这篇文章算是近期系列的一个补充/支线任务。它不太适合直接放进主文中，所以我单独发布。在 为什么软件工厂会失败 第二部分 重新点亮灯光 中有简要提及。
寻求杠杆效应
即使在 AI 出现之前，交付一个功能所需的时间中，只有 25% - 50% 是编写代码本身。其余时间花在协调/规划、代码审查/返工以及测试/验证解决方案上。
如果你只用 AI 来编写代码，那么你只是把 2 - 4 小时的编码时间缩短到 10 - 20 分钟，但其他环节并没有加速。
但如果你用 AI 来帮助你规划和协调，那么你实际上可以获得约 2 - 3 倍的提速。
AI 编码杠杆的 80/20 法则
假设你随便往你的工厂里扔一个两句话的提示词，那么得到一个完全可合并结果的概率大约是 50%，需要返工的概率也是 50%。
现在假设你是一位拥有 10 年经验的首席工程师。你已经把横跨 100 个仓库的整个代码库都记在了脑子里。所以你花了一个下午手动编写了一份极其详细的规格说明。这样一来，你的胜算更大了，但很可能仍有大约 10% 的概率需要对 \*某些 内容进行重大返工。
而极端情况是：自己动手写每一行代码。这样 Agent 就没有犯错的空间，返工概率降为零。
\\注意\\ 在这个例子中，我会把
"需要修改某些内容的概率" 乘以 "修改带来的痛苦程度"
模糊成一个单一的百分比数字，但显然这是两个独立的变量。如果模型有 50% 的概率搞错一个按钮样式，但修复只需要一个便宜的提示词，那么我们的综合"预期代价"就很低。
预期代价 = P(需要修改) × 修改带来的痛苦程度
如果你把这个画出来，前期投入的努力与预期代价之间存在反比关系。
你不希望做的事情是：花 6 个小时规划一个任务，而实际上你在前 10 分钟就能消除其中 80% 的预期代价。
你需要在不过度纠结于那些必须深入一层才能回答的问题的前提下做到这一点。例如，如果你已经在"产品"层面做了一些工作，但还没有回答所有悬而未决的问题，那么你可能需要就此打住，然后下钻到技术细节层面去了解什么是可行的。没有完美的流程可以应对这种情况。
这就是我们所说的杠杆效应——它需要务实的做法。如果你正在进行多阶段的规划，从 5 万英尺的视角一直放大到 1 万英尺的视角，那么你希望在每个阶段都进行一些微调，以确保你尽可能多地消除预期代价。
祝你好运。
