AI-Coding & Text-to-Code: SQL > Script > DSL 2022-2025

参考 * Domain-Specific Languages & DSLs in Action & * Awesome Software Engineering
前期参考 DeepCoder & AI Programmer 2019-2020 > Spider / SQLNet / TypeSQL & GitHub Copilot & OpenAI Codex
参考 AI-Science & AI-Mathematics

参考 Awesome-AI-Coding - Awesome AI Coding topics AI编程相关资源列表 & A Survey on Language Models for Code
参考 CLUE - Organization of Language Understanding Evaluation benchmark for Chinese - 中文语言理解测评基准
参考 OpenAI: Discovering and enacting the path to safe artificial general intelligence > OpenAI - ChatGPT: Optimizing Language Models for Dialogue
参考 LangChain & gpt_index > LlamaIndex（GPT Index）& DUST

Prompting Is Programming: A Query Language for Large Language Models > Prompting Is Programming: A Query Language For Large Language Models & A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications

@dexteryy: Low Code vs ChatGPT & ChatGPT vs XR > 抽象不息，coding 不止 & “软件工程3.0”之下软件开发范式 
@vikingmute: The End of Front-End Development 前端的终结？ & 程序员的未来属于「伪代码」！Nature专栏：用ChatGPT加速科研编程的三种姿势 - AI chatbots can boost scientific coding

Meta 发布了开源项目 Code Llama，这是一个基于 Llama 2 构建的模型，可以用自然语言（特别是英语）生成和解释代码 > 详见 Meta AI - LLaMA (Large Language Model Meta AI) & Stanford: Alpaca

devv.ai - The next-Gen search engine for developers & EasyCode

E2B - Code Interpreting & Fragments & Open Interpreter & Lightning.AI - Creators of PyTorch Lightning - MEET STUDIO - Turn ideas into AI, Lightning fast

PerfectHQ - perfect & Marvin，结合 LMQL is a programming language for language model interaction & ell - A language model programming library & APPL - A Prompt Programming Language

danielgross/LlamaAcademy: A school for camelids - Teaching Llamas How to Code & Outlines - Generative Model Programming & Code Review GPT - Your personal code reviewer powered by LLMs (OpenAI GPT-3.5/4, Llama, Falcon, Azure AI) & Embeddings Improve code quality and catch bugs before you break production & The-Compiler - Seed, Code, Harvest: Grow Your Own App with Tree of Thoughts! & CodeGraph - Tool that create a graph of code to show dependencies between code entities (methods, classes and etc). 代码依赖图生成工具 & @mckaywrigley: AI Code Translator & godot-dodo - Finetuning large language models for GDScript generation. 面向特定编程语言微调语言模型 & BigCode - StarCoder: may the source be with you! & Demystifying GPT Self-Repair for Code Generation

• Mintlify - The modern standard for documentation 项目代码文档
• Coframe / coffee: Build and iterate on your UI 10x faster with AI - right from your own IDE > Coframe 网站优化
• joshpxyne / gpt-migrate: Easily migrate your codebase from one framework or language to another. > GPT-Migrate 代码迁移
• yamadashy / repomix: 📦 Repomix (formerly Repopack) is a powerful tool that packs your entire repository into a single, AI-friendly file. Perfect for when you need to feed your codebase to Large Language Models (LLMs) or other AI tools like Claude, ChatGPT, and Gemini. 代码库整理 > Repomix - Pack your codebase into AI-friendly formats 将代码库整理为面向 AI 的上下文
• anti-work / shortest: Shortest - QA via natural language AI tests - Write tests in plain English and let AI handle the execution. Built on Playwright with seamless GitHub integration.

后续个人重点关注计算符号学（Computational Semiotics）以及可塑性系统（Malleable Systems）框架下的 AI-Coding，参考 Computational Semiotics - 计算符号学 & Malleable Systems - Malleable Software & End-user Programming & SaaS

Agents in Software Engineering: Survey, Landscape, and Vision & Large Language Model-Based Agents for Software Engineering: A Survey

• x1xhlol / system-prompts-and-models-of-ai-tools: FULL v0, Cursor, Manus, Same.dev, Lovable, Devin & Replit Agent System Prompts, Tools & AI Models.
• filipecalegario / awesome-vibe-coding: A curated list of vibe coding references, collaborating with AI to write code.
• EnzeD / vibe-coding: Ultimate Guide to Vibe Coding V1.1 > Content-as-Code 衔接，中文实践参考微信公众号；> tukuaiai / vibe-coding-cn: 我的开发经验+vibe-coding 的中文翻译版本—+提示词库=vibecoding工作站 > @123olp
• automata / aicodeguide: AI Code Guide is a roadmap to start coding with AI
• KhazP / vibe-coding-prompt-template: Templates and workflow for generating PRDs, Tech Designs, and MVP code using LLMs and AI IDEs

YouWare - Not YouTube, it's YouWare. Finally, your computer speaks your language.

THE WAY OF CODE - The Timeless Art of Vibe Coding

AIBuilderClub - Become Top 1% AI Builder - Learn AI coding, Agents, LLM applications

后续参考 AI-Coding & SWE Agent & Agentic Agent 2026-2027

Text(NL)2SQL(XQL) > AI-DB(-Analysis)

Vanna.AI - Let Vanna.AI write your SQL for you & Chat2DB - AI 驱动的数据库管理系统 & PandasAI & Dataherald 以及 DB-GPT: Interact your data and environment using the local GPT & mindsdb: Build AI powered applications fast. & D-Bot: Database Diagnosis System using Large Language Models & Data Formulator 2 - Iteratively Creating Rich Visualizations with AI

hyperquery - The next-generation data notebook & Defog SQLCoder - SoTA LLM for converting natural language questions to SQL queries & Google - Firebase & supabase & NEON - database.build

原 AutoML & MLOps 领域的 H2O.AI - Democratizing Generative AI & KNIME - Open for Innovation - KNIME Analytics Platform & KNIME Hub 的 AI-DB & AI-Analysis 转型；

相关论文 - C3: Zero-shot Text-to-SQL with ChatGPT & TableGPT: Towards Unifying Tables, Nature Language and Commands into One GPT & Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow & @arankomatsuzaki: Large Language Models are Versatile Decomposers for Table-based Reasoning & Generative AI for Programming Education: Benchmarking ChatGPT, GPT-4, and Human Tutors & What Should Data Science Education Do with Large Language Models?

RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts

Executable Code Actions Elicit Better LLM Agents

各类套壳应用 - bytebase/sqlchat: Chat-based SQL client for the next decade & SQLwrite - Integrates AI into your database: automatically converts natural language queries into SQL, and then runs the SQL query 自动将自然语言查询转换为SQL并运行 & TalkToSQL - an CLI tool that lets you query your DB with natural languages instead of SQL queries 用自然语言而不是 SQL语句来查询数据库的命令行工具 & Open Data Interpreter: Talk to your data 开放数据解释器(OpenDI)：旨在提供用户与其数据进行交互和探索的界面 & ChatSQL - 自然语言转SQL，直接连接数据库查询，基于ChatGLM-6B/MOSS & dataherald - a natural language-to-SQL engine built for enteprise-level question answering over structured data & Zillion - Make sense of it all. Semantic data modeling and analytics with a sprinkle of AI. 语义数据建模和分析工具，集成了AI技术，可以通过简单的API组合和分析来自多个数据源的数据，作为数据之上的语义层 & 0plot - In natural language, describe what you want to plot or how you want to modify the existing plot. 基于GPT的matplotlib绘图代码自动生成 

表格类应用 - Equals - The next-generation spreadsheet & Numerous.ai - The Power of AI in Sheets and Excel > AI 不仅仅是一个功能 - AI is not a feature

UX 代码生成

• Design2Code: How Far Are We From Automating Front-End Engineering
• Screenshot to Code - Build User Interfaces 10x Faster
• Copy any UI - Prompt URL to make pixel perfect copies
• CLOUDFLARE & Vercel - v0/Next.js & Railway & Netlify & Fly.io - shadcn/ui 及衍生框架

Code Analysis & Code Review & 代码阅读

• Repo Prompt - Your AI Coding Swiss Army Knife - Let Repo Prompt structure your prompts and apply AI changes for you.
• kleneway / pastemax: A simple tool to select files from a repository to copy/paste into an LLM > 202506 丐版 Repo Prompt，结合 AI Studio 的 Gemini 2.5 Pro 进行代码阅读；
• gersteinlab / LocAgent: LocAgent: Graph-Guided LLM Agents for Code Localization
• CodeRabbit & Graphite & keak & Charlie & SENTRY & Cubic
• gru.ai - Assistant & Test & BugFix & Babel Gru

CrewAI & ChatPRD & TASKMASTER.AI & CodeGuide & Agent-OS 快速发展至 Context Engineering > Agentic Engineering > Harness Engineering。

Code Agent CLI

• ANTHROPC - Claude Code & Agent SDK
• GitHub Copilot & OpenAI Codex - OpenAI Codex & AGENTS.md & Agents SDK / AgentKit & Github Next & Github Copilot - CLI
• Google - AI Studio & Gemini CLI > AntiGravity & A2UI
• OpenCode & Crush & pi-mono > pi & commandcode & InsForge & Multica & codebuff & letta-code & Trellis
• 腾讯混元大模型 - 腾讯混元 & 腾讯元器 & ima.copilot & CodeBuddy/WorkBuddy & Marvis & TONGYI Lingma & Qwen-Coder - QWen Code & Qoder (CLI)/QoderWork & iFlow CLI & AgentScope - CoPaw
• Atlassian - JIRA & Confluence & Bitbucket & Rovo

AI-Software Engineering > 从 Coding Agent 到 SWE Agent (Software Engineer Agent)，从 Vibe-Coding vs Specification-Driven Development(SDD) & Spec-Coding，对应为 Context Engineering > Agentic Engineering > Harness Engineering 及其 Orchestration 层，进而 AI-Science & AI-Mathematics；> 参考 AI-Coding & AI-Programming 研发思路与规划 202510；

A Survey of Vibe Coding with Large Language Models > 基于大语言模型的 Vibe Coding 综述 - A Survey of Vibe Coding with Large Language Models

Alma - Elegant AI Provider Orchestration - A beautiful desktop application that unifies your AI experience. Seamlessly switch between OpenAI, Anthropic, Google Gemini, and custom providers. > 20260516 yetone@yeton: 试了这么多产品的 Computer Use，目前只有 Alma 的 Computer Use 和 Codex 的 Computer Use 能够真正地在 background 成功执行这个任务：「打开网易云音乐，播放今日推荐」

Integuru - We build integrations with platforms lacking official APIs. We specialize in low-latency integrations via reverse-engineering. All integrations are open-source.

• Integuru-AI / Integuru: The first AI agent that builds third-party integrations through reverse engineering platforms' internal APIs.

together.ai - The AI Acceleration Cloud - Turbocharge model training and inference on NVIDIA GPUs. Build with open source and fine-tune your own AI. > 参考 together.ai - LlamaCoder

• jehna / humanify: Deobfuscate Javascript code using ChatGPT

AI-IDE > Andrej Karpathy - LLM OS & Software 2.0/3.0 & Automating Software Engineering

Cognition Labs - Devin - DeepWiki 及其开源方案 All Hands - OpenDevin > OpenHands - An Open Platform for AI Software Developers as Generalist Agents

IDE 插件 - Sourcegraph - Cody & AMP & Code Search & CodiumAI - Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering（注意区分于突进的 codeium - The modern coding superpower & Windsurf）& Valla.ai - Confidently Understand Your Code in Minutes, not Hours or Days & Codiga - Customizable static code analysis that works in your IDE, CI/CD pipelines and more & Claude Dev > Cline / Roo Code & Augment Code & Kiro & Kilo & Tessl Cofounder & CodeGPT - AI Agent Platform for Software Development Teams > 重度使用前两者；另参考 aws - amazon & ERNIE 文心：产业级知识增强大模型 > 文心一言 & 阿里云百炼 & ModelScope（魔搭社区）> 通义千问（Qwen） & ByteDance 字节跳动 - 抖音 & tiktok / 火山引擎 / 豆包 / 飞书 vs 快手 - 可灵 - 豆包 MarsCode - Seed-Coder & TRAE-SOLO/Work & Agent/UI-TARS & FittenTech 非十科技 - 非十大模型 & Fitten Code & CodeGeeX：预训练多语言代码生成模型 > CodeGeeX 智能编程助手；后有 Google AI Studio & LABS.GOOGLE - Bard > Gemini & Gemma - Gemini Code Assist；

202407/08 Cursor.so > Cursor.sh: The AI-first Code Editor & Copilot++ & Cursor SDK 产品跨越边界，对标创新爆发 > 至 11月强劲对手 codeium - The modern coding superpower & Windsurf
AI-IDE 对标产品 replit: Everything you need to build software in one place & ZED AI - Agent Client Protocol (ACP) & codeium - The modern coding superpower & Windsurf & Val Town - Townie - An App that Generates Fullstack Apps & All Hands - OpenDevin > OpenHands - An Open Platform for AI Software Developers as Generalist Agents & Continue & PearAI & Void & Melty & Auto-Coder & Neovim & Aider & Crush & warp & tmux & StackBlitz - bolt.new & Rork & Tempo（极易上手）& UnitMesh - AutoDev - a Asymptotic AI programming architecture pattern & GPTEngineer & gptengineer.app > lovable & Galileo AI > Google Stitch & Magic Patterns & Pythagora - The New Era of Software Development has Begun；

09/10 MaaS 最新交互模式（更为宽泛的 Copilot），参考 ANTHROP\C - Claude - Claude Artifacts 及其开源方案 E2B - Code Interpreting & Fragments - e2b-dev / fragments & LlamaCoder，以及 Claude 官方示例，如 financial-data-analyst & computer-use-demo；参考 OpenAI - ChatGPT & GPTs & GPT-4o & o1 - Canvas 及其开源方案 LangChainAI - opengpts & LangChain & LangGraph & LangSmith & Deep Agents - langchain-ai / open-canvas；> 前者含运行环境沙箱，偏编程，后者面向更广泛的输出（编程与写作）；相关开源方案可扩展垂直领域；> 对标前者还包括 CLOUDFLARE & Vercel - v0/Next.js & Railway & Netlify & Fly.io - Vercel - v0 & Next.js 等，这也是后续的趋势；

多智能体软件团队 > 参考 Large Language Model based Autonomous Agents: Auto-GPT & AgentGPT & BabyAGI & BabyBeeAGI > MetaGPT - The Multi-Agent Meta Programming Framework & AgileCoder & Factory.AI - Droid & OpenBMB: CPM-Bee & BMTools > XAgent & ChatDev & AutoCodeRover: Autonomous Program Improvement

20260113 代码日趋廉价，软件依然昂贵 - Code Is Cheap Now. Software Isn't.

20250212 JETBRAINS - Make Your Software Vision a Reality & JetBrains AI & JetBrains AI Assistant > 使用教育账号注册 JetBrains Account 的 Free Educational Licenses（一年期，2020101175@niit.edu.cn / GjQNNGRHEf5q.Y8），登录可仍使用 Google 账号；参考 * Awesome Java & * Python > Anaconda & Jupyter；> 0415 IDEA & PyCharm 升级至 2015.1，另 AI Assistant - JUNIE 免费试用（发力追赶）；> 0516 新版的内联代码补全与通义灵码冲突；

0225 人工智能生成的代码如何加剧技术债务 - How AI generated code compounds technical debt & 0528 AI 会加速工程师的无能 - AI: Accelerated Incompetence

0327 超越 70%：如何用好 AI 时代编程中 "人类独有的 30%" - Beyond the 70%: Maximizing the human 30% of AI-assisted coding & 0405 Patrick Ellis - AI Engineering + 'Vibe Coding' Tips & 0425 如何避免在 AI 时代技能退化 - Avoiding Skill Atrophy in the Age of AI > AI-Coding 产品订阅：

202505 Claude Dev > Cline / Roo Code & Augment Code & Kiro & Kilo & Tessl Cofounder & Chat2DB - AI 驱动的数据库管理系统 & PandasAI & Dataherald > 基于 Augment Code 的项目迁移实测体会 & 0525 使用最新的 Claude 4，我用两天就开发出一个视频编辑器，但却无法维护 & 0602 AI 编程越来越厉害了，我要怎么提升自己的系统架构能力？& 假设 AI 未来真的能在写代码和系统设计上超过人类，那还有必要学习编程和系统设计吗？

0801 tokens are getting more expensive - "language models will get cheaper by 10x" will not save ai subscriptions from the short squeeze

在 AI Agent 时代，任何“固定费率+高 Token 消耗”的订阅模式都难以为继。三种可能的出路：1）从一开始就按用量计费：理论上可行，但消费者普遍讨厌计量收费，实际难以增长。2）制造高切换成本：如 Devin 等企业级 AI，通过深度集成和复杂流程锁定大客户，利润率高但市场有限。3）垂直整合，基础设施变现：如 Replit，将 AI 代理与托管、数据库、监控等服务打包，AI 推理作为引流，真正盈利点在于全栈服务。

0514 Can AI Replace Software Architects? I Put 4 LLMs to the Test & 0528 我对大模型的胡说八道 vs 目前 AI 辅助编程是落地最快的，技术积累最深，探索最前沿的 & 0608 我对各种 AI Coding Agent 工具的看法 & 0828 谈谈 AI 编程工具的进化与 Vibe Coding > 0819 异步编程的崛起 - The rise of async programming > 0630 写代码从来不是瓶颈 - Writing Code Was Never The Bottleneck & 0906 开发速度不是瓶颈 - Development Speed Is Not a Bottleneck & 写代码很简单，读懂它才是难事 - Writing Code Is Easy. Reading It Isn't. - Building a mental model isn't free. > AI 时代，我们是否应该重温极限编程？- Should we revisit Extreme Programming in the age of AI? & 软件工程的“纯”与“不纯” - Pure and impure software engineering & 0911 AI 编程风向变了：资深开发者交付的 AI 代码量是新手的 2.5 倍 - Vibe Shift? Senior Developers Ship nearly 2.5x more AI Code than Junior Counterparts & 0916 编程通缩 - Programming Deflation &1007 Vibe engineering（凭感觉工程） & 0923 当 AI 编程告别「拨号上网」时代，会发生什么？- What happens when coding agents stop feeling like dialup? & 1009 我身陷“凭感觉编程”的地狱 - AI 何时对学习有益？I'm in Vibe Code Hell - When AI Is Good for Learning & 1022 程序员的身份危机 - The Programmer Identity Crisis - On AI, Creativity, and Craft & 1023 价值万亿的 AI 软件开发新 " 战局 " - The Trillion Dollar AI Software Development Stack & 1028 揭秘 Every 六位工程师的 AI" 武功秘籍 " - Inside the AI Workflows of Every's Six Engineers & 1029 AI 编程带来的新变革 - The New Calculus of AI-based Coding & 1117 Beyond Vibe Coding - A practical guide to AI-assisted development > 从指挥者到统筹者：AI 智能体编程的未来 - Conductors to Orchestrators: The Future of Agentic Coding & 1124 从「写代码」到「验代码」：AI 搭档写走 3 年，我踩出来的协作路线图 & 1231 How I code with agents, without being 'technical'

Varun Raghu - why i wont be vibe coding anymore & all vibe coding tools are selling a get rich quick scheme > 我只是用 AI 来加速已有的技能，而不是凭空获得不会的本事。

Sean Goedecke 提出了纯粹软件工程（Pure SWE）与不纯粹软件工程的概念（Impure SWE）：
1）认为当下 Pure SWE 已经不再那么重要了（基础设施的成熟类似文科的终结），而 Impure SWE 的价值就在于处理“多得多的偶发复杂性 (incidental complexity)”。反思一下，我年初离开之前的研发团队不仅仅是大环境的原因，也有我的工作定位的原因。而我们这些偏好 Pure SWE 的初代程序员反感的所谓“办公室政治”，其实应该有更高阶的审视视角。
2）Pure SWE 与 Impure SWE 的区别，也导致了人们对 AI-SWE/AI-Coding 的看法大相径庭，“Pure SWE 的高手感觉鸡肋”等观点已经是共识，如同“写代码、快速写代码不是瓶颈，而理解审核、验证沟通才是根本”等等。而有个观点我感觉很重要：“……这个问题通常并不新颖，只是对你来说是新的。你很少有机会能去处理一个你拥有透彻技术理解的问题，而且你通常都在紧迫的截止日期下工作……”，比起“AI 时代只会淘汰不愿意学习的人”、“AI 不会杀死创作，但会杀死平庸”这些“学习/教育”视角（停留在理论能指安全区）的废话观点，这里需要直面一个在“AI 提升的是下限，而不是上限”导致的“AI 杠杆悖论”基础上，AI-SWE 一种可能的范式，就是在人机协同框架下，无法高手还是新手，使用不太熟悉的技术进行产出将成为一种常态。如同“当今的任何一个中型企业高管管理的复杂度都要远远高于古代的宰相”，诗性技术从来都是导向官僚技术，技术的发展仿佛只是让人的异化在另一个点上再次平衡。
作为老师，如果还要对新手说“打好基础”，那一定是充分考虑 AI 高速发展的时间窗口期下的二阶/元能力（是否存在我是存疑的）。对应的 SWE-3.0，应该就是老手经验的高阶/共性部分如何形式化给 AI（以供新手人机协同），但这其实又是与经典软工的潜在人本假设相驳背的。我个人目前 AI-Coding 的体感，Context Engineering 各种实践的确非常提效，但隐约还是“功能之上，能力之下”，写代码特有的“所指-能指”的反身迭代，一定有他的“哥德尔不完备定理”。

1031 今天做了三件事：1）基于 Claude Code 这类 Agent CLI 与 SDD，启动现有课程的 AI 重构；2）使用朴素的 Terminal for Obsidian 接入 AI（Claude Code 范式），放弃 Obsidian 插件侧的 AI 接入方案；3）Gemini CLI 中使用 Julia Extensions，类似 Codex Cloud。三件事分别解决：如何在高阶进行输出？如何高效的输出？如何“睡后”输出？这波的本质命题即 Token 如资本，如何变现？而作为个人，通过二阶能力的提升在一阶层面进行变现的窗口还有多长？

1130 如同术语 AI-Programming 比 AI-Coding 更聚焦于“编程”而不仅仅“代码”，Coding Agent 比 Code Agent 也更能体现 Agent 的“自主性”而不仅仅是“代码生成”；

1229 AI Coding 生死局：Spec 正在蚕食人类编码，Agent 造轮子拖垮效率，Token 成本失控后上下文工程成胜负手 > "你不要保留任何旧的代码和数据，这只会干扰你今后的重构。" > "我不要渐进式重构，请给我破坏性重构"

“今年是人类历史上代码最 slop 的一年，也是接下来五六年代码平均水平最好的一年。”如同去年某个时间点 AIGC 超越人类创造的所有内容，很快 Coding/SWE Agents 生成的代码将超越人类写过的代码。“主要由人调试迭代软件，由硬件运行验证 ”的模式，将变成“AI 自主生成验证，辅助 HITL”的模式，代码不再神圣，只有对错，没有好坏，也就是说，经典的“垃圾代码”这个概念将慢慢消亡（而所谓“技术债”一定会让 AI 血债血偿）。而最终的问题，还是 AI-Coding 时代面向人的源代码是什么形态？因为一旦这个范式稳定下来，我们将会有新的“代码”价值观（也就是五六年后这个新的抽象层）。

202403 Dexter Yang on X: "ChatGPT 正在杀死编程里的乐趣？"

0206 kOS 半个宇宙 - 开启你的 AI 编程之路

0619 I Will Fucking Piledrive You If You Mention AI Again

0904 @BrettFromDJ: We always overhype new AI tools. "I have zero coding experience but I just launched a Figma plugin thanks to Cursor." Bullsh*t. Fire up Cursor with zero coding experience and you're going to be completely and totally lost.

0827 TAG-Research - LOTUS - Text2SQL is Not Enough: Unifying AI and Databases with TAG

202409 ShowMeAI-20240904-最受欢迎 AI 编程工具清单 & 0522 Code Smarter, Not Harder - Solving the Unknowns to Developing AI Engineers > 为什么 AI Coding 是一个巨大的机遇？

0911 Yash Bhardwaj@ybhrdwj: Coding's YouTube moment

1030 程序员的未来：AI 是否会接管编程工作？- No Work for Coders Could coding assistants take over software development? & 1101 从小黄鸭到 AI 助手：程序员的新时代调试秘诀 & AI 编程 & Prompt 入门- 宝玉问答 & 1122 AI Coding 的范式革命：从工具演进到认知重构（AIGC）

1205 AI 辅助编程给软件工程带来的需求开发范式变化 & 我日常 AI 辅助编程的模型和工具搭配 & 1224 2025 会被 AI“平替”的行业？程序员真的会被取代吗？

1219 阿里内部观点（Aone Copilot）：智能化研发一年复盘，我们离真正的 AI 开发还有多远？ & 大模型时代的软件智能化开发：我们在哪里？该往何处走？ & 20250115 2025年 AI-Coding 将如何演进（播客文稿）

1204 LLMs for Coding in 2024: Price, Performance, and the Battle for the Best - Evaluating the current LLM landscape based both benchmarks and real-world insights to help you make informed choices.

20230321 @Barret_China: 跟朋友聊到 ChatGPT 在开发者领域的应用，有哪些可以立竿见影看到效果、直接发布到生产环境使用的

0324 @王威廉：A Diagnostic Evaluation Benchmark towards Text-to-SQL Robustness > 0507 BIRD-SQL: A Big Bench for Large-Scale Database Grounded Text-to-SQLs

0325 @vikingmute: HN 热帖： GPT-4 真的 会写代码吗？Can GPT-4 Actually Write Code?

0327 @0xthefool: 红杉刚刚发布了AI时代的开发工具mapping，将所有devtool根据使用场景分成了13个赛道，又根据产品的AI原生于创新程度分成了3代产品。

0526 Is GPT-4 a Good Data Analyst? 阿里达摩院今天贴出来一个研究报告，关于用 GPT4 取代数据分析师的成本核算。

0712 ricklamers/gpt-code-ui: An open source implementation of OpenAI's ChatGPT Code interpreter > 对标 OpenAI - ChatGPT Plugins - Code interpreter；> 0912 Open Interpreter

0807 参考 也看大模型与数据库查询分析的落地结合：C3 Text2SQL方案及Data-Copilot数据自动化编排机制的实现思想阅读 & 大模型再总结及ChatSQL实践案例分享：大模型训练数据及工具的5张脑图总结及ChatSQL开源项目实现解析

部署调试 bigbigwatermalon / C3SQL & zwq2018 / Data-Copilot，以及 cubenlp / ChatSQL；详见上述链接；

0820 'Finetuning LLaMa + Text-to-SQL' by LlamaIndex 展示如何在文本到 SQL 数据集上微调 LLaMa 27B，使用 LlamaIndex 对任意结构化数据数据库进行推理，参考 LangChain & gpt_index > LlamaIndex（GPT Index）& DUST；

0910 @Easy：#方糖2A1B实验#这曾经是NoCode的目标，现在直接被AIGCode覆盖了。

1211 人工智能辅助程序员的三种类型 - Three types of AI-assisted programmer & 202401 未来属于 Rust - LLM 使编程语言学习曲线变平 - The Future is Rusty - LLMs Make Programming Language Learning Curves Shallower

无代码创业新潮流 & 初级工程师的挑战与机遇 & 资深工程师（辅助提速）& AI 编程的未来

1215 Code GPT: Chat & AI Agents > CodeGPT 以及 codium.ai 插件作为 Github Copilot 的替代，前者 Exciting Update: GPT-4-turbo, Gemini Pro；

20241010 参考 StackBlitz - bolt.new & Rork & Tempo
试玩了一下 Bolt.new，以 Cursor 出圈以后 AI-Coding & AI-Programming 的卷法，AK 认为的 Automating Software Engineering 可以认为已经初具雏形。而 Geoprocessing 或者说 Malleable GIS，极有可能不是以低代码（SpatialSQL 等 DSL）或无代码（Designer 等图形编程界面），而是在已有 SDK 抽象基础上的“屎山代码”中构建起来。 毕竟在程序员的平均认知负担达到天花板的时候，AI 的表达是唯一可见的技术路径。

1017 用免费的 Token 额度继续试用 Bolt.new，AI-Programming 针对地图的后端渲染与前端渲染分别选型 Leaflet & OSM 以及 React-Leaflet & MapBox，对前端渲染可设置地图格式，实时部署运行且反馈错误自动修改。今年开始我的主要精力都在可塑性工业软件上（GIS 是工业软件的一部分），AI 回收了（且有能力继续回收）过去二三十年沉淀在各类领域大数据以及业务代码中的知识（且作用于推理），“代码产生智能”颇有“DNA 涌现生命”的意味。我整体上是乐观的，能力构建与环境 UX 需要支撑新的 Human-in/on-the-loop 范式，程序员始终会有新的机会。

1022 大模型/基础模型通过回收覆盖人的编码（推理）能力，必然会重构软件工程。但这不是浅层的程序员与产品经理谁先下岗的问题，而是 AGI 迭代的智能与人的创造性该如何经济的不断划分并配合。纯粹的写文档之前不行，现在更不行，具体的敲代码这条路也快走到尽头，这个结构里一定是不断加入 AGI，而这个共生范式的进化本身就是新的“抽象与封装”（呼应行业 Agent 的认知架构）。

1013-1030 籍由大帅老猿 vs 云风 on X: "在 AI 高速进化的今天，编程能力只会越来越不重要 vs 想法创意，执行力，持续获取流量的能力只会越来越不重要" 以及近期的思考，启动撰写 一个关于 AI-Programming/Coding 人机共生的讨论框架；

AI 辅助编程实战 > AI-Assisted Programming: Better Planning, Coding, Testing, and Deployment > AI辅助编程实战
作者: 汤姆·陶利（Tom Taulli） 译者: 成海霞
出版社: 人民邮电出版社 出版年: 2024-11

AI辅助编程Python实战 > Learn AI-Assisted Python Programming: With GitHub Copilot and ChatGPT > AI辅助编程Python实战
副标题: 基于 GitHub Copilot 和 ChatGPT
作者: [美] Leo Porter / [加] Daniel Zingaro 译者: CSS魔法
出版社: 人民邮电出版社 出品方: 异步图书 出版年: 2025-3-1

20241206 AI-Coding/Programming 是新的通用编译器/解释器 - AI-IDE 自然成为 AI-Coding/Programming 时代的人机交互，其核心是 AIGC 支撑下新的“能指-所指”的反身叠置

1）数学有一部分是在人类认知极限下对世界尝试的精确符号建模，工程是在物理世界有限资源限制下的计算与创造，而软件工程则是基于信息化的世界模型去构建可反馈的功能系统，这个近五十年来变得庞杂繁复的体系（参考编程语言及其工具）的核心的是什么？或者说，编程的本质是什么？可展开的很多，但我感觉在当下 AI-Coding/Programming 的视角，编程的本质如下：

针对映射认知世界的符号（编程语言 - 能指）与落地物理世界的计算（基础设施 - 所指），编程通过 “能指-所指”的反身叠置，实现了某种意义上的抽象升维/升阶/压缩，注意这不仅仅是经典的 “能动态生成代码的代码”。尤其重要的是，这个反身叠置，即对程序员的认知负担友好，也是工程层面可实现的。可以说，那么多的编程语言、前后端框架、应用架构等，都是在权衡建模无限复杂世界的编程负担的过程中，尽量优雅的通过多轮“能指-所指”的反身叠置，以编程语言的精确性相对完备的去映射世界模型的多样性。

一个经常举的例子，即早期代码与 HTML 混编的 PHP/ASP：先看第一个例子，HTML 是第一等的，其中“Hello World”已经来到人机边界（严格意义上还有浏览器渲染这一层），而后面的 Name 取值代码是第二等的；再看第二个例子，这时代码是第一等的，“Hello World”是代码中的一个 String，和 Name 取值一样，都需要等待代码的执行。当然两个例子在实现层面是一样的，关键是编程语言的描述模式体现出哪个为第一等（可以再整体看一下两个例子体会一下）。其他例子，比如我常说的，能自觉的写递归以及复杂的正则表达式，才是一个真正意义上的程序员入门。又譬如 Scala 的一等函数之于分布式的重要性，而后来的一些语法特性（等价于 JDK 17+），似乎又有点高于程序员的平均认知水平了。

<?php
...
$sql = "SELECT Name FROM Person";
$result = $conn->query($sql);
?>
Hello World <?= $result->fetch_assoc()["Name"] ?>

...
<?php while($row = $result->fetch_assoc()): ?>
Hello World <?= $row["Name"] ?>
<?php endwhile; ?>

2.1）AI-Coding/Programming 时代的代码生成（Code Generation）
当下一般将编译本身（如将编程语言编译为二进制码、中间语言（IL）等）区分于经典的代码生成。前者其业务语义没有变化，只是实现的差异，而将后者定义为 “业务代码抽象后编写的能动态生成代码的代码”。从早期号称面向程序员友好的 Visual Studio.Net（经典的 ASP.Net），到当下大部分前端框架，再到低代码/无代码……其主要策略都是基于代码生成。而中间语言（IL）等编程语言虚拟层的流行，有一个重要的目的就是为代码生成提供灵活的基础设施。

AIGC 的 Code Generation 与经典的代码生成的区别，最直观的就是 “端到端通过对多模态输入的意图理解生成各种主流编程语言”，其是非人工预设硬编码的、故不可解释的，完全依赖于已有软工世界基础设施而生成的模型。当 GPT 针对自标注的文本符号（典型是自然语言）产生的 Scale Law，在更为精确的编程语言上更快的跨越了可用边界，从早期 Text2SQL 这类 Text2DSL，到 CodeGen，并快速的推进到 AI-Coding 以及 AI-IDE……通过与同步演进中的 RAG 以及 Agent/Workflow 的结合，AI-Programming 呈现出极大的可能性与产品力。虽说依然只是在现有软工基础设施的各种“封装”上能极好泛化的一个效率提升“接口”，但机器层面的“自然语言/伪代码 - 编程语言”的模式，介入原本人工层面的“能指-所指”的反身叠置，形成新的人机协同（HITL/HOTL）的范式迁移，简单用“汇编语言到高级语言”是无法类比的。例如，不同编程语言肯定有 AI 友好性的差异，而后续经典面向人的编程语言及其框架是否就停滞了（前端框架的发展先停滞）？又比如在新的 Malleable Software & End-user Programming 模式中，原本充满机巧且受专业约束的低代码框架会式微，而让位给通用平台，以及更为“即用即写即抛”的开发模式。

2.2）AI-Coding/Programming 的提示工程（Prompt Engineering） 及其认知架构，参考 A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications & Dify - The Innovation Engine for Generative AI Applications & Coze - your way to AI bot creation
狭义的提示工程结合已有的软工基础设施及其扩展的 AI 基础设施，获得更为灵活的表达能力，构成了广义的提示工程。分析从激进的 GPTs 到当下 AI-IDE 的 AI 认知架构进化：在 ChatGPT 基础上基于 Function-Calling & Code-Interperter 的 GPTs，可以看作从自然语言角度链接软工基础设施的第一代 AI 认知架构；之后大量 LLMOps 的应用场景落地，又不得不依赖 Workflow/Pipeline 低代码/无代码的的基础设施，目前“Prompt-as-a-Service Orchestration”这类 AI 认知架构的瓶颈，是没有真正意义上能将 LLM 承载的智能很好的赋予流程表达的模式，当然这也不是 LLMOps 的题中之义；此外，专业软件依托 Copilot/Agent 进行的 AI Native 转向，开始阶段受制于已然的基础设施，本质上还是专业领域上下文表达模式的瓶颈；当意识到 IDE 是一种新的基础设施，如同建模无限复杂的世界让编程永不会消失一样，AI-Coding/Programming 这种 AI 认知架构以更直接的方式链接了软工最底层的基础设施，使专业领域上下文的表达的确柳暗花明 - 从提示工程的角度，IDE 的规范以及编程代码本使上下文的表达模式更全面准确，让 AI 能更好的赋能。当然，所有一切最后是落在已有的软工基础设施上运行（证明/证伪），如上关于 AI 代码生成介入“能指-所指”的反身叠置，因此，AI-Coding/Programming 是更加明确了软工的底层原则（比如人的认知负担），同时以更平滑的模式展开一个更为广阔的 AI 认知架构迭代。比如，早期 PerfectHQ 的 Marvin 提出的 AI 函数概念，已经在尝试 AI-Coding/Programming 更高一阶的抽象了。

3）AI-Coding/Progrmming 是新的通用编译器/解释器
AI-Coding/Programming 不仅仅是代码生成，在 AI-IDE 的认知架构下，这个 Copilot/Agent 在人机协同编程过程中，是最佳实践倡导者（不仅仅是实现，还包括调试与部署），是全栈技术能力的修补测（这会引出哪些编程语言与框架面向 AI 更友好，当然要兼顾之前对程序员友好），是软件工程的增强器/混合器/前置器（Malleable Software & End-user Programming 的真正落地）……可以将其比喻为面向的码农的更具容错性的输入法，而从 IT 尤其是编程的历史视角，AI-Coding/Programming 内化了之前所有的基础设施，作为更广泛的升维/升阶/压缩的“能指-所指”的反身叠置，可以认为是新的通用编译器/解释器。

3.0）AI-Coding/Programming 时代的编程范式迁移

3.1）AI-Coding 第一性的两个视角：近半个世纪软工的基础设施，如同“软件吞噬硬件”，代码是其一路与现实世界交互的根本；

• 第一层，“能指-所指”反身叠置的驱动迁移：代码（包括生成代码的代码）的构建、编译以及运行，由人类（大量介入的）驱动，转向由指示/提示（Instruct/Prompt）通过意图（Intent）在人机间的传递进行驱动。如上所述“代码生成”的内涵与外延的改变，尤其如自然语言/半结构化语法与编程语言构建边界的模糊，推进了 AI 从自动转向自治（从自动执行由人约束的代码，到自主生成意图的代码并自省的执行），代码的造物主（不仅仅是生产者/背书者）发生了微妙的变化。
• 第二层，“能指-所指”的映射层级跨越：在 Agentic 时代，意图遵循的评测聚焦为 SWE、Compute/Browser-Use 等代码行为，映射的叠置路径以优质代码的生成为最终目标，而 Specification-Driven Development 等方法论则强调开始及过程规范文档的重要性，甚至认为上下文资料就是“AI-Coding 时代的源代码”。“能指-所指”映射这一符号学视角的元命题，成为大模型概率范式时代最本质的命题。一方面，提示工程/上下文工程中不断的强调“No Fourth-Wall Breaking 禁止打破第四面墙”，AI 演员不要凝视观众；另一方面，规范给人看还是给 AI 看的讨论，必然带来对 AI 味的评判双标。

4）Misc
4.1）基于 Content-as-Code 的理念，将 AI-IDE 视为写作等内容输出工具，很有创意，但其实弱化了 AI-Programming/Coding 的 “能指-所指”的反身叠置，写作的 AI 进化还是要在自身的符号/可视化层面展开，比如 flowith 这类模式。目前，我面向自我的写作，还是会倾向于留在 Obsidian 里，采用 Smart Composer 这类模仿 Cursor Composer 的方案进行辅助，因为 KPM 最核心部分还是链接（反向链接），虽然技术上应该能对应 AI-IDE 中的代码依赖结构，但本质上又是不同颗粒度、面向实现与表达两个方向的东西。

进而，目前我的 Content-as-Code 内容输出管道会分两步走：首先，在 Obsidian 中构建特定的知识体系，并将涉及写作主题的关联笔记导出，可以以目录树结构包含层级关系；然后，在 Cursor 等 AI-IDE 里进行 AI 写作 Writing /转换 Transform，这部分如果想充分借力 AI-IDE 针对 AI-Programming/Coding 的各种优化，而不仅仅是 RAG，其实是针对特定写作类型的，比如公文、水文、乃至洗稿（这个概念会越来越模糊），其共性就是无所谓“AI 味”。这很合理，AI-Programming/Coding 的理想是“最大限度减轻人对技术细节的认知负担”，如果你的写作类型和这个理想一致，就是 Content-as-Code 的合适应用场景。而这段思考，我还是留在 Obsidian 里写。相关思考，参见 Obsidian（插件）使用技巧 2023-2025。

20250420 在 Text2Code 日益成熟的当下，Content-as-Code 的概念便已扩展至 AI-Coding 本身，也就是“文本与代码的共轭”。一个典型的示例场景便是 GraphRAG：首先是构建层的 Knowledge Graph = Triplets Graph + Document Structure Graph，大语言模型抽取三元组（经典的知识图谱得以落地），以及向量相似与全文索引的混合（图节点中有 Chunk 也有 Embedding，且数据库的物理支持），“词汇概念 - 语法连接 - 语义嵌入”与代码分析的思路几乎一致；然后到检索层，Embedding & Rerank 这些常规套路无法解决语义鸿沟，而基于图结构元数据的 Text2GQL 就是某种意义上“描述可言说的表达”，更进一步的 AgenticRAG+Memory，则尽可能的用代码流程去逼近文本语义。

0435 可塑性软件新范式及其 SE 3.0 的初步思考，后续参考 Malleable Systems - Malleable Software & End-user Programming & SaaS
AI-IDE 全面接入 MCP，不仅是代码到工具的言出法随，同时增加了 AI-Coding 扩展至 SE 3.0 的途径。参考 CrewAI & ChatPRD & TASKMASTER.AI & CodeGuide & Agent-OS & upstash - Serverless Data Platfrom，前者是将需求文档转化为明确的编程任务，后者确保最新的 SDK/API 文档，都是补齐狭义的 AI-Coding 之前的 SE 流程，SE 3.0 今年年内应该初具规模。AI-Coding/AI-Programing 作为 AIGC 驱动发展与价值落地最快的方向，已经成为 AGI 最为清晰的实现路径（Prompt≈Code 等 X2Code）。回到 Vibe Coding 的热议，让我想到去年这时 Dify/Coze 辅助写标书时的提问：如何使一个专业新手快速输出一个完成度与专业度都达标的投标材料？现在这个问题也适用于 AI-Coding/AI-Programing。

是的，我不太关心“对生成代码最终负责”这类老生常谈的原则层面的议题，我的关注点侧重在规则落地的功能主义，比如提供一个基于 Cursor 环境的二阶项目模板（簇），包括系列原型系统的源代码及其软工过程材料，而且这些内容蕴含了 AI 友好的的领域业务不同颗粒度的表达，这样一个行业新手/中手只要具备基本/达标的行业常识，就能够据此 Vibe Coding 完成成本可控的定制系统，并由此起步，形成人与系统的共同成长。同样随着模型层面知识与推理的提升，对高手而言也能体会到这种超越小弟的辅助。我认为这将是“可塑性软件（Malleable Software & End-user Programming）”的一种新范式，如果将低代码/无代码的业务封装看作是一阶抽象的 HCI，那这个就是由 Agent 来衔接的二阶 HAI，虽然最终交付的还是固化的代码，但开发过程（对世界的建模过程）升阶了。注意，这个新范式与 Software-as-Autonomous-Service 以及 DeepSearch/DeepResearch 这类强调服务过程实时的 (Multi-)Agentic 能动性、灵活性不同，可塑性的 Agentic 是体现在构建阶段（参考 basicmachines-co / basic-memory 试图捕捉的内容），毕竟大部分的业务逻辑都是稳定的、清晰的，AI-Coding 实现的 AGI 始终还是要建立在代码这个坚石上（解释性、运行成本、基础设施等等考量）。此外，既然“可形式化的知识（数据）很快就会被 LLM 吃掉”，软工流程管道里尚未被全面形式化的，就剩建模映射过程了（至少 UML 已经证明过没那么简单）。

作为一个老程序员与软工教师，我认为当下的讨论还常常忽略的一个事实，就是人的知识体系是谱系的、不清晰的。不同能力的程序员，使用手搓（含搜索）、Copilot/Chat 辅助、Composer/Builder 自动、Agent 自主（Autonomy） 这四类编码模式，输出中短篇幅的代码（测试用例可控范围内），可以继续统一到一致的代码审核标准，但针对复杂系统与多人协同，AI-Coding 时代的技术债务一定是愈加严重的。因为，我们并不是在完全熟悉后才开始使用某个 SDK/API 进行编码的，而心心念念的最佳实践就是希望在大致了解（低认知负担）的情况下快速实现可用达标的功能。之前的程序员聚焦于 Coding 本身，尚能慢慢迭代完善补偿（也不少代码屎山），而随着 AI-Coding 能力的提升，目前的初步共识是程序员能力需升阶至 AI-Programing，而诸多 Vibe Coding 的实践者已明确建议“不要关注细节”。是啊，AI 生成的 SDK/API 文档主要是给 AI 看了，而人应该理解到哪个颗粒度？ 又比如，之前诸如“符合专家直觉的 SDK/API 设计是好设计”之类的原则就微妙起来，因为对 AI 友好与对人友好并不总是一致（或者说，有利于 AIGC 与有利于人的理解并不总是一致）。归根到底，AI-Coding/AI-Programing 的理想（潜台词）是人的意图描述到具身代码的端到端，这与几十年围绕人来建模世界的软工管道及其技术伦理本质上是有出入的，比如乍听惊悚想想又是必然的“即用即抛”，比如通过灵活的接口（HAI）而不是稳定的封装来提升建模颗粒度……“我熟悉 vs 我理解 vs 我知道 vs 我听说”都能成为实际的 AI-Coding/AI-Programing 过程中程序员写下提示时的一种可行状态。程序员从来都是最会偷懒的一群人，希望这个梗依然是褒义的，大家在二阶层面形成新的复用。

由上述可塑性软件新范式与 SE 3.0 的初步思考，不难推导出针对软工教育的全面颠覆，一方面是契合“应用型、产教融合”等叙事的快速超越玩具系统的美好畅想，一方面是基础知识体系缺失导致职业天花板过低的深切担忧（当然比起 AIGC 对社会影响的其他议题，我都有点无所谓了）。这部分另行展开，参考关于在计算机与软件学科层面体系化推进 AI-Coding & AI-Programming 教科研的建议 202504；

PS 关于 DeepWiki 对 Github 代码库的深入分析，Code2Text 作为最为清晰的 X2Text 的一枝，倒是题中之义，毕竟比起 Text2Code 的指示不清，严谨完整的项目代码只要模型支持足够长的上下文。我关注的是两点：一是面对人的代码学习理解到了一个新的阶段，尤其是对软工教育的颠覆，现在复杂的工业级系统、小众的 SDK/API，只要有代码都可以学习了；二是这些深入分析的文档，除了给人看，还可以给 AI 看，也就是作为合成数据，提升 Text2Code 的能力。

10 AI Tools to replace your tedious work