AI 编程范式 - 技术栈

0. 概述

AI 编程范式，指的是人与 AI 在协作编写代码过程中，所形成的不同工作模式与分工方式。

从最初的"人写代码、AI 补全"，到如今的"AI 自主规划、执行、交付"，这些范式随着 AI 能力的增强持续演进。

目前主流的 AI 编程范式可以分为以下五个层级，从"人类主导"逐渐过渡到"AI 主导"：
人类主导
完全手动
AI 辅助
人类监督
AI 主导
传统编程
副驾驶模式
配对编程模式
规范驱动模式
智能体模式
自治模式

辅助模式 (Assisted Mode) AI 作为"智能副驾驶"。

这是目前最普及、最成熟的范式。AI 在开发者编写代码的过程中，提供实时的、上下文感知的辅助，但最终决策权和执行权仍在开发者手中。

核心工具：GitHub Copilot、Cursor Tab、Codeium、Supermaven
核心能力 ：
- 代码补全：根据注释或函数名预测并生成多行代码。
- 自然语言转代码：通过自然语言描述直接生成代码块。
- 即时问答：选中代码片段，向 AI 提问"这段代码是什么意思？"或"有什么潜在 Bug？"。
- 代码解释/重构：AI 提供代码优化建议或直接重构。
代表工作流 ：Vibe Coding（氛围编程）。开发者沉浸在流畅的 AI 建议流中，以极高速度推进代码编写。
优缺点 ：
- ✅ 优点：极大提升编码速度和探索效率，降低对语法和 API 的记忆负担。
- ❌ 缺点：开发者可能过度依赖 AI，对生成的代码缺乏深层理解，容易引入不易察觉的 Bug。

对话/配对模式 (Conversational/Pairing Mode) AI 作为"结对程序员"。

开发者与 AI 通过自然语言进行双向对话，共同完成任务。AI 不仅能生成代码，还能理解更复杂的上下文，解释逻辑，甚至质疑需求。

核心工具：ChatGPT (Code Interpreter)、Claude、DeepSeek Chat
核心能力 ：
- 多轮对话：通过连续对话澄清需求、调整方案。
- 代码审查：AI 主动指出代码中的潜在问题。
- 方案探讨：针对一个需求，AI 提供多种实现方案并解释利弊。
- 自动生成文档/测试：根据代码逻辑生成单元测试和注释。
代表工作流 ：Plan Coder（规划编程）。AI 不直接写代码，而是先出方案，通过"反问"来澄清需求边界，达成共识后才进入编码阶段。
优缺点 ：
- ✅ 优点：需求更清晰，生成的代码质量更高，且开发者对代码有更深的理解。
- ❌ 缺点：对话过程可能冗长，效率比纯辅助模式低。

规范驱动模式 (Spec-Driven Mode) AI 作为"蓝图执行者"。

强调 "先规范，后代码" 的工程化流程。开发者与 AI 协作，先形成一份人和机器都能精确理解的结构化规范（Spec），AI 再严格按照规范生成代码。

核心工具 ：fission-ai/openspec、GitHub Spec Kit、AWS Kiro
核心能力 ：
- 规范即代码：用 Markdown 或其他结构化格式编写的规范文档，直接成为开发流程的一部分。
- 规范生成：AI 根据用户需求，自动生成包含背景、技术设计、任务拆解的提案文件夹。
- 规范对齐：开发者和 AI 在规范层面反复审查、修改，确保共识明确后再进入代码实现。
- 可审查、可追溯：所有决策都固化在规范文档中，代码变更与规范强关联。
代表工作流 ：OpenSpec。大大提升了 AI 生成代码的可预测性和稳定性，尤其适合复杂项目或多人协作。
优缺点 ：
- ✅ 优点：产出质量高，可维护性强，减少因需求模糊导致的返工。
- ❌ 缺点：前期规范编写成本较高，对开发者的抽象能力要求也更高。

智能体模式 (Agentic Mode) AI 作为"自主实习生"。

AI 智能体被赋予一个高阶任务 （如"修复 issue #123"或"重构模块"），它会自主规划、分解子任务、调用工具（如终端、浏览器、文件系统）、执行代码、运行测试，并最终交付成果，人类则作为监督者和审核者。

核心工具：Devin、OpenClaw、OpenAI Codex (Agent Mode)、Claude Code
核心能力 ：
- 自主规划：将模糊的目标拆解为可执行的步骤。
- 工具调用：读写文件、执行 Shell 命令、操作 Git、控制浏览器。
- 迭代调试：根据测试结果和错误信息，自主调整代码进行修复。
- 端到端交付：从理解需求到提交 PR，完成任务闭环。
代表工作流 ：Delegate and Review（委派与审核）。开发者将任务"扔给"AI，AI 独立完成后，人再进行审查。
优缺点 ：
- ✅ 优点：极大地解放人力，能并行推进多个任务。
- ❌ 缺点：自主性越高，失控风险越大，需要较强的监督和安全机制，且容易产生较高的 Token 消耗。

自治/自进化模式 (Autonomous/Evolving Mode) AI 作为"独立工程师"。

这是目前 AI 编程的最前沿范式。AI 不仅自主执行任务，还能从过去的任务中自动总结经验，沉淀为可复用的"技能"或"知识"，从而实现持续进化和越用越聪明。

核心工具：Hermes Agent、Superpowers
核心能力 ：
- 持久记忆：跨会话保存项目约定、用户偏好、踩坑记录。
- 技能沉淀：完成任务后，自动将成功的解决路径固化成可复用的技能（Skill）。
- 学习闭环：执行、反思、沉淀、复用，形成一个不断优化的正向循环。
- 上下文压缩：通过记忆机制，精准传递关键信息，避免因对话过长导致的上下文"腐烂"。
代表工作流 ：Teach and Mentor（教导与传承）。开发者像带徒弟一样引导 AI，AI 则从交互中自主学习并固化经验。
优缺点 ：
- ✅ 优点：越用越懂你，Token 消耗越用越省，能处理极度复杂的长期项目。
- ❌ 缺点：技术尚不成熟，技能质量依赖模型判断，存在"数据投毒"等安全风险。

范式	核心 AI 角色	人机协作方式	代表工具	适用场景
1. 辅助模式	副驾驶	AI 辅助，人写代码	Copilot, Cursor Tab	日常编码、快速原型
2. 配对模式	结对程序员	双向对话，共同完成	ChatGPT, Claude	需求探讨、代码审查
3. 规范驱动	蓝图执行者	先定规范，再写代码	OpenSpec	复杂项目、多人协作
4. 智能体模式	自主实习生	委派任务，人审结果	Devin, OpenClaw	端到端任务、自动化
5. 自治模式	独立工程师	教学指导，AI 自进化	Hermes, Superpowers	长期项目、个性化智能体

这五种范式并非互斥或线性替代关系，而是可以混合使用的：

选择哪种范式，取决于你的任务复杂度、对代码质量的要求、团队的协作模式，以及对 AI 能力的信任程度。