近年来，人工智能（AI）的编程能力一直在不断发展，但尚未达到完美状态。最近，BuzzFeed 的高级数据科学家 Max Woolf 通过实验发现，如果大型语言模型（LLMs）被持续提供“编写更好代码”的提示，AI 确实能够生成更高质量的代码。这一发现引起了广泛的关注，行业内的知名 AI 科学家对此表现出极大的兴趣，并强调了迭代和提示设计的重要性。
在 Woolf 的实验中，他使用 AI 模型 Claude 3.5 Sonnet 来执行一系列编程任务。最初，他向模型提出一个简单的编程问题：如何找到在一百万个随机整数中，数字之和为 30 的数中的最大值与最小值之差。收到任务后，Claude 生成了符合要求的代码，但 Woolf 认为还有优化的空间。
随后，Woolf 决定在每次代码生成后使用“编写更好代码”的提示进行迭代优化。在第一次迭代中，Claude 将代码重构为面向对象的 Python 类，并实现了两个重要的优化措施，运行速度提高了 2.7 倍。在第二次迭代中，Claude 添加了多线程和向量化计算，最终使运行速度比基线版本快了 5.1 倍。
然而，随着迭代次数的增加，代码质量的提升开始放缓。经过几轮优化后，尽管模型尝试使用更复杂的技巧如即时编译和异步编程等方法，在某些情况下反而导致性能下降。最终，Woolf 的实验揭示了迭代提示的潜力与局限性，并引发了对未来 AI 编程的新思考。
这项研究不仅展示了 AI 在编程中的应用潜力，还提醒我们，在通过持续迭代提高代码质量的同时，如何合理设计提示并平衡性能与复杂性仍然是值得深入探讨的话题。
总结：本文讨论了大型语言模型通过持续提供“编写更好代码”的提示来生成高质量代码的可能性及其局限性。研究结果表明，在不断优化的同时也需要合理设计提示，并平衡性能与复杂性。
