本文探讨了作者在日常代码工作中使用 Gemini 和 Qwen 等 AI 工具的体验。作者认为 AI 在分析单个文件或函数、生成不熟悉领域的基础代码框架、解答技术疑问等方面有积极作用。然而，对于复杂逻辑、跨模块交互、并发问题以及生成高质量的单元测试等方面，AI 的能力仍显不足，尤其是在需要深入理解业务逻辑和排查深层问题时，AI 容易产生幻觉并给出无效建议。因此，在关键和复杂的编码任务中，人工审查仍然至关重要。

🔍 AI 在代码分析方面能处理单个文件或少量函数，但难以保持跨多个文件的上下文理解。

💡 AI 在生成不熟悉领域或语法的代码框架方面表现良好，尤其是在明确提出需求的情况下，例如多线程并行执行的框架。

🚧 对于涉及复杂逻辑、多线程、指针等容易出错的代码，AI 生成的代码需要谨慎 review，且 AI 无法承担潜在的错误责任。

❓ AI 在解答不熟悉的技术知识、编译错误和库的使用等方面非常实用，能快速提供信息。

🤔 对于深层逻辑、并发和底层问题，由于难以清晰描述背景，加上 AI 可能产生幻觉，其提供的排查思路往往效果不佳。

不知是我姿势不太对，感觉 AI 带来的提升比较有限，尤其是一些深层逻辑、跨模块交互、并发等等问题上，不知大家的体验如何？

自己平时主要使用 Gemini + 公司内网可用的 qwen：

分析代码：
1. AI 只能做到分析某个文件、某几个函数，同个会话再多给几个函数，就把前面的都忘了；
2. 平时有个别逻辑复杂的函数，丢过去分析很好用；

代码生成：
1. vscode 内置的 qwen 很一般，基本没用过 tab 生成，还是通过会话方式让 AI 给出答案。
2. 一些自己不熟悉的库、语法、多线程协作等，给 AI 明确提出需求，AI 给出的代码框架还不错，自己改改就能用，比如让一组异步任务多线程并行执行，等待所有线程返回结果再返回；
3. 涉及多线程、指针等等容易出问题的地方，自己写都有可能出错，不敢让 AI 写自己 review （新人基本没 review 过别人代码没经验找出问题 + AI 不能背锅）；
4. 测例：AI 写 UT 应该很 6,不过我们平时不强制写 UT ，写 function test 、和业务结合的比较深，AI 不好用，除非是某些行业内标准业务流程+自己讲清楚逻辑，比如写 SQL ；

分析问题：
1. AI 最好用的地方是解答自己不熟悉的一些知识，编译报错、某些库等等；
2. 一些深层的逻辑问题、并发问题、底层问题，很难讲清楚背景，AI 因为幻觉（我理解就是 AI 一定信誓旦旦给你答案，但可能完全胡编或抓小放大没侧重点）的存在，给出的排查思路很多时候是没用的。