程序员的工作本质是进行语言翻译，将模糊的人类需求转化为机器可执行的语言。这一过程的核心在于不断补充信息和添加约束，将抽象的概念具象化，排除不可能性，直至最终形成唯一可用的实现。无论是用户一句“我要一辆车”的概括性描述，还是对具体车型的细致要求，最终都需要落实到计算机或物理世界的具体规则。信息量即是排除可能性的多少，程序员通过引入新的细节和约束来逐步缩小可能性范围。AI代码生成则处于这一翻译链的后半部分，其智能程度决定了程序员需要提供的抽象程度。AI越智能，程序员可以提供越抽象的需求；反之，则需要提供更多细节以确保代码的可用性。

🚗 程序员的核心工作是语言翻译，将人类抽象的需求转化为机器可理解的具体指令。这个过程如同将“想要一辆车”这样的概念，通过层层细化和约束，最终落实到某个具体型号的汽车制造过程，每一个新增的细节都是在排除不可能性，增加信息量。

💡 信息量可以被理解为排除可能性的多少。从一个抽象的概念到最终一个具体的实现，需要不断地添加约束和细节，每一步排除掉一部分不符合要求的可能性，最终将选择范围缩小到唯一解，这是信息补充的本质。

🚀 AI在代码生成中扮演着翻译链后半段的角色，它接收程序员提供的中间阶段语言并生成具体代码。AI的智能水平直接影响程序员需要提供的抽象程度：AI越智能，程序员可以提供越抽象的指令；反之，则需要提供更多细节来弥补AI的不足。

⚖️ 衡量AI智能程度的一个方法是观察程序员需要为其提供的信息量。如果AI需要大量的具体细节才能生成可用代码，则表明其智能程度较低；反之，若能理解高度抽象的需求并自主补充信息，则说明AI更为智能。

程序員的工作，本質上是在做語言翻譯，將描述需求的人類語言翻譯到機器語言。其中，需求語言是抽象的，就像用戶說「我要一輛車」，是一種概括性的描述，但要實際把車造出來，就要落實到非常具象的語言，因為無論是計算機還是現實物理，都有非常具體的規則，錯一點就會不能用。這種抽象程度的差異可以理解為信息量的差異，給定一個車的概念，它可以有成千上萬種樣子，但到生產出來的具體型號，就只剩下了一種，其他所有樣子都被排除了，這也是信息論裏提出的「信息量即是排除可能性的多寡」。

於是程序員的工作本質上是對信息的補足，這種補足是通過不斷疊加約束實現的，每個新增加的細節都是約束，能砍掉一部分可能性，直到最後可能性剩下一種。具體地說，給定一個需求，程序員會想到一些潛在的方案，每個方案會有新加入的約束，提出方案本身就是補充了原本不存在的信息。那麼如何從潛在方案中選擇呢？程序員需要在需求中找到一些能指引選擇的原始約束，例如把方案介紹給產品詢問意見，或者根據自身的經驗預測一下未來的需要，這實際上就是擴充了上下文。

AI 的代碼生成工作在上述翻譯鏈的後半段，它會從程序員那取得中間階段的語言，然後生成具體的代碼。如果 AI 更聰明，那麼程序員應當可以提供更抽象的語言，讓 AI 自己補足信息，而如果 AI 更笨，程序員就需要提供更多信息，才能保證最終代碼的可用。於是，我們有了一個度量 AI 聰明程度的方法，也有了一種適應 AI 的策略，就是如果 AI 不夠聰明，就提供更多細節直到它能寫出來。