文章探讨了AI编程在研发效率上的影响。作者结合自身经验，认为AI编程可能并未如宣传般提升效率，尤其是在需要构建复杂商业模式和系统时。文章指出，AI编程在加速想法验证和降低简单代码开发成本方面有所帮助，但在系统重构、性能优化、以及结合业务策略的复杂场景中，其局限性较为明显。作者强调了AI在处理上下文理解、长期迭代、以及业务策略配合方面的挑战，引发了对AI编程实际效用的深入思考。

💻 作者认为，AI编程在构建复杂商业模式和系统时，效率提升有限。文章指出，AI编程可能在加速想法验证和降低胶水代码、工具代码的开发成本方面有所帮助。

🤔 AI编程在处理上下文理解方面存在挑战。作者提到，由于context length的限制，AI难以完全理解项目的长期迭代、系统链路关系、以及业务流程的演变，这使得AI在系统重构、性能优化等复杂任务中表现不佳。

💡 文章指出，AI编程在结合业务策略方面的局限性。作者认为，系统优化和重构往往需要结合业务策略，而AI在这方面的感知能力有限，要做到这一点，需要付出极高的成本。

今天看到 infoQ 一篇文章，观点是 AI 编程从定量的角度去衡量，实际是降低了研发效率（可能不是针对所有人和所有场景）

这个观点对于作为一个工作十多年的服务端开发来说，和我预想的比较一致。vibe coding 距离媒体宣传中预期的目标差距很远。曾经有一位大佬说过：每天新增的代码对于企业来说是每日新增的成本。如果是按照这样去思考，一个差评冲 0 到 1 到后续的持续迭代都是通过 vibe coding 去进行项目开发交付，会受到 context length 问题导致无法完全理解整个项目的内容（持续迭代的历史、系统链路关系、业务流程迭代等），那么这就带来一个问题，谁来维护整个系统的工程代码，比如业务模式需要升级，vibe coding 是否能够比较低成本的帮助我们做系统的重构？又比如，系统链路要做性能优化或者产品交互层面的优化，vibe coding 是否可以通过全局分析去进行问题发现和最佳的修复？经验丰富的人可能都知道，这些重构和优化，可能需要结合业务策略的配合，这部分 AI 并不感知，要做到它感知，成本是极大的。

我觉得 vibe coding 可能加快了想法的验证，降低胶水代码、工具代码的开发成本。但是当想法要去演变成一个体系化的商业模式，需要一系列的业务系统去支撑时，可能 vibe coding 就失效了。