最新

最近，我的雇主一直在大力推动在工程团队中采用大型语言模型（LLM），期望能够提高生产力。工程团队也随之而动，因此我收到了很多明显是由人工智能生成的拉取请求（PR）。这些请求的差异有时达到100行，而实际上可能只需要10行，遗漏了错误案例，违反了约定。这不仅仅是初级工程师的情况，现在常常也出现在其他高级工程师身上。 在我们的激励结构下，似乎没有好的方法来防止质量的下降。我很难量化“粗糙代码”为什么是坏事，但我的直觉是： 1. 代码库对人类工程师变得难以阅读。 2. 代码库中更多的糟糕示例会为未来的LLM变更创造一个负反馈循环。也许这已经成为新常态，但—— 3. 一旦有足够的糟糕代码进入，未来的事件/严重故障（SEVs）将变得越来越难以解决。 （3）似乎是唯一一个对业务有实际影响的原因。即使真的发生了，我也不知道是否能将响应缓慢/收入损失与AI生成的糟糕代码联系起来。 我看到其他帖子对“随意编码”的弊端表示遗憾，但在LLM时代，有没有具体的方法来证明代码质量的重要性？我认为，跟踪一些代码质量指标，比如圈复杂度，可能会有助于观察与回归之间的相关性，但这似乎有些薄弱（而且是事后诸葛）。