本文探讨了AI在编程领域的应用现状与挑战。作者分享了使用Gemini和公司内网Qwen的经验，指出AI在代码分析和生成方面存在局限，如记忆长度限制、对深层逻辑和并发问题的处理能力不足。AI在理解不熟悉库、语法和生成代码框架方面表现较好，但在涉及多线程、指针等复杂场景下，由于潜在风险和审核难度，使用受限。AI在解决编译错误和解释不熟悉知识方面表现突出，但在深层逻辑和并发问题排查上，因AI的“幻觉”效应，提供的思路常无效。文章也提及了AI在单元测试方面的潜力，但受限于实际项目中的测试习惯和业务复杂性。
💡 **AI在代码分析上的局限性**：AI工具目前主要能分析单个文件或少量函数，超出范围后会遗忘先前信息。尽管对逻辑复杂的函数分析效果较好，但其对代码上下文的记忆能力有限，难以处理大型项目或复杂交互。
💻 **AI代码生成的能力与风险**：AI可辅助生成代码框架，尤其在不熟悉领域如多线程并行执行时，能提供可用框架。然而，在涉及指针、多线程等易出错的复杂场景，以及需要严格代码审查的情况下，AI的可靠性存疑，开发者仍需承担主要责任。
📚 **AI在知识获取与问题排查中的双重作用**：AI是解决编译错误、理解不熟悉库和语法的有力助手。但对于深层逻辑、并发或底层问题，AI因“幻觉”效应（即生成看似合理但可能错误或缺乏重点的答案）而提供的排查思路往往无效，难以替代深入的分析和调试。
🧪 **AI在测试领域的应用前景与现实挑战**：理论上AI能高效生成单元测试，但在实际项目中，由于测试覆盖率要求不强制、业务逻辑深度耦合等原因，AI在编写功能测试或深度业务测试方面支持有限，除非是标准化流程且逻辑清晰的情况。
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。
