2025 年 3 月 11 日的在线讨论中，关于使用大型语言模型（LLM）帮助编写代码，开发者的经历往往令人失望，他们常问自己做错了什么。使用 LLM 编写代码困难且不直观，需大量努力去摸索其使用的边界，且缺乏指导。若有人称用 LLM 编码容易，可能会误导人。

作者两年来从 LLM 获得了很好的代码结果，分享了经验和直觉：

• 设定合理预期：LLM 仍像高级自动补全，别期望其完美实现项目，应将其视为增强能力的工具，要注意其犯错，记下其做不到的事，这是宝贵经验。
• 考虑训练截止日期：模型的训练截止日期很重要，会影响对库的熟悉程度，选库时要考虑稳定性和流行度，对于训练数据外的库需提供更多示例。
• 上下文为王：获取 LLM 良好结果的技巧大多在于管理上下文，成功的交互通常是对话形式，之前的回复也属于上下文，可利用这一点，一些 LLM 工具能预填充上下文，直接使用 ChatGPT 和 Claude 界面便于理解上下文，还可通过多种方式引入额外文件或文档。
• 让它们提供选项：项目开始时用 LLM 进行初步研究，如询问 Rust 中的 HTTP 库或 JavaScript 中的拖放库等，要注意训练截止日期，对于新库需自行研究。
• 明确告诉它们做什么：完成初步研究后，在生产代码中更像独裁者，给 LLM 详细指令让其编写代码，如写特定签名的 Python 函数及测试用例，LLM 擅长填补代码空白，且更细心。
• 必须测试它们写的代码：不能将测试代码是否工作外包给机器，作为软件开发者有责任交付可工作的系统，这是发布好代码的关键部分。
• 记住这是对话：不喜欢 LLM 写的代码可让其重构，多次迭代可得到最终实现，初始结果不好不是失败，而是推动模型的起点。
• 使用能运行代码的工具：越来越多的 LLM 编码工具能运行代码，要选择安全的 sandbox 环境的工具，如 ChatGPT Code Interpreter、Claude Artifacts、ChatGPT Canvas 等，还有 Cursor、Windsurf、Aider 等，运行代码的循环模式很强大，是选择 LLM 工具的重要因素。
• 氛围编码是学习的好方法：Andrej Karpathy 提出氛围编码，即凭感觉编码，这是探索模型能力的好方法，作者通过提示 LLM 构建了 77 个 HTML + JavaScript 应用和 6 个 Python 应用，学习了很多。
• 详细示例：使用 Claude Code：作者用 Claude Code 构建tools.simonwillison.net/colophon页面，展示了从初始需求到最终实现的整个过程，包括多次修改提示和调试，还涉及部署到 GitHub Pages 的自定义流程，期间遇到一些问题并解决。
• 准备好让人类接管：示例中虽借助 LLM 完成项目，但最终还是需要人类介入，LLM 不能替代人类的直觉和经验。
• 最大优势是开发速度：新的colophon 页面从构思到完成部署仅用了不到半小时，若没有 LLM 协助可能不会去做，这体现了 LLM 对开发速度的提升，能让开发者实现更多想法，加速学习新事物。
• LLM 放大现有专业知识：只有有专业编码经验的人才能以这种方式使用 LLM 完成项目，提示反映了经验和自信，对于不熟悉的领域过程会不同。
• 额外奖励：回答关于代码库的问题：LLM 擅长回答关于代码的问题，如用 gemini-2.0-pro-exp-02-05 回答关于 monolith 工具的问题，这是开始深入研究新代码库的好方法。