最新

在过去的六个月里，我在构建AI开发工具包的过程中不断优化我的AI编码工作流程。<p>最重要的变化不是更好的代码生成，而是从可重用的命令和模板转变为一个能够携带上下文、触发正确行为并自动验证工作的工作流程。<p>最近的一个功能使这一点变得显而易见。我使用Codex为“ai-devkit skill add”构建了一个互动技能选择界面。我只提供了一句指令，工作流程便将任务推进到需求、设计、规划、实施、验证、测试和代码审查等各个阶段。<p>整个过程不到一个小时，实际的功能流程大约花了30分钟。<p>我觉得有趣的不仅仅是AI写了代码，而是这个工作流程留下了需求、设计文档、规划材料、基于需求的测试以及与规范的验证，而不仅仅是一个差异对比。<p>在实践中，我觉得有几个重要的方面：<p>- 内存回忆起我曾经存储的一个旧的命令行规则 - 审查阶段可以向后循环，而不是盲目向前推进 - 验证捕捉到了实施与设计之间的偏差 - 我仍然自己做出产品决策，并修复了最后一个失败的测试<p>我很好奇在座的其他人对此是如何思考的。<p>你们主要是在优化提示，还是现在开始尝试优化围绕模型的工作流程层？

我一直在思考为人工智能时代构建一种语言的想法。<p>以下是我希望包含的一些特性（并不是详尽无遗的列表）： - 将副作用的完整代码与纯逻辑分开 - 将状态与代码分开 - 原生的人工智能调试器 - 原生的确定性模拟测试 - 编码证明 - 明确的类型系统 - 交互式解释器（REPL） - WebAssembly 目标<p>我没有编译器构建或类似领域的背景。我只是想花几周时间阅读关于这个主题的最佳资源。<p>请分享您推荐的任何阅读资料。