在北卡羅來納州達勒姆舉行的全AI大會上，來自IBM、meta和Netflix等科技企業(yè)的專家們圍繞人工智能的應(yīng)用展開深入探討。他們普遍認為，盡管AI技術(shù)已具備強大能力，但要真正實現(xiàn)高效利用，仍需開發(fā)者投入大量前期準備，這一過程甚至可能比傳統(tǒng)開發(fā)模式更為復(fù)雜。

Netflix UI架構(gòu)師本·伊萊格博杜在演講中分享了團隊實踐案例。他通過構(gòu)建多個專用AI智能體實現(xiàn)"對抗性代碼審查"：一個智能體負責(zé)生成代碼，另一個智能體評估代碼質(zhì)量，第三個智能體則協(xié)調(diào)兩者工作。這種分工模式使他能夠同時推進多個項目，甚至用AI學(xué)習(xí)Groovy等陌生編程語言。不過他也坦言，頻繁切換智能體任務(wù)導(dǎo)致"精神疲勞"，這種工作方式恰是杰文斯悖論的生動體現(xiàn)——技術(shù)效率提升反而增加了工作總量。

meta開發(fā)者倡導(dǎo)者賈斯汀·杰弗里斯將AI比作"貪婪的實習(xí)生"。與傳統(tǒng)初級程序員不同，AI不會因信息過載而停滯，但會因上下文混亂導(dǎo)致輸出質(zhì)量下降。他提出的解決方案包括：構(gòu)建結(jié)構(gòu)化提示鏈、創(chuàng)建進度追蹤文檔、采用模塊化工作流。據(jù)其觀察，AI通常能完成80%的基礎(chǔ)工作，而人類處理剩余20%時，其中又有80%可再次交給AI，形成持續(xù)優(yōu)化的循環(huán)。

IBM語言技術(shù)總監(jiān)路易斯·拉斯特拉斯強調(diào)"任務(wù)分解"的重要性。他指出，開發(fā)者常陷入"魔法咒語式"提示的誤區(qū)，試圖用模糊指令讓AI理解復(fù)雜需求。正確的做法是將項目拆解為可執(zhí)行的子任務(wù)，并為每個環(huán)節(jié)設(shè)計專用函數(shù)。IBM開源的mellea.ai庫正是為此開發(fā)，其包含的Python函數(shù)可幫助大語言模型識別有害輸出、規(guī)范數(shù)據(jù)格式，甚至實現(xiàn)模型間的動態(tài)切換。實驗數(shù)據(jù)顯示，經(jīng)過優(yōu)化的領(lǐng)域?qū)Ｓ媚Ｐ驮谕评砣蝿?wù)中表現(xiàn)優(yōu)于通用大模型。

Intuit高級工程師賈斯汀·周從工程實踐角度提出"約束優(yōu)于指令"的原則。他舉例說明，當(dāng)要求AI避免使用HTML時，單純指令可能被忽視，而設(shè)置權(quán)限限制則能確保執(zhí)行。這種"防御性編程"思維延伸出更極端的案例：若不授予AI訪問GitHub的權(quán)限，系統(tǒng)將從根本上杜絕相關(guān)操作。這種設(shè)計理念與《銀河系漫游指南》中"42"的哲學(xué)隱喻形成有趣呼應(yīng)——在追求AI完美答案前，人類或許需要先明確定義真正的問題。