最大的 AI 生产力技巧？一直以来我们应该做的事

Source: Dev.to

现在大家都在为 AI 进行优化——编写更清晰的需求、妥善记录功能、整洁地组织代码、维护 README，并将工作拆分为小而明确的任务。这些做法一直都有助于 AI 产生更好的输出，只是我们在 AI 出现之前就已经知道它们的价值。缺失的环节是一个快速的反馈循环。

传统工程实践

• 了解需求 在开始编码之前。
• 进行前期设计 并把内容写下来。
• 将工作拆分为尽可能小的任务。
• 记录决策 并保持 README 更新。

人类在这些步骤做好时，始终能产生更好的结果。问题不在于这些实践不起作用；而是反馈循环太慢——可能需要数周才能看到收益。

AI 如何加速反馈循环

使用 AI 时，因果关系是即时的：

1. 模糊的需求 → 平庸的 AI 输出。
2. 清晰、结构良好的输入 → 真正有用的输出。

这种反馈的速度让良好基础工作的价值对之前看不出关联的利益相关者来说不容置疑。

AI 还降低了生成这些基础工作的开销。文档、详细的工单描述以及技术写作所需的努力更少，使得“正确的事”更容易去做。

真实案例：Kiro

当 AWS 推出 Kiro 时，其主要特性是 “规范驱动开发”。 在实践中，这意味着：

1. 理解需求。
2. 制定设计。
3. 编写任务清单。
4. 开始工作。

大多数主流替代方案（例如 Cursor）专注于直接生成代码。Kiro 坚持先思考的做法与优秀工程团队多年来一直倡导的理念相呼应，其作为 AI 工作流的成功表明这些实践始终是正确的——AI 只是让它们更快得到验证。

研究结论

METR 研究

• 2025 年中期 METR 研究 – 经验丰富的开发者在使用 AI 时完成任务的时间延长了 19%，尽管他们认为自己快了 20%。
  Source: METR, “Measuring the Impact of Early‑2025 AI on Experienced Open‑Source Developer Productivity” (July 2025) – metr.org

• 2026 年初后续尝试 – METR 承认需要更新数据，但在完成研究时遇到困难。
  Source: METR, “We are Changing our Developer Productivity Experiment Design” (February 2026) – metr.org

DX / Laura Tacho 研究

• 对 121 000 名开发者（覆盖 450 多家公司）的调查（Pragmatic Summit，2026 年 2 月）。测得 AI 带来的生产力提升平均约 10%，远低于社交媒体上声称的 40‑80%。
  Source: Laura Tacho / DX, “Measuring Developer Productivity & AI Impact” – presented at Pragmatic Summit, Feb 2026 (reported by ShiftMag)

• 对 67 000 名开发者 的更深入分析显示结果分化：

  • 部分公司将面向客户的事故降低了 50%。
  • 另一些公司则出现事故 翻倍。
    区别因素是 组织结构，而非 AI 本身。组织结构良好的团队将 AI 作为乘数效应使用；结构不佳的团队则把已有问题放大。

Anthropic 试验

• 对初级开发者的对照实验：使用 AI 的开发者完成任务更快，但在代码理解方面得分低 17%。那些主动提问、构建理解的开发者保持了更高的理解度，而单纯依赖代码生成则导致“交付了自己不懂的代码”。
  Source: Anthropic, “How AI assistance impacts the formation of coding skills” – anthropic.com

要点

• AI 是一种催化剂，而非灵丹妙药。它让良好工程实践的收益更加显现且更易实现。
• 生产力提升平均仅为适度（约 10 %），且高度依赖团队组织方式以及 AI 的使用方式。
• 理解很重要：使用 AI 来增强思考和提问能够保持技能发展，而仅仅用它生成代码可能会削弱理解能力。
• 投入基础工作——明确需求、设计、文档以及任务粒度——无论是否使用 AI，都应如此。

人工撰写，AI 协助。