这种演进带来的改变是深远的。过去，开发者需要在文档、搜索引擎、IDE 之间来回切换。现在，这些边界正在模糊。你不再是在"查找资料"，而是在"与工具对话"。

但请记住：这位数字同事不是魔法。它的知识有边界，它的判断可能出错，它的建议需要验证。配置文件中的每一项设置——从信任对话框的接受状态到工具权限——都在提醒我们：这是协作，不是委托。

写在后面

也许几年后，回看这篇文章会觉得过时。就像我们现在看当年的穿孔卡片编程。

但有些东西不会变：对清晰思维的追求、对代码质量的执着、对问题本质的洞察。工具在变，工匠之心不变。

那个 JSON 配置文件，某种意义上是一面镜子。它映照出的不仅是 AI 的状态，更是使用者的痕迹——访问过的项目、运行过的命令、花费过的成本。这是人机协作的证明，也是新时代程序员日常的写照。

时代变了。而我们，正在书写这个时代。

Table of Contents