本文深入剖析了程序员工作的本质，将其比喻为在人类语言和机器语言之间进行翻译。核心在于将抽象的需求，如“我要一辆车”，转化为机器能够理解和执行的具体指令。这一过程被视为一种“信息量的补足”，通过不断叠加约束条件，逐步排除可能性，最终锁定唯一可行的实现方案。文章还探讨了AI在代码生成中的角色，指出AI的智能程度直接影响程序员所需提供的抽象程度，从而为衡量AI能力和制定适应策略提供了新视角。

💻 程序员的工作本质上是语言翻译，将人类抽象的需求转化为机器可执行的语言。这个过程如同将“我要一辆车”这样的概括性描述，细化为计算机和物理世界所需的具体规则和指令，任何微小的差错都可能导致功能失效。

🧠 信息的“补足”是程序员工作的核心，通过不断叠加约束条件来排除不可能性，直至只剩一种可行的解决方案。每一个新增的细节都砍掉了一部分可能性，这符合信息论中“信息量即是排除可能性的多寡”的定义。

💡 在从潜在方案中选择时，程序员需要从需求中寻找原始约束，或通过与产品沟通、经验预测等方式扩展上下文，从而为生成具体代码提供指引。

🤖 AI在代码生成中的作用是翻译链的后半部分，它接收程序员提供的中间语言并生成具体代码。AI越聪明，程序员可以提供越抽象的语言；反之，AI越不智能，程序员就需要提供更多细节来确保代码的可用性。

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。