李宁老师在计算机图书领域颇有建树，早年出版的《Python 从菜鸟到高手》深入浅出，理解深刻。近期翻阅其 2023 年 10 月出版的《AIGC 自动化编程 -- 基于 ChatGPT 和 GitHub Copilot》，虽然技术迭代迅速，书中部分内容已显陈旧，但核心思想——解决复杂问题，通用的做法就是先分解后合并——依然极具价值。
从 2024 年初的 ChatGPT 爆发，到后续 DeepSeek、Google Gemini 等模型的相继问世，LLM 正逐渐融入日常工具范畴。无论是 ChatGPT、DeepSeek、Doubao，还是 Claude、Qwen，大模型本身的能力日益强大。在编程领域，GitHub Copilot、Cursor、CodeGeex 等工具；在工作流 Agent 方面，FastGPT（企业级知识库 RAG）、Dify 等；以及遵循模型上下文协议 MCP 的工具链，都在致力于基于 LLM 能力实现具体功能，安全地赋能私有数据，并尽量消除概率性输出带来的不确定性。
在编程实践中，将复杂需求分解（breakdown）然后合并是传统做法。借力大模型，路径亦是如此。结合当前经验，针对较复杂的项目，推荐以下流程：
- 手写需求梗概
- 利用 LLM 扩展成详细需求（多轮对话打磨），建议采用 MVP 原型 -> feature delta 1 -> ... -> full feature ready 的分步走式开发
- 手写设计框架，进行模块分割与技术架构规划
- 使用 LLM review 细化方案（多轮对话反复打磨）
- 让 LLM 生成代码文件结构与框架代码
- 在 VSCode 中创建项目，复制 LLM 生成的代码，手动试验生成 MVP 原型
- 在 VSCode 中使用 GitHub Copilot 分步实现详细需求中的功能，渐进式开发
驾驭 AI 之感悟
回顾相关实践，通过 ChatGPT 和 GitHub Copilot 完成图像浏览与搜索 Web 服务时，往往无需编写一行代码。只要描述准确严谨，生成的代码几乎能达到 100% 准确率。即便出现少量问题，重新生成即可。正如孔子所言'三人行，必有我师焉'，对于 AI 而言，生成三遍，必有满意的代码。
若连续生成三次仍无法满足需求，通常有以下几个原因：
- AI 模型本身不够强大：这种可能性较小，目前主流模型如 GPT-4 系列已相当成熟。
- 描述不够准确：需检查描述是否严谨、全面，是否存在语病或歧义。
- 描述不合理：要求可能超出 AI 能力范围，或无法用指定技术实现。此时 AI 可能会根据概率统计返回不存在的函数或方法调用。
- 描述过于复杂：这是最普遍的问题。尽管 AI 能接收大量输入，但对于复杂的编程问题，AI 也可能忽略细节。解决方法很简单，就是分治法。将大问题拆分为中等问题，再拆分为小问题，直到每个问题一目了然。解决后再逐步合并。
ChatGPT 的编程能力取决于使用者如何处理复杂问题。就像同一把小提琴，演奏者的水平决定了最终效果。能否驾驭 ChatGPT，关键在于如何将复杂问题化繁为简，而非单纯撰写提示词。如果问题相当复杂，即使提示词完美无缺，ChatGPT 也可能无法完美解决。因此，要将复杂问题分解，直到 ChatGPT 可以完美解决为止。
关键点不仅在于分解，更在于组合。需要设计一套接口，将小题作为黑盒处理。无论小问题解决得如何，都不会从根本上影响全局。例如在实现复杂布局时，将每一部分单独作为一个类放入独立文件中，而不是直接插入主程序。这样即使某个类不满足要求，只需重新生成该类，不影响其他部分。
影响 ChatGPT 使用效果的关键点包括：
- 提示词：基础要求，必须清晰准确。
- 复杂问题的分拆技巧：决定处理能力的天花板。
- 设计接口：组合的关键，确保局部修改不影响全局。
- 组合问题：最后一步，利用接口逐级合并小问题，恢复至最初复杂问题。
总之，你有多强，ChatGPT 就有多强！
小结
本章以桌面应用为例，讲解了如何将复杂程序分解为多个小部分，分别由 ChatGPT 和 GitHub Copilot 生成代码，最后合并成大系统。应用这些工具的关键点只有一个：化繁为简。
ChatGPT 与 GitHub Copilot 各有千秋，不能互相取代。ChatGPT（尤其是 Plus 版）生成完整方案的能力较强，适合初步代码生成；而 GitHub Copilot 的代码补全功能则适合微调、完善和检测已有代码。混合使用才能达到理想效果。
