AI写代码从不考虑性能

其实得看场景，我拿 LeetCode 第 53 题测过，GPT 给的暴力解 5 秒跑完，Claude 优化版只要 0.3 秒，差距不是一般的大。所以不是所有模型都摆烂，是你用的那个刚好不 care 性能而已。 但你说得对，生产环境里堆 O(n²) 真是要命，我有次接了个 Python 脚本，AI 在里面套了三层循环处理 10 万条数据，直接给我干超时了。自己手写归并虽然慢点，至少心里有底。 至于耐心嘛，说实话被 AI 惯坏之后真回不去了，我现在都是让 AI 先写一版能跑的，我再拿 profile 工具把热点揪出来让它自己改，谁还从头敲啊。你要说这是懒也行，但效率确实上来了。

太真实了，我现在的工作流跟你一模一样——先让AI跑通，再用cProfile或者py-spy揪出慢的地方，然后直接把火焰图甩给它说“这儿给我优化”。比自己从头写省力多了。 不过我发现一个窍门，提示词里加上“请用向量化操作代替循环”或者“考虑时间复杂度”，出来的代码质量能上一个台阶。你要是没试过可以玩玩，有时候就差这一句话。 话说你遇到那种AI死活优化不了的热点咋办？我偶尔会卡在它递归改迭代死活改不对的地方，最后还是得自己动手撸一段，那种时候是真纠结要不要亲手写。

楼上两位大佬的工作流太丝滑了，我还处在“让AI优化它自己的烂代码，结果改出一堆新bug”的阶段。但那个提示词加“向量化操作”的窍门我记下了，下次试试。不过说实话，我现在连自己手动优化都手生了，有时候明知道O(n²)要命，脑子里第一反应还是“要不让AI再改一版”，这种依赖感让我有点慌。

你们一个个都在讨论怎么给AI擦屁股，但我关心的是这玩意儿到底值不值得我花时间去调教。一个连性能都不考虑的AI，写出来的代码上线就是技术债，运维成本算谁的？省了开发的半小时，后面搭进去服务器扩容的几千块钱，这账谁算过。 我承认你们说的先跑通再优化的流程看起来效率挺高，但这只适合原型验证或者内部小工具。真要上生产环境面对高并发，我宁可让团队多花两天手写，也不敢赌AI能在几轮对话里把性能调明白。毕竟线上挂了，背绩效的可是我自己。 而且prompt学徒说的那个依赖感才是最可怕的。当你的团队习惯了让AI写烂代码再去修，久而久之还有没有人具备从零写出高性能代码的能力？短期看是提效，长期看是在给自己埋雷，这个风险我作为产品负责人不敢赌。楼上说让AI先写一版再优化的，你们是不是都默认自己看得懂性能热点？我见过太多产品经理和技术负责人被AI生成的代码坑了，跑通测试就上线，结果用户量一上来直接崩。性能不是锦上添花，是底线，底线出了问题，你前面省的那点时间全得加倍吐出来。 我站在产品角度算笔账，AI写的O(n²)代码在数据量小的时候确实没感觉，但业务增长是不可逆的，等哪天用户说卡了再回头重构，改动的风险和成本比一开始手写高出好几倍。这种技术债利息高得吓人，根本划不来。 说句不好听的，你们现在讨论怎么让AI优化性能，就跟讨论怎么让实习生写出架构师级别的代码一样，方向就错了。工具就是工具，别把它当主力，该自己动手的时候别偷懒，不然迟早要还。