```markdown
# 程式碼的奇妙悖論:從爛到順的現象
## 第一章:矛盾的萌芽 - 程式碼品質與效能的關係
### 1.1 程式碼品質的定義與衡量
* 1.1.1 程式碼可讀性、可維護性、可擴展性
* 1.1.2 程式碼風格指南與最佳實踐
* 1.1.3 程式碼品質評估工具與指標
### 1.2 效能的多元定義
* 1.2.1 執行速度、資源消耗、穩定性
* 1.2.2 效能評估方法與工具
* 1.2.3 效能與程式碼品質的關聯性
### 1.3 矛盾的出現 - 程式碼寫得越來越爛,但用他跑的卻越來越順暢…
## 第二章:現象背後的機制 - 為什麼爛程式碼能跑得更快?
### 2.1 運作系統與硬體優化
* 2.1.1 虛擬機器與容器技術
* 2.1.2 系統級優化與調試
* 2.1.3 針對特定硬體優化
### 2.2 程式碼的抽象與簡化
* 2.2.1 程式碼重構與優化
* 2.2.2 程式碼簡化與抽象
* 2.2.3 避免不必要的複雜性
### 2.3 測試與錯誤處理
* 2.3.1 单元测试、集成测试、系统测试
* 2.3.2 錯誤處理與異常處理
* 2.3.3 測試驅動開發 (TDD)
### 2.4 運作環境的影響
* 2.4.1 數據庫優化
* 2.4.2 網路效能
* 2.4.3 系統配置與參數調整
## 第三章:理解悖論 - 程式碼品質與效能的平衡
### 3.1 程式碼品質的重要性
* 3.1.1 長期維護與擴展
* 3.1.2 降低維護成本
* 3.1.3 提升團隊效率
### 3.2 效能的追求與品質的保障
* 3.2.1 優先考慮程式碼品質
* 3.2.2 透過優化提升效能
* 3.2.3 建立持續優化的流程
### 3.3 結論:程式碼的真諦 - 效能是結果,品質是基礎
## 附錄
* 程式碼優化工具推薦
* 程式碼風格指南參考
```
# 程式碼的奇妙悖論:從爛到順的現象
## 第一章:矛盾的萌芽 - 程式碼品質與效能的關係
### 1.1 程式碼品質的定義與衡量
* 1.1.1 程式碼可讀性、可維護性、可擴展性
* 1.1.2 程式碼風格指南與最佳實踐
* 1.1.3 程式碼品質評估工具與指標
### 1.2 效能的多元定義
* 1.2.1 執行速度、資源消耗、穩定性
* 1.2.2 效能評估方法與工具
* 1.2.3 效能與程式碼品質的關聯性
### 1.3 矛盾的出現 - 程式碼寫得越來越爛,但用他跑的卻越來越順暢…
## 第二章:現象背後的機制 - 為什麼爛程式碼能跑得更快?
### 2.1 運作系統與硬體優化
* 2.1.1 虛擬機器與容器技術
* 2.1.2 系統級優化與調試
* 2.1.3 針對特定硬體優化
### 2.2 程式碼的抽象與簡化
* 2.2.1 程式碼重構與優化
* 2.2.2 程式碼簡化與抽象
* 2.2.3 避免不必要的複雜性
### 2.3 測試與錯誤處理
* 2.3.1 单元测试、集成测试、系统测试
* 2.3.2 錯誤處理與異常處理
* 2.3.3 測試驅動開發 (TDD)
### 2.4 運作環境的影響
* 2.4.1 數據庫優化
* 2.4.2 網路效能
* 2.4.3 系統配置與參數調整
## 第三章:理解悖論 - 程式碼品質與效能的平衡
### 3.1 程式碼品質的重要性
* 3.1.1 長期維護與擴展
* 3.1.2 降低維護成本
* 3.1.3 提升團隊效率
### 3.2 效能的追求與品質的保障
* 3.2.1 優先考慮程式碼品質
* 3.2.2 透過優化提升效能
* 3.2.3 建立持續優化的流程
### 3.3 結論:程式碼的真諦 - 效能是結果,品質是基礎
## 附錄
* 程式碼優化工具推薦
* 程式碼風格指南參考
```
类别
🤖
科技文字稿
00:00去年刚刚融入了400亿美金的OpenAI
00:02在上周一口气花了里面将近十分之一的钱
00:05去收购了一家做AI变成助手的公司
00:07Windsurf
00:08这意味着AI变成市场在今年已经成为
00:11巨头最看好
00:11来钱最快
00:12竞争也最激烈的AI应用赛道
00:14大家好
00:15我是黑皮铃铛
00:16编程那么复杂且抽象的东西
00:20开上去只会聊天的大模型是怎么学会的呢
00:22现在比较流行的AI变成工具和AI变成的方法都有哪些
00:26真的能取代我这样的人的饭碗吗
00:28我个人日常高频赞用的AI变成工具又有哪些呢
00:31对于变成的初学者而言
00:33又该怎么用AI来提升学习的效率呢
00:35说实了你可能不信
00:37对于AI大模型而言
00:38学会变成其实比学会用你的母语和你聊天
00:41或者回答你的问题要容易得多
00:43首先从根本性上看
00:45预测下一个token
00:46是大模型在工作过程中唯一的核心任务
00:49这意味着对于大模型而言
00:51写代码和回答日常问题并没有本质上的区别
00:53都是以最大化条件概率的方式去产出token
00:56那么为什么写代码对于大模型而言要更简单呢
00:59因为相对于你在微信里面和朋友聊天
01:02写代码是一件高度结构化的事情
01:04用人话解释一下
01:05人类的语言
01:06尤其是中文
01:07有一个很重要的特性
01:08就是当你熟练了以后
01:09你会天然能够包容句子里面的语法错误
01:12甚至事实性错误
01:13你甚至会觉得一些语法错误很有趣
01:16比如把死了
01:17用谐音梗包容成死了
01:18但你如果是一个中文的初学者
01:20你看到像上课的时候不要上网
01:22把重点写的黑板上这种句子
01:24让你去解释这句话里面三个上子都是什么意思
01:27你晕不晕
01:27你肯定晕对不对
01:28你知道两年前刚刚问世的XRGBT
01:31最让我震惊的地方是什么吗
01:32是我把身份证打成身份证的时候
01:35XRGBT每次都可以根据上下文
01:37自己排掉错别字引入的奇异
01:39准确理解我的意思
01:40这其实已经远远超出了传统NLP技术的范畴
01:43某种程度上
01:44这甚至意味着AI具备了像人类一样的主观阅读感知能力
01:48但写代码和聊天是完全相反的
01:50计算机对于语法错误以及逻辑错误是完全零容忍的
01:53你代码里如果有语法错误
01:55计算机会直接拒绝编译和执行
01:57而我们常说的bug
01:59其实就是代码里的逻辑错误
02:00你在群里聊天发出去的东西狗屁不通
02:03大家最多笑笑
02:04写出严重bug的程序员是要被拉出去寄天的
02:07所以写代码这件事情天然就是客观标准化的
02:10相比于通过看网上那些人类写乱七八糟的帖子
02:13来摸索人类语言的规律
02:15AI学代码的过程实在是太爽了
02:17全世界的工程师都在用一样的语法和相似的逻辑规则
02:21去描绘包罗外向的软件世界
02:23事实上远不止编程
02:24所有高度结构化的人物都很适合AI去学习
02:28反过来也最快被AI改造和颠覆
02:30其中最具代表性的就是我们过去一年反复提到
02:33今天还会继续做节目去讲的制药和医疗行业
02:36我们顺着AI学会写程序的逻辑继续往下
02:39就能很容易理解现在AI编程助手的两种工作范式了
02:42一种是现在已经非常成熟的Copilot模式
02:45以VR旗下的GithubCopilot为代表
02:47顾名思义Copilot的意思是副驾驶
02:50它的主要工作方式是你先写出一部分代码
02:52它去根据你代码的上下文猜出你接下来想写的东西
02:56并且直接帮你补权
02:57对于熟练的编程老手而言
02:59一个趁手的Copilot能够大幅度提升工作效率
03:02我在过去两年时不时就会和朋友吹牛说
03:04我现在一天可以干过去三天的活
03:06当然这个话我是肯定不会去和老板讲的
03:08除了Copilot之外
03:09另外一种更加近的AI编程产品是让AI完全自主编程的Agent模式
03:14以去年开始火遍全球的Cursor和刚刚被OpenAI投资的Windsurf为代表
03:19Agent模式的特点是让AI直接取代人类做到主驾驶的位置上
03:23独立去完成一个功能甚至于整个软件
03:25这个过程当中人类反过来成了AI的Copilot
03:28比如我工序半年深度使用Cursor参与我的日常工作
03:31我每天干的活就是reviewCursor写的代码
03:34给它提出修改建议或者新的需求
03:36去年AI却有一个很火的事情
03:37就是一个完全没有接受过编程训练的八岁小孩
03:40只用了两个小时就用Cursor搞出来一个动画游戏
03:43我虽然总感觉是好像是Cursor和Cloud一起搞的网络营销
03:46但编程这件事情的门槛
03:48已经被Cursor这样的产品给大幅度降低
03:50是毫无疑问的
03:52缔造了特斯拉自动驾驶技术的AI大神Android Capacity
03:55甚至提出了氛围感编程的概念
03:57就是把所有代码都交给AI
03:58人类只看感觉和结果
04:00比如AI写出来的网页不好看
04:02就让它改
04:03AI写出来的代码运行爆错了
04:04就让它改
04:05里面的代码细节都不重要
04:07AI改着改着总是能改对的
04:09风月感编程现在在硅谷非常火
04:11我现在看美国客户和朋友写的代码
04:13帮他们找问题的时候
04:14一般一打开代码文件
04:16一股浓烈的AI味就扑面而来
04:18你如果问我担不担心被AI取代
04:20我现在明确的答案是不担心
04:22理由有两个
04:23首先无论是Corpilot还是Cursor的Agent模式
04:25都很难保证一次性写数
04:27从逻辑、性能和可维护性来看都最优的代码
04:30他们甚至还会时不时偷懒
04:31比如我让他把一堆数据批量提交到数据库
04:34AI竟然会因为懒得写批处理操作数据库的函数
04:37直接用一个负循环搞定了两世
04:39还呼吁我说
04:40效果是一样的
04:41没关系
04:42就这样的
04:43是不是很油腻
04:43另外一个理由是
04:45哪怕是具备Agent能力的AI变成助手
04:47现在远没有到可以独立完成一个复杂系统的架构设计的程度
04:51它现在更像一个焦虑可以无限扩展的建筑工或者粉刷匠
04:55但离建筑师还是有比较大的距离
04:57但话又说回来
04:58我现在在做系统架构设计的时候也会让AI深度参与
05:01我最近特别想弄一个能够帮我管理家庭财务
05:04甚至直接参与投资决策的AI系统
05:06它给了我很多之前从来没有想过的思路
05:08而且我突然发现不知道从什么时候起
05:11ChinaGPT的著名客户竟然可以直接把聊天过程当中
05:14他想出来的代码直接提交到Cursor
05:16那过几个月搞不好ChinaGPT就能够直接替我处备Cursor干活了
05:20那么你如果是一个编程的初学者
05:22该怎么利用AI助手来提升学习效率呢
05:24我在刚刚入行的时候
05:26学校和公司里的编程老司机给我说的最多的一句话
05:29就是你要学好编程
05:31就应该过去看高手写的代码
05:33尤其是那些著名的开源项目
05:34在没有AI的时代
05:36读大佬写的代码是非常非常痛苦的一件事情
05:38毕竟你要上来就能够理解大佬的想法
05:40那你自己就已经是大佬了嘛对吧
05:42但现在你可以框起任何一段代码
05:44让AI去帮你揣测大佬的想法
05:46你甚至可以用Github的MCP工具
05:48一切让AI帮你讲清楚
05:50整个项目的架构和背后的思考
05:52这简直太爽了
05:53另外最近OpenAI又搞了个骚骚作
05:55就是ChairGPT的Deep Research
05:56可以直接进入任何一个Github仓库
05:59这意味着你可以用Deep Research全网解锁
06:01和整合信息的恐怖能力
06:03来深度研究任何一个Github上面的项目
06:05玩过的朋友不妨在评论区分享一下你的感受
06:08我们如果站在几年以后
06:10甚至只需要在今年年底往回看
06:12这可能是软件工程进入全新时代的标志性事件
06:15AI终将加速一切
06:16软件开发只是起点而已
06:18感谢观看