AI 辅助编程的版图与核心术语
一句话定义
AI 辅助编程（AI-Assisted Coding）是以大语言模型（LLM）为引擎，在编码全流程中提供代码补全、生成、解释、重构、测试与代理执行等能力的工程实践统称。
为什么重要
它正在改变软件工程的时间分配：样板代码、测试用例、错误排查等高重复环节被大幅压缩，工程师的重心转向需求拆解、架构决策与质量把关。但能力版图不清会导致两类典型失败：把 AI 当「自动程序员」全权托付，或因一两次失败体验彻底弃用。建立版图认知是后续所有技能的前提——知道每类工具强在哪、边界在哪，才能选对形态、设对预期。
前置知识
任一主流编程语言的基本读写；Git 基本操作；命令行基本使用。这些属于本库默认输入，不展开讲解。大模型训练原理不属于本库范围。
核心概念
能力版图按「介入深度」分三层：
- 补全层（autocomplete）：编辑器内行的续写（ghost text 灰影文本），代表如 GitHub Copilot、Codeium。特点：低延迟、低打断，适合高确定性样板代码。
- 对话层（conversational）：以聊天形式表达任务，返回代码块或 diff，如 ChatGPT、Claude、Kimi 的对话界面。特点：可承载复杂意图与多轮澄清。
- 代理层（agent）：能读写文件、执行命令、运行测试并自主循环的终端/IDE 代理，如 Claude Code、Cursor Agent、Aider。特点：可执行端到端任务，但需要权限与止损控制。
配套核心术语：上下文窗口（context window，模型一次能读入的 token 上限）、幻觉（hallucination，编造不存在的事实或 API）、工具调用（tool calling）、检索增强生成（RAG）。本库术语表有完整定义。
原理与机制
三层的差异本质是「谁控制循环」：补全层由人逐行驱动，模型只做概率续写；对话层人给出一段完整意图，模型一次性生成，人再手动落地；代理层把「读文件—改代码—跑测试—看结果—再修改」的循环交给模型，人只提供目标与验收。介入越深，杠杆越大、风险越大——这是贯穿全库的基本权衡。
实例或案例
第一次系统化上手的操作步骤：
- 选定一个低风险个人项目（有测试、非核心业务）作为练习场。
- 先只开补全层用一周，记录哪些场景命中率高（样板、重复模式），哪些低（架构决策）。
- 第二周加入对话层，用本库 kp-003 的三元组模板发起任务。
- 第三周尝试代理层完成一个带测试验收的小任务，体验 kp-018 的权限设置。
- 每周用 kp-026 的采纳率观察自己的使用模式，不急于下结论。
排错清单（常见挫败感排查）：
- 补全总不命中 → 多半是上下文太少，见 kp-002。
- 对话回答跑偏 → 检查意图-约束-验收是否说全，见 kp-003。
- Agent 乱改文件 → 先看权限配置，见 kp-018。
公式或模型
本节不适用：本知识点是版图概览，量化模型在 kp-004（注意力预算）与 kp-026（效能度量）展开。
图示
介入深度 →
补全层 对话层 代理层
[人写它补] [人说它写] [人说它做+自主循环]
低杠杆/低风险 中杠杆/中风险 高杠杆/高风险
└──── 共同前提：上下文质量（模块02）────┘直观类比
三层像交通工具：补全是助力自行车（你蹬它助推）、对话是出租车（你说目的地它开一段）、代理是代驾（给钥匙给地址，但你要选信得过的代驾并全程留监控）。
常见误区
- 「AI 会取代程序员」或「AI 没什么用」的二元论：真实形态是人机分工重构，取代的是环节不是职业。
- 把 AI 当搜索引擎问事实性问题：它优化的是「流畅与可信的生成」，不是事实检索。
- 只用一层工具包打天下：补全层做不了架构，对话层做不了端到端，各有所长。
与其他知识点的关系
本知识点是全库地图；三种形态分别由 kp-002、kp-003、kp-017 深入，历史演进见 kp-029。
自测题
要点：谁控制「行动-反馈」循环——人逐行控制、人给单次意图、模型自主循环。
要点：自主性提升带来效率放大，同时放大了跑偏、越权改动与验证缺失的风险，需要更强的护栏。
- 补全层、对话层、代理层的本质区别是什么？
- 为什么说「介入越深，杠杆越大、风险越大」？
延伸阅读
《Evaluating Large Language Models Trained on Code》（Codex 论文，Chen et al., 2021）——理解代码模型能力评估的经典起点。