目前模型在代码里面的感觉只能 0-1 是比较 ok 的;

如果你的 100 也能被详细描述成 1 ，那绝对也能 ok 。one shot 的能力不仅仅只能做到 0 到 1 。
但确实想要把一个 1 做到 100 肯定很难了

是这样的。ai 应用还在早期，还是需要开发建设大量的基础设施，才能真正的实现工程化落地。

需要用小步迭代的方法。

从 2-100,那我有什么用呢??? 专家有用吗

国内模型的参数还是太小 ，有四五万亿的参数的时候，可能后面的性能就好些了，国产模型只懂写代码，问一些编码之外的问题，只能瞎扯，之前搞一个 linux 系统的 boot 分区错误，deepseek 完全是瞎扯，还是 gpt 知道的多。国产模型只盯着考题训练

本质原因是“AI 并不会降低软件架构的复杂度”。

0-1 的时候不考虑架构、边界等，1-100 的时候自然已经不适用了。

其实不算是 AI 的问题，而是软件工程自然迭代就是需要更高维度的架构设计。

个人感觉从 0-1 的时候就考虑清楚未来可能的扩展方向，做到 1-10 是没有什么问题的。

0-1 人不参与也很辣鸡啊

使用 ai 是站在一个丢掉脑子的状态去使用的
如果你在跟 ai 去描述一个业务场景,用抽象的方式去描述

比如:
方法一:根据 x1 业务需求去实现一个 x1 业务逻辑

迭代一:这是最新的需求,让其支持 x2 业务功能

另外一个场景是
方法二:根据 x1 业务需求去设计一个 y1 的逻辑,这个 y1 的逻辑需要能支持 x1 的业务功能,并且让这个 y1 的逻辑脱离 x1 的业务
方法二:这是最新的需求,让其支持 y2 的业务逻辑

很明显后面这种抽象的

他在接收第二次指令的时候,回顾之前的代码,识别到两个分支
方式一:支持 x2 则可能破坏原有逻辑 (又要经历一次 0-1
方法二:支持 y2 业务逻辑是自然的扩展 (往 1-100 进发

这玩意是个工具，效果看使用的人，比如我们公司
有人写出了好的框架推广全公司用大家都说好

有的人写出来的代码很多文件单个文件上万行，逻辑混乱，公司给的 500 美元每月的额度一星期用完，然后自己看不懂代码，直接生产力接近 0………

你们还能到 100 啊，真厉害，大多数项目到 2 就黄了。

@ptstone 应试教育，分数比较重要。软实力这一块，投入产出不成比例

我近一个月实践下来，大模型其实能力是够了，上下文也不是问题，对于大型软件项目，瓶颈在上层应用设计，需要有一个决策，让公司所有人都用上 ai ，需要有一个工具，在人和 ai 不断对话过程中，自动记录经验、试错过程，ai 能完成的 90%工作，那不是重要的，对于剩下 10%难啃的骨头，遇到的奇奇怪怪的问题，人会发现很多代码和文档不能提现的“隐性”逻辑，把这些落到“外置记忆”中，才是提升最大的，但现在记忆系统的设计，还是五花八门，没有一个大家都认可的基准测试，都在摸索

工程化的问题，还是要靠工程化去解决。 我这边搞了 10+agent 、skills ，token 消耗的不要不要的。国产模型算是能勉强 1 ～ 10

代码足够规范，大模型写代码还是挺快的，如果乱七八槽，大模型其实和人一样，觉得难维护，开始乱写

可以 1-100 ，但是需要超级庞大的上下文了