軟體開發領域有一句俗話,那就是「只要程式還能動,那就別去修改它」,這多少反映出,人類對於自己寫出來的程式碼,有時並沒有理解得如此透徹。
隨著 AI 輔助程式開發時代到來,AI 代理所寫出來的程式碼,似乎也因為這條規矩,進而使人類開發者承受了更大的負擔。
當 AI 徹底改變開發工作流程
時至今日,許多軟體工程師已經非常習慣,親手訂下開發目標後,就將程式碼撰寫工作,全權交給 AI 處理。同時,人類經常討論 AI 能夠生成多少程式碼、可以多快修復錯誤,以及有辦法自動化多少事情,可是當一項專案需要「更少程式碼」,而非「更多程式碼」的時候,究竟又會發生什麼事?
軟體工程師兼科技領域作家 Yash Patel 就指出,在大多數 AI 輔助程式開發情境下,AI 有能力將明確指示,轉化成可直接運作的程式碼。人工智慧有辦法新增功能、修正驗證問題,甚至是導入新設定,而 AI 代理通常也會朝著一個明確的目標進行努力。
當 AI 輸出成果,人類工程師就會介入檢查,確定各種功能是否可以如預期般正常運作,並以此決定任務是否已經完成;即使第一次嘗試並不完美,人類也能要求 AI 代理持續修改,直到自己滿意為止。
前述工作流程正是當代軟體開發者使用 AI 工具的方式。
Yash Patel 說,大多數涉及建立新功能,或者變更現有行為的任務,人類早已學會自然而然交給 AI 處理,卻導致我們變得很少思考,究竟程式碼中哪些部分可以保持不變,甚至是向 AI 要求實作更加簡潔的解決方案。
AI 邏輯不固定,程式碼難以掌握
簡單來說,人類開發者在 AI 輔助下,僅僅只會以功能是否已經實現,來衡量開發任務是否成功,但是當 AI 代理隨時間推移,不斷處理程式的多項變更時,程式碼庫也將開始變得令人類難以掌握。
Yash Patel 舉例,一個最初僅由簡單元件構成的功能,在開發者要求與 AI 處理之下,最終可能牽涉到多個檔案、函式,並引入額外的層級來串聯所有元件,每項變更單獨來看或許合理,但整體結構卻可能變得比以往複雜。
Yash Patel 以自身經驗直言,承擔起開發工作的 AI,可能不會遵循一套固定的工作模式或權衡基準,而是採用略有不同的方法來解決當下的問題。
比方說,當開發者要求 AI 解決相似但有些不同的 A1 與 A2 問題時,AI 代理可能會在 A1 問題採用 A 方法,而處理 A2 需求採用 B 方法,導致人類開發者事後檢查程式碼時,必須面對多種不同的處理邏輯,去理解各項元件之間如何銜接,進而花費更多心力。
程式碼缺乏可讀性,刪除更花心力
更加棘手之處,在於 AI 所做的新增與改變,未必會在當下立刻引發問題。
由於人工智慧是以完成目標為導向,所以大多數情況下,修改後的應用程式仍然可以正常運作,同時新功能也可以完美呈現;直到開發者需要回頭重新檢視專案中較舊的部分時,才可能察覺到 AI 撰寫的程式碼,早已變得雜亂無章,缺乏可讀性導致令人難以理解。
Yash Patel 解釋,唯有到了這個階段,開發者才會發現程式碼越多,並不一定代表軟體越好;即使每個函式都能如預期運作,多餘的程式碼仍會增加人類必要的理解、測試與維護工作量。
當人類開發者必須顧及實際上毫無用途,卻仍包含在軟體之中的程式碼時,想要大膽對其做出再微小的變更,經常都會變得出乎意料困難。畢竟開發者會擔心,自己的變更會如何影響未來;每增加一個函式、條件或依賴關係,在修改專案時就得多一層考慮。
最終,原本應該很簡單的變更,由於 AI 撰寫出來的程式碼缺少可讀性,就會導致人類開發者需要檢查好幾處相關部分,確保不會造成任何功能失效。
Yash Patel 說,由此可見讓 AI 代理撰寫程式碼所衍生出來的問題,始終不是成品寫得好不好,而是在於某一段程式碼,其實打從一開始就不應該存在。
維護變得更費時,人類要適當介入
Yash Patel 強調,前述情況正是 AI 輔助程式開發,可能成為人類開發者長期負擔之處。雖然開發者可以借助 AI 代理迅速獲得可執行的結果,但在實作過程中節省的時間,未必能轉化為日後維護程式碼的時間節省。
Yash Patel 認為,與其維護一個塞滿功能、運作完美,可是卻幾乎沒有附加價值或可讀性的程式碼,自己寧願維護規模較小,但結構更簡單的程式碼庫。
另一方面,Yash Patel 也發現刪除 AI 生成程式碼所需要的判斷力,其實比許多人預期還要多。
當開發者要求 AI 代理刪除某些內容時,AI 首先必須理解該程式碼在整個專案中的使用方式,而不僅僅是判斷它是否看似多餘;某個函式可能沒有明顯的引用,但仍可能被動態呼叫,或是被外部整合工具所使用,因此若未經檢查就直接刪除,就可能會引入難以察覺的錯誤。
前述情況正是人類開發者應該介入的時機。Yash Patel 建議,開發者可以要求 AI 代理識別未使用的函式、檢視依賴關係,或者建議應該刪除哪些內容,但是不要因為 AI 對調整理由充滿絕對的自信,就盲目批准每項刪除操作;開發者應該徹底理解變更背後的原因,並親自確認改動是否會影響其他部分。
Yash Patel 以自身的處理方式為例,他首先會讓 AI 協助進行調查,然後在接受建議的變更之前,進一步審查相關改動並執行測試。雖然 Yash Patel 也希望 AI 代理在「主動刪除程式碼」方面的能力可以變得更出色,但就目前而言,最終判斷仍需要由人類決定。
AI 仍不夠聰明,懂得捨棄更重要
Yash Patel 提醒,AI 改變了人類開發軟體的方式,但編寫程式碼的速度,從不應該是衡量 AI 代理是否進步的唯一指標。
所謂優質的程式碼庫,其定義不只在於它能夠做什麼,更在於人類能否輕鬆理解並維護它;隨著 AI 工具日益精進,人工智慧或許有一天能更加審慎思考自己所創造的內容,以及創造過程中所留下的痕跡。
Yash Patel 說,至少在那天到來之前,他將會不斷提醒自己,有時候最好的改進並不是增加新功能,而是從一開始就知道,過程中應該捨棄哪些東西。
【推薦閱讀】
◆ Anthropic 主管停考程式面試、Snowflake 新聘七至八成是初階工程師:AI 時代新人反而更搶手?
◆ 如何建構能擴展成代理的 AI 技能:先做可獨立測試的專項能力,再交給協調層串接
◆ 美國資安職缺年減 8.4 萬筆,AI 資安工程師卻逆勢增 268%,人才需求如何轉變?
*本文開放合作夥伴轉載,參考資料:XDA Developers、Aikido Security,首圖來源:Nano Banana 2
(責任編輯:鄒家彥)



