无尘阁日记

无尘阁日记

AI辅助编程Python实战:它教的是把需求写成契约
silcano

这本书的中文版是 2025 年 3 月出的,两位作者是加州大学和多大(多伦多大学)的计算机教育研究者,译者是国内最早一批做大模型应用的开发者。读完我的判断是:它不教你怎么用 Copilot,它教你怎么把需求写成机器能接住的形状。这个区别很大——前者会过期,后者不会。下面只谈我读到的和我自己的判断。

一、它把「怎么问 AI」换成了「写函数签名」

市面上讲 AI 辅助编程的书,讲「提示词」的路数基本一样:你要描述清楚背景、目标、输入、输出、约束,最好再给个例子。这套说法不错,但它有个致命弱点——它不可验证。你按模板写了一段又长又漂亮的提示词,机器给你一大坨代码,你怎么知道它答的是你要的问题?

这本书的做法完全不同。它让你先写函数签名:

def money_made(num_shares, purchase_share_price, current_share_price):

然后是文档字符串:

num_shares 是我们买入的股票数量,purchase_share_price 是当时每股的价格,current_share_price 是现在每股的价格。返回我们在这只股票上赚到的钱。

这两段写完,才轮到机器动手。作者把这个顺序讲得很清楚:参数名本身就是需求说明。你写 num_shares 而不是 a,写 purchase_share_price 而不是 b,等于已经告诉它这三个数各自是什么、单位是什么、哪个是历史值哪个是当前值。写不出这三个名字,说明你自己还没想清楚要算什么。

更狠的是下一步——把测试用例写进文档字符串。第 6 章有个找最长单词的例子,docstring 里直接躺着四条断言:传 ['cat','dog','bird'] 该返回 bird,传 ['happy','birthday','my','cat'] 该返回 birthday,传单元素列表该返回它自己,传 ['cat','dog','me'] 该返回 cat——最后这条是故意设的坑,两个三字母的词,比的是谁先出现。

作者的评语只有一句,但这句话把整本书的底牌亮出来了:测试用例巧妙地嵌入了文档字符串,并充当提示词的角色。也就是说,同一段文字干了两件事——给机器看,是需求;给人看,是验收。这两件事本来是分开的,一份写在需求文档里,一份写在测试文件里,现在合并成 docstring 里的十几行。

我认为这是全书最有价值的一招,比后面所有的「提示模式」「角色扮演」都值钱。因为它把「提问」这个动作,从一门玄学变成了一份可执行、可复现、可审查的契约。玄学的问题是没法教,也没法验收;契约可以。

但它也有代价,而且这个代价正好落在它的目标读者身上。能写出好签名和好 docstring 的人,本来就已经会编程了。参数该怎么拆、边界情况有哪些、返回值该是 None 还是空列表——这些判断恰恰是初学者最缺的那部分。所以这本书其实把门槛挪了个位置:不是从「会不会语法」挪到「会不会提问」,而是从「会不会语法」挪到「会不会设计接口」。后者更难。

AI辅助编程Python实战 核心知识图谱
全书骨架:前提、工序、硬招、边界

二、那个「木匠拒绝电动工具」的比喻,说对了一半

前言里有一段我读了两次。作者先说,外界对 Copilot 和 ChatGPT 的评价分歧极大:一派认为编程这行要没了,一派认为这工具一身毛病、不如没有。作者说这两种极端都站不住,理由是——Copilot 学的是已有的代码,遇到新技术、新工具,人类还得自己写开头那部分。他们举的例子是量子计算:初期根本没有足够的相关代码可学。

然后他们话锋一转,承认自己用了多年之后发现这工具确实强:

我们两人都有长达数十年的软件开发经验,Copilot 常常能迅速输出比我们自己写的还要准确的代码。忽视这样一款强大的工具,就像一个木匠拒绝使用高效的电动工具一样不明智。

这个比喻很妙,但它把关系说反了一半。电动工具替代的是体力——锯得快、刨得平,但木头该切成什么尺寸,还是木匠定。Copilot 替代的是表达——把「切成 30 厘米」翻译成锯的动作,这一步它替你做了。尺寸它也能猜,猜错了你得看得出来。

换句话说,电动工具让你手更稳,Copilot 让你少写但要多看。它没有减少判断量,只是把判断从「写的时候」挪到了「读的时候」。全书 546 页其实都在补这个差额:怎么读它写的代码(第 4、5 章)、怎么判断它对不对(第 6 章)、怎么把它拆小到能判断(第 7 章)、出错了怎么定位(第 8 章)。

所以这本书真正的结构不是「入门到精通」,而是「提问、阅读、验证、拆解、调试」五件事的循环。作者自己在第 3 章末尾画过一张流程图,叫「与 Copilot 协作设计函数的基本流程」,图下面还特意加了个括号:前提是所定义的函数是合理的。这个括号加得很诚实——循环能转起来,靠的是你有判断力,不是靠流程本身。

三、166 个初级编程题,这组数字比任何口号都可信

第 1 章讲风险的那一节,是我在同类书里见过最不吹的一段。它没写「AI 让效率提升十倍」,而是搬了一组研究数据:在 166 个常见的初级编程任务上,Copilot 第一次尝试就解决了将近 50%;一旦提供更多信息,这个比例可以提升到 80% 左右。

这组数字值得停下来看三秒。它同时说了两件事。第一,这东西确实能用——一半的题一次就对,补点上下文到八成,这个水平超过很多刚学一学期的人。第二,它一次过的上限只有一半,而「补更多信息」这四个字,是要人掏的:你得知道它还缺什么。

同一节里还有一段话,我认为是全书对「为什么不能盲信」最好的解释:

我们可能根本猜不到,在 20 行完美无缺的代码中,竟然隐藏着一行荒唐的代码。

这句话点出了一个跟普通 bug 完全不同的东西。人写的 bug 通常有迹可循——变量名打错、循环边界少一、条件写反,读两遍容易看出来。机器写的错误经常是语法无懈可击、逻辑自洽、但意图错位:它算的是它以为你要的,不是你真正要的。这种错误读代码读不出来,只能靠测试打出来。

所以第 6 章才会那么强调测试,甚至不惜把「测试」和「提示工程」绑在同一章标题里。这个安排不是凑数,是全书逻辑的必然:如果错误长得像正确答案,那唯一的破绽就在结果上。你只能拿用例去撞它。

四、它坚持讲「代码怎么跑」,这是全书最不像 AI 书的部分

第 4、5 两章加起来将近 80 页,讲的是循环、条件、缩进、字典、文件读写、模块导入。放在一本 2025 年的 AI 书里,这部分显得特别「旧」——AI 都能写了,还讲这些干什么?

作者的回答藏在一个例子里。他们用三段极短的代码演示调用关系:主程序打印 Hi,调用 funct1,funct1 打印 there,再调用 funct2,funct2 打印 my。然后一步步跟踪执行点的跳转,讲清楚一件事:函数执行完,一定回到调用它的下一行,而不是回到「被调用的那个位置」。接着补了一句为什么——如果回到调用点,就会陷入无限循环。

这段讲的是调用栈。它跟 AI 一点关系都没有,任何一本 2005 年的编程入门书都会讲。但放在这里,它的作用变了:它是你读机器代码时的地图。机器给你一段二十行的函数,你能不能在脑子里跑一遍、知道哪个变量在第几步变成了什么值,决定了你有没有资格说「这段是对的」。

第 4 章开头作者讲得很直白:尽管本书的目标不是立刻教会你阅读代码,但解决方案里会不断出现各种编程特性,看到时会特别指出来。第 8 章讲调试时又把话说重了一层——识别和修复 bug 是第一个目标,在运行代码的过程中加强对代码运作机制的理解是第二个目标,两个目标绑在一起。

这是我读这本书时最服气的地方。绝大多数 AI 编程书都在教你「怎么让它写出来」,只有这本在教你「怎么有资格验收」。前者是效率问题,后者是责任问题。当一段代码跑在你的电脑上、处理你的数据、最后要交给别人用,责任只落在签字的那个人身上——而这个人恰恰是唯一没法外包给模型的角色。

顺便说一个细节,我笑了一下。第 3 章讲协作流程时,作者提醒:Copilot 有时候不给代码,只给你一串注释,或者干脆甩一句 YOUR CODE HERE。然后他们补了一句:

Copilot 是从我们这些教授这里学到这种表达方式的——当我们向学生提供部分代码并要求他们完成剩余部分时,我们会说「YOUR CODE HERE」。

这句话信息量不小。模型是从人类的教学材料里学会「偷懒」的:它见过太多练习题的骨架,于是把骨架当答案还给你。写书的人意识到这一点,还愿意写出来,这种自觉在工具书里很少见。

五、测试那一章,把「学生为什么不测」讲透了

第 6 章开头有两段,我觉得值得所有教编程的人抄下来。作者问:学生为什么不爱测试?给了两个原因。第一个是,他们觉得自己写的代码「理所当然」能跑——既然逻辑是对的,跑起来自然对。第二个更扎心:

如果你认为自己的代码是正确的,那么测试只会带来坏消息。如果不进行测试,就不会发现代码存在问题。

这句话把一个心理机制说穿了。不测试不是因为懒,是因为测试的唯一功能就是证明你错了。人在投入了两小时之后,最不想做的事就是找一个证据推翻自己。学生如此,工作多年的人也如此——只不过后者被生产事故教育过。

作者的对照写得也准:专业工程师对测试的态度和学生截然不同,因为错误可能让公司损失巨额收入、泄露用户机密、甚至引发自动驾驶事故。所以他们的默认假设是反的——先假设代码是错的,再想办法证明它没错。后面还带出两个概念:回归测试(每次改动都跑一遍可能受影响的旧功能)和测试驱动开发(先写测试再写代码)。作者很克制地说,本书读者不必采用 TDD,但提前想清楚怎么测,有助于想清楚功能是什么,也有助于把提示词写得更好。

「有助于把提示词写得更好」这半句,是这本书的独门衔接。一般讲测试的书讲到这里就结束了:测试是为了质量。这本书多走了一步:测试是为了把需求说清楚。你写不出用例,说明你还没想清楚边界;边界没想清楚,机器就只能猜。

同一章后半段还有个扩展:如果输入是外部文件,docstring 里塞用例就不方便了,于是改成读一个精简过的真实数据集来测——他们用的是 NFL 四分卫的数据,只取前 9 列,让例子短到能读。这个处理很务实:既不假装「一切都能塞进 docstring」,也不为了省事跳过测试。

但也就是在这里,作者划了一条界:与外部网站交互的代码,测试起来难度陡增,「已经超出了本书所讨论的范畴」。这句话没错,但它同时暴露了这本书的尺度——全书所有项目都停在「单机、单文件、无外部依赖」的范围里。真实的工程恰恰相反:调接口、连数据库、等第三方返回、处理超时重试。最难测的那部分,被划到书外了。

六、问题分解:为什么不能一句「写个程序鉴定作者」

第 7 章是我认为全书结构最好的一章。它先做了一个思想实验:如果你直接对 Copilot 说「编写一个程序来鉴定一本书的作者」,会发生什么?

作者的推演分两档。最好的情况,你拿到一套现成的程序——但所有决策都已经替你做好了,参数是它选的、阈值是它定的、特征工程是它想的,而这个程序很可能不符合你的需求。更麻烦的是,你没法改:面对一个你不理解的大程序,修它的错误比登天还难。最糟的情况更简单——它反复给你注释,就是不给你代码。

然后是全书的解法:自顶向下。顶层函数只负责调用,不负责实现;每个子任务各自写一个函数,各自单独交给机器。举个书里的例子:要在一堆单词里挑出得分最高的那个(best_word),得分怎么算很麻烦——字母 A 算 1 分、B 算 3 分、C 算 3 分、D 算 2 分、E 算 1 分……于是先把「算一个单词多少分」拆成 num_points,让 best_word 只负责遍历和比较。

拆完之后,两件事同时变简单了:每个函数短到能读、能测、能验;每个函数的提示词短到能写清。作者还特意强调了一句我觉得很关键的话——不建议回头查看原有代码,而是重新推敲逻辑。这个反直觉:代码都写过了,为什么不复用?因为复用的前提是你理解它,而「理解」恰恰是这本书最不肯让你跳过的一步。

这一章后面接了一个真项目:鉴定一本书的作者。特征拆得挺讲究——句子平均单词数(书里那 32 个词、2 句话,算出 16)、句子复杂度(用逗号、分号、冒号切出来的短句数除以句子数,3 除以 2 等于 1.5)、用词偏好。作者还很老实地说,这不是一个专业水准的作者识别系统,同一作者也可能有不同风格,但仍然认为这套方法在运作效果上值得称道。

这段的诚实我很喜欢:它没说「你能做出工业级系统」,它说「这是个能跑的教学项目」。同时它顺手把机器学习最基本的那层窗户纸捅了——监督学习就是用带标签的数据算特征、再拿去推断。很多书讲了半本还没说清这层。

七、它对「工具速朽」是有自觉的,但没躲过去

第 2 章装环境那一段,我原本准备挑刺:又是 VS Code、又是 Python 插件、又是 Copilot、又是 Copilot Labs、又是 Copilot Chat,五个东西,光版本号就能让书在半年内过期。结果作者先自己说了:

由于本书绝大部分内容不涉及使用 Copilot Labs 插件,即便该项服务在本书出版之后有所变更,也无须感到沮丧。与 Copilot Labs 的交互也可以通过 ChatGPT 或 GitHub Copilot Chat 来实现。

还补了一句:写这本书的时候,Copilot Chat 尚未对所有用户开放,如果到时候你没法用,就用 ChatGPT 代替。

这是很清醒的处理。工具书最怕装作工具不变,这两位作者选择提前告知「这里会变,变了怎么办」。同类书里,多数是把菜单截图贴满一页,然后在下一版里悄悄换掉。

但清醒不等于免疫。全书的主线工具是 GitHub Copilot 的行内补全——你在编辑器里写签名和 docstring,它在你光标后面接代码。这个交互形态在过去两年里已经被冲得很厉害:聊天式助手、能读整个仓库的 Agent、能自己跑测试的编码代理,一个比一个激进。当工具从「补全下一行」变成「领走一个任务」,这本书教的「一次让机器写一个函数」,就显得过于谨慎了。

谨慎本身没错,甚至可能是对的。第 11 章作者自己算过一笔账:如果一个任务需要 20 个函数、每个函数平均 10 行,那么几乎可以肯定它会在某个环节出错。这个判断放到今天依然成立,只是形式变了——不是「模型写不了 200 行」,而是「200 行里总有一处你事后才发现不对」。规模越大,这个概率越接近 1。

所以这本书的选择是:主动把规模压小,让错误无处藏身。这个策略在方法论上是对的,在体验上是不爽的——读者会觉得自己在用一个被刻意限速的工具。而现实里,限速的那个人得是你自己,书只能告诉你为什么该限。

顺带提一句第 9、10 章。这两章是「练手区」:第 9 章做烦琐事务的自动化——合并一堆 PDF、把两个目录里的照片去重后复制到新目录;第 10 章写两个纯文本小游戏——猜数字,和一个靠掷骰子权衡风险、攒分定胜负的双人游戏。这两章有个共同的处理方式我很认同:刻意用文本形式,不用图形和动画。作者把理由写明了,是为了让人专注逻辑,而不是表现形式。写游戏最容易滑向「界面好不好看」,一旦滑过去,学的东西就从「怎么把规则拆成函数」变成了「怎么调某个库」。

第 9 章讲性能的那一段也很克制。作者说,如果未优化的程序已经足够顺利完成任务,完全没必要再操心更优化的版本;只有当它确实不够快、或者你要频繁用它,才值得投入精力。这段话放在一本教「让 AI 帮你写代码」的书里,其实是个反向提醒:AI 让「写更多代码」的成本降到很低,于是最容易发生的事是过度工程。他们提前把这个坑标出来了。

八、它的短板

一、边界划得太干净。安全,作者先讲「代码质量」再讲「代码安全」,说医疗设备、用户敏感数据这类代码必须理解透彻,紧接着一句:本书处理的代码不会大规模部署,「因此也不会将重点放在安全问题上」。测试,与外部网站交互的部分「超出本书范畴」。两处都合理,两处都在同一个方向上退让:凡是需要真实环境、真实数据、真实责任的地方,都不教。可一个学完这本书的人,下一步要做的恰恰是这些。

二、错误处理几乎是空白。全书唯一系统提错误处理的地方,是第 11 章「反转互动模式」里那份让模型反问的清单——第五条是「该函数是否应该包含错误处理机制,以应对用户输入无效的情况」。也就是说,错误处理在这本书里是个可选项,靠你在提问时想起来。而现实中它是最不该靠记性的东西。

三、「零基础」的承诺打了折。签名怎么拆、docstring 该写多细、用例该覆盖哪些边界——这些都需要先有判断力。作者是计算机教育研究者,他们太清楚初学者卡在哪,所以书里补了大量「代码怎么跑」的内容;但补完之后,起点其实已经不是零了,是「学过一点、但写不利索」。这个定位本身没问题,问题是封面和前言给人的预期更宽。

四、例子全是玩具级。股票盈亏、密码强度、单词游戏、合并 PDF、给照片去重、猜数字、掷骰子。每个例子都干净、可控、几十行解决。它们能教会方法,但教不了「脏」——真实项目里一半时间在跟不规范的输入、不稳定的接口、别人留下的烂代码打架,这部分全书没有。

五、反转互动模式本身不太稳。第 11 章给的示例对话里,作者明确要求「每次只提一个问题」,结果 Copilot 一口气列了五个,作者只好再提醒一次「请每次只向我提一个问题」,它才照做。这个细节被原样印在书里,很有意思——它说明模式是有效的,但有效性依赖于你反复纠正。书里没有把这个「反复」写成流程的一部分。

六、展望部分回避了自己提出的难题。第 11 章最后谈「跳代码」:数据科学家用 pandas,用自然语言收答案,不用看代码。这个方向确实在发生。但作者在前面刚说过,与 Copilot 互动的主要难题是如何验证生成代码的正确性;一旦跳过代码,验证就失去了对象——你连读什么都没得读。这个矛盾在书里没有被处理,只是被放在了「未来可能」的括号里。

七、版权那一段,作者自己承认模糊。讲训练数据与生成代码的版权归属时,作者写:这里的表述有意保持了一定的模糊性,因为法律适应新技术需要时间。这个态度我理解,也尊重——不装懂。但对一本要指导实践的书来说,读者最需要的恰恰是一句「这种场合别用、那种场合可以用」的粗线条建议,而不是「谨慎对待」四个字。

八、它没有回答「学完这本之后呢」。书里没有一个项目用到多文件组织、没有版本控制、没有依赖管理、没有并发。这些不是它的错,是它的范围。但一本以「实战」命名的书,读到最后一页,你会发现自己能做的东西和能交付的东西之间,还隔着一整套工程常识。

顺带说,这本书的编排有个我很欣赏的地方:几乎每章都以「本章小结」收尾,小结是一串短句,每条一句结论,可以直接当复习卡片。这种写法在教材里常见,在商业书里少见——它默认读者会回头查,而不是读完就扔。

一句话:这本书教的其实是一门旧功夫——把需求想清楚、把验收写下来、把大问题拆小;AI 只是把「译成语法」这一步拿走了,剩下的判断一步都没少,只是从写的时候挪到了读的时候。

如果你已经会写一点 Python,但每次让 AI 写代码都提心吊胆,这本书值得读——尤其是第 3、6、7 三章,签名加 docstring 加 doctest 这套组合,练熟之后你对生成代码的信任度会变得有依据,而不是靠感觉。如果你是彻底的零基础,别从这本开始,先去把循环和函数自己手写二十遍,再回来读它讲的「怎么验收」,那时候每一句都能对上号。

阅读记录:《AI 辅助编程 Python 实战》,[美] 利奥·波特、[加] 丹尼尔·津加罗 著,CSS 魔法 译,人民邮电出版社,2025 年 3 月第 1 版,ISBN 978-7-115-65926-2。全书十一章,读完全书。
关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。