宅中地 - 每日更新
宅中地 - 每日更新

贊助商廣告

X

六個月AI輔助嵌入式開發的經驗與教訓

2026年11月19日 首頁 » 熱門科技

人工智慧相關術語對照說明已在文中體現。本文原發布於Geisel Software官網,經該公司授權轉載。

摘要:在使用AI協助重寫一套工業嵌入式系統六個月AI輔助嵌入式開發的經驗與教訓六個月之後,我認為這次經歷總體上是成功的,但有幾個重要的前提條件需要說明。AI在實現代碼、編寫腳本、分析日誌和撰寫文檔方面確實很有用,但它往往會基於錯誤的假設構建大量代碼,而且經常忽略全局問題。理解並驗證這些工作所花費的精力,遠遠超出了代碼生成速度所帶來的那種"快"的表象。

當AI承擔大部分編碼工作會發生什麼

一位同事將AI形容為"一個擁有百科全書式知識、卻毫無智慧的軟體實習生"。在幾乎完全依靠AI進行開發的六個月之後,我理解了他這句話的含義。AI可以極為詳細地解釋陌生的代碼,但隨後卻會忽略一個有經驗的工程師會質疑的決策後果。

我在一家大型公司(名字你一定聽說過)從事一套工業控制系統的開發工作。我們團隊使用大語言模型以及Kiro等工具,將用領域專用語言編寫的軟體轉換為C++。實際上我們是在重寫現有軟體,而大部分實現工作都由AI完成。

在這段時間裡的大部分時候,我幾乎很少打開代碼編輯器。我的工作重心轉向了指導AI、評估它做出的決策,以及調查過程中遇到的問題。

讓我屢屢"中招"的是:AI能夠多麼迅速地把一個假設轉化為具體實現。一個功能表面上看起來已經完成,但實際設計卻是一場災難。這種落差體現在方方面面,從設備文檔到架構設計,再到實時控制。

一個令人信服的AI回答如何把我們帶向了錯誤方向

有一次調查涉及一個擁有兩種不同復位機制的設備。我們需要弄清楚這兩種機制是否實現了相同的效果,還是說其中一種能清除另一種無法清除的故障。有人估計這項調查只需要15分鐘,而我從一開始就覺得這個估計過於樂觀。

我平時使用的AI工具給出了一個解釋,但無法訪問相關的技術手冊。它建議了一個在代碼注釋中找到的手冊編號,但那條線索最終沒有結果。在搜索過程中,我看到了一個Gemini給出的回答,看起來更有希望。

Gemini自信而詳細地解釋說,這種復位會重啟設備固件,需要逐步重新初始化,並與狀態機進行協調。這個說法聽起來在技術上是合理的,我也把這個解釋分享給了同事。

其實當時已經出現了警示信號。當我進一步追問時,Gemini最終推薦了兩個網頁,而這兩個網頁顯然與當前情況毫無關聯。我本應更加留意這一點,但由於解釋中的技術細節過於詳盡,反而讓這個說法顯得比實際證據所能支撐的更加可信。

隨後我把Gemini的回答輸入到我常用的AI工具中,它發現了一些我之前忽略的矛盾之處。這促使我去查看實際運行中觸發復位路徑的日誌。結果發現,設備根本沒有執行硬復位,也沒有Gemini所描述的任何類似的流程。在沒有故障的情況下,這次復位實際上被系統忽略了。

最終,我找到了正確的技術手冊,其中的描述幾乎把我們的理解推向了相反的方向。即便如此,由於之前已經吃過虧,我仍然不太敢完全認定問題已經解決。

這次調查之所以讓我印象深刻,是因為那個錯誤的答案是如此令人信服。它給出了一套關於設備行為的連貫說法,但當我們用日誌和文檔去核對這套說法時,結論發生了實質性的變化。請教另一個模型幫助揭示了問題所在;而觀察系統實際行為、找到正確的手冊,才給了我們更可靠的依據。

當代碼控制硬體時,AI會遺漏什麼

同一個復位功能也暴露出了一個架構層面的問題。這個操作始於用戶界面,經過協調中間件,最終通過網路總線事務設置一個寄存器位來完成。AI把特定於硬體的復位邏輯實現在了中間件層,而這個寄存器操作本應該屬於設備驅動層。

它只是沿著功能路徑走,卻沒有顧及各層之間應有的職責劃分。這個實現確實完成了請求,但代碼所處的位置在我們的架構中是錯誤的。

另一個功能則暴露出了一個後果更嚴重的疏漏。AI從一個非實時線程中調用了代碼,而這段代碼會獲取一個實時線程所需要的互斥鎖。儘管它能夠訪問源代碼,卻沒有考慮到這種競爭關係,結果擾亂了硬實時周期,並導致了物理運動方面的問題。

這個調用單獨來看是合理的。要理解這個問題,需要順著共享資源一直追溯到控制循環中,並考慮究竟哪個線程需要這個互斥鎖、什麼時候需要,以及它不得不等待時會發生什麼。

這些經歷讓我更加注意審視一個實現背後的推理過程。對於嵌入式軟體而言,僅僅審查某個功能本身是不夠的。你還需要理解這個操作應該屬於哪裡、它可能阻塞什麼,以及它會如何影響系統其他部分的行為。

當AI在一個你並不熟悉的領域生成複雜代碼時,這一點就會變得很困難。我從它的解釋中學到了很多,但其中仍有一些細微之處需要人類的專業領域知識。其他審查人員也面臨類似的困境,因此很難有人能夠自信地為所有邏輯的正確性擔保。

我們最終開始使用AI工具來把AI生成的代碼解釋成更便於審查的形式。這些解釋確實有幫助,但並沒有解決一個更根本的問題:我們是否具備足夠的領域知識來評估這種設計。

為什麼看似已完成的功能總是變成更多的返工

有一部分返工來自AI對自己已經實現的決策重新考慮。我把這種現象稱為"松鼠效應"。戴夫·科弗利(Dave Coverly)有一幅《減速帶》(Speed Bump)漫畫很巧妙地呈現了這一點:畫面中一隻松鼠站在路邊,旁邊原本應該是"通行/禁止通行"的標誌,但上面寫的卻是"跑。停。再跑!跑。停。再跑!轉身。跑!不,停住!"

觀察一次推理過程有時會很有意思:模型沿著一條思路推進,然後突然說"等等……",接著掉頭,或許會反覆來回好幾次。如果這種情況發生在實現之前,看到這種不確定性反而是有用的。但如果發生在一個功能已經構建完成之後,就會讓人更加沮喪。測試會暴露出問題,我把問題反饋給模型,它會承認之前的假設有誤,然後提出一個完全不同的設計方案。

人類開發者也會改變主意。真正令人頭疼的是,在我們發現某個假設需要進一步調查之前,AI已經能夠產出大量代碼了。

還有一部分返工來自那些看似有幫助、但其實不符合需求的額外添加。比如在一個磁盤空間監控功能中,我們需要固定的警告和嚴重閾值。AI卻添加了環境變量,讓這些閾值變得可配置,我當時覺得這很有用,尤其是在測試場景下。但後來這個功能不得不被移除,因為它不符合系統的既有約定。

類似的問題也出現在我要求AI監控一個上游網路連接、並在連接斷開時發出警報的任務中。它提出了一套判斷"斷開"的算法,我沒有核實這套算法是否滿足保留原系統行為這一要求,就直接接受了。

原系統的行為並沒有文檔記錄,而AI提出的算法看起來也合情合理。但要保留原有行為,就必須先弄清楚現有系統實際上是如何檢測連接丟失的,然後才能接受這個新實現。

此外還存在一種持續精細化改進的傾向。模型會不斷建議增加某個抽象層或配置選項,而由於它能很快地生成相應的改動,這種添加看起來成本很低。但每一項"改進"最終都變成了我們必須理解、測試和維護的代碼。"你用不上它"這條原則,即便在AI負責敲代碼的情況下,依然同樣適用。

自動化審查也帶來了它自身的複雜性。我們的CI/CD分析確實捕捉到了真實的缺陷,其中一些還相當隱蔽,但它同時也提出了一些無關緊要的問題,或者給出的反饋並不特別有用。我修復了三個問題並重新提交,結果卻收到了三個此前根本沒出現過的、毫不相關的新問題。

在一輪審查中被接受的內容,到了下一輪可能又會被質疑。每一輪審查都可能把實現引向一個新的方向,最後還得由我來判斷哪些問題值得去改,以及代碼到底什麼時候才算準備就緒。這種審查確實能發現真實的缺陷,但要完整走完連續幾輪反饋,往往要花費數個小時。

AI在哪些方面持續讓開發工作變得更輕鬆

一些最明顯的成效來自那些目的明確、結果可以直接驗證的小任務。有一天,我需要在某條特定日誌出現後的五秒內終止一個應用程式。由於日誌量極大,手動測試這種行為並不現實。

我請AI編寫這個腳本,效果很好,為我提供了一種實用的方法,去測試那些我無法可靠地手動檢查的行為。我還用它來構建一個更大的腳本,用於檢索和分析某項特定任務所需的AWS數據,以及一些後來成為我日常工作流程一部分的開發工具。

日誌分析是AI另一個表現出色的領域。它能夠處理大量輸出內容,識別其中的模式,並為根因調查提出有價值的線索。它偶爾也會追逐一些沒有成效的猜測方向,所以我仍然需要核實它的結論,但總體而言它通常能幫助我取得進展。

我們還廣泛使用它來撰寫文檔、工單說明和繪製圖表。它的初稿有時會過於冗長,或者引入一些不夠清晰的術語。但如果給它指定一個具體的受眾,結果就會明顯改善。比如,要求它給出適合管理層閱讀的解釋,往往能把一份晦澀的技術說明變成真正有用的東西。

當我遇到不熟悉的代碼時,我會利用AI來追蹤邏輯、檢查依賴關係,並在自己的分析過程中藉助它來理清各種疑問。甚至是為工時記錄總結當天的工作內容,它也能幫我省下不少精力。

這些用途相比讓AI跨越多個軟體層去實現一個完整功能要保守得多,但它們確實帶來了實實在在的差別。它們減少了理解系統、調查問題以及撰寫文檔所需的工作量。

團隊應如何判斷AI編碼是否真正有幫助

代碼生成的速度是顯而易見的。但要為這些代碼建立起信心所需付出的努力,卻不那麼容易被看見,而這也影響了我們團隊的預期。

AI可以很快地產出實現代碼,即便是在那些需要專業知識的系統部分也是如此。但審查其設計、核實其假設、驗證其行為,仍然需要大量工作,有時甚至會把我們原本以為節省下來的時間重新消耗掉。

我們被要求以超高速度交付軟體,但我常常覺得我們需要更多時間來驗證AI所構建的東西。這對我來說是整個經歷中最艱難的部分:一個實現看起來已經準備就緒,但關於它將如何表現——尤其是在與硬體交互時——的問題可能仍然懸而未決。

即便如此,我依然會把這六個月稱為一次成功的經歷。AI幫助我理解了陌生的代碼、構建了有用的工具,並處理了大量日常事務性工作。它也教會了我更加仔細地審視那些表面看起來已經完成的方案,尤其是在其底層假設尚未經過核實的情況下。

如果你的團隊正在擴大AI輔助軟體開發的使用範圍,不妨挑選一個最近完成的功能,追溯它從最初需求到實現、審查、修正,再到實際觀察到的行為的整個過程。看看AI在哪些地方節省了精力,又在哪些地方製造了更多的工作,以及哪些決策必須依靠有經驗的工程師來把關。

利用你從中發現的經驗來調整下一個功能的工作流程,給工程師留出時間去解決那些真正重要的問題,然後再讓代碼繼續向前推進。這樣做的回報,就是能夠更早地達到可以放心交付的軟體質量。

工程師們對AI輔助軟體開發常問的問題

AI對嵌入式軟體開發有用嗎?

有用。在這個項目中,AI幫助我們完成了代碼實現、開發腳本編寫、日誌分析、文檔撰寫以及代碼解釋等工作。但硬體行為、架構邊界以及實時交互方面,仍然需要人工仔細審查和獨立驗證。

AI能夠審查AI生成的代碼嗎?

AI可以解釋生成的代碼,並發現潛在的缺陷。但在我們的工作流程中,自動化審查也會遺漏一些問題,或者在不同提交之間給出前後不一致的結論。它的反饋在配合人類領域專業知識以及對系統實際行為的測試時,才真正發揮出價值。

團隊應該如何衡量AI編碼的生產力?

應該衡量交付一項經過驗證的變更所需的總體工作量,包括實現、審查、調查、修正和測試在內的全部環節。同時還要考慮團隊是否真正理解所生成的代碼,以至於能夠長期維護它。

埃里克·埃萬科(Eric Ewanco)

Geisel Software高級軟體工程師

宅中地 - Facebook 分享 宅中地 - Twitter 分享 宅中地 - Whatsapp 分享 宅中地 - Line 分享
相關內容
Copyright ©2026 | 服務條款 | DMCA | 聯絡我們
宅中地 - 每日更新