LLM辅助编程的短期效率红利与长期技术债陷阱

1. 当理想照进现实 LLM辅助编程的短期效率红利与长期技术债陷阱茹炳晟复旦大学 CodeWisdom团队首席技术专家腾讯研究院特约研究员

2. 茹炳晟复旦大学 CodeWisdom团队首席技术专家腾讯研究院特约研究员腾讯云架构师技术同盟入会发展主席中国计算机学会CCF 技术前线委员会TF 研发效能主席中国通信标准化协会TC608云计算标准和开源推进委员会云上软件工程工作组副组长

3. 目录 CONTENTS n 风口浪尖的LLM辅助编程 n 理想中 VS 现实中的LLM辅助编程 n 为什么理想与现实之间的差距如此巨大 n LLM在代码生成领域的局限性 n 资深工程师和初级工程师使用LLM辅助编程的差异 n Vibe Coding的虚假繁荣与正确打开方式 n LLM辅助代码级测试用例生成的一些洞察

4. LLM辅助编程在C端的渗透率以47%排名第二数据来源：腾讯研究院《AICoding非共识报告》

5.

6.

7. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ https://arxiv.org/abs/2507.09089

8. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity 尽管在体感上工程师觉得他们提效了24%，但是实际生产力反而下降了19% https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ https://arxiv.org/abs/2507.09089

9. n 工作没有消失，只是转移到了别的地方。 n 别的地方对人提出了新的要求。

10. 浮躁的大环境

11. 谈及LLM编程介入的深度，必须区分待开发软件的类型，否则就是耍流氓

12. • 暗知识：代码的迭代更新依赖对历史上下文的理解，而LLM缺乏长期记忆和上下文连贯性 Ø • 修改遗留系统时，人类工程师更能识别技术债务和潜在风险。暗实现：除了做了该做，有没有做了不该做的 Ø 需求以外的额外操作是否是安全的？ •代码大模型训练的数据静态性：LLM本身训练过程的局限性 •当需求变更时，LLM倾向于重新生成代码而非增量修改，可能导致逻辑冲突或技术债务累积 •一致性恶化：代码一致性的恶化 •直接通过业务需求生成代码具有太高的不确定性，应该遵循“需求-设计-代码” •无效测试：代码级测试代码生成的“将错就错”陷阱（后面展开）

13.

14. 当开源遇到Vibe Coding 只是能跑起来的Vibe Coding代码，完全没必要开源，直接给个程序就好了。因为脱离了最初通过代码让大家交流和学习的初衷。

15. n LLM不会完全取代程序员，但会深刻改变开发流程和职业结。AI替代的是‘码农’，共生的是‘工程师’ n AI 处理了部分传统上由初级开发者完成的任务，可能导致团队结构的变化。“小团队”成为可能 n Vibe Coding带来的短期效率提升，可能会以长期的技术债务为代价。 n LLM生成的代码需人类对其安全性和合规性负责。 n LLM无法替代人类在需求模糊场景下的决策能力（需求分析与架构设计的不可替代性） n 需求一次性讲清楚比后续不断打补丁更有效 n LLM暴露了传统编程教育中对“死记硬背”的依赖，未来计算机教育需更注重逻辑思维、系统设计和跨领域协作能力。 n 由于数据垄断和人类强化反馈，cursor这类工具会越来越强，尽量使用国产工具

16.

17. 讲师著作和译作

18. 讲师著作和译作茹炳晟在软件研发效能领域出版的图书茹炳晟在软件工程和软件架构领域翻译的图书茹炳晟在软件质量和软件测试领域出版的图书茹炳晟在 DevOps 领域翻译的图书

19. 讲师著作和译作

20.