超越grep：上下文丰富的AI编码工具的必要性

在最近一期播客中，Ars Technica主持了一场关于AI编码工具未来的深度对话，邀请到了Anthropic的研究科学家Wu和Augment Code的创始人Perneti。两人在多个方面达成共识，但也在关键问题上存在有趣的分歧。

首先，双方都坚信前沿模型继续以指数速度改进的趋势至少在未来一年内不会放缓。他们都认为，这种进步正在从根本上改变许多组织的软件开发方式。具体而言，推理能力的提升使得AI能够处理更复杂的编码任务，而不仅仅是简单的代码补全。

然而，在如何为这些模型提供必要的上下文信息方面，两人持不同观点。Wu认为，为了获得最佳性能，上下文应该在任务开始前就精心组装好，包括相关的代码库结构、依赖关系和历史修改记录。她提到，Anthropic的实验表明，仅提供少数LSP（语言服务器协议）信息并未带来显著的性能提升。但Perneti对此回应说，Augment Code的工具所捕获的上下文远比LSP丰富，包括完整的代码图、构建系统分析以及运行时的动态信息。因此，Wu的结论可能不适用于更全面的上下文组装方案。

这种差异也反映在他们对工具评估的不同方式上。当两人描述超越传统grep的编码工具或系统时，他们往往不是在谈论同一事物。Wu可能关注的是基于LSP的简单上下文注入，而Perneti评估的是对整个代码库的深度理解和智能检索。这可能是导致他们得出不同结论的重要原因之一。

此外，Perneti还提出了一个Wu没有深入讨论的经济学观点：随着计算资源日益紧张，像Claude Opus或Fable这样的旗舰模型可能变得过于昂贵，无法在开发工作流中作为唯一模型使用。他预测，未来会出现一种分层模型策略：最困难、最模糊的问题仍将由最强大的前沿模型处理，而更常规、明确定义的编码任务则可以分配给更小、更快、更便宜的开放权重模型，这些模型甚至可以直接在开发者的本地硬件上运行。这种趋势将降低整体推理成本，同时保持较高的生产力。

最后，两位专家都强调了工程判断的不可替代性。即使AI变得更加自主，工程师仍然需要做出关键的决策，例如定义问题、选择策略、审查输出结果。随着生产速度和规模的增长，错误决策的代价更高，因此工程判断的价值不仅没有降低，反而更加重要。无论一年后哪种上下文组装方法更流行，工程师的深度参与都将是成功的关键。