1024程序员节|AI是如何成为“第一生产力”的

有了腾讯云AI代码助手，小白也能从零开始看懂大工程源码

大二期间拉人参加了大创赛，一开头就被导师丢了一包D2D机会网络前沿论文和一包MobEmu机会网络模拟器源码文件夹，拿到代码的我一脸懵逼，花了整整一天的时间梳理这项JAVA工程的架构以及它是如何一步一步在几层文件之间运行的。由于JAVA的纯面向对象的特点，对我这种主打Python的人简直太折磨了，在一层一层梳理完代码逻辑性后，要是想优化代码的话还要跳转到ChatGPT之类的大模型，让它帮我生成对应的JAVA语句。

MobEmu架构

硬着头皮揽下了这项艰巨的任务，就只能自己寻找解决方法，这时腾讯云AI代码助手简直就是我们这种代码新手村的超强外挂。它不仅能根据输入要求给出的相符合的思路以及编写对应代码、对报错代码进行简单语法修正，而且对于一段已经开发完成的代码，它还可以给出优化方案并之间修复代码。

可以看出，腾讯云AI代码助手能够细致地检查简单的代码逻辑以及修正方法间的指代错误，将函数内参数item和外部变量index更改为更加便于区分的名称。根据AI助手给出的提示进行修改， 不仅很好地规范了我们的编码习惯，真的很节省工作时间啊！

成为牛马的日子，过上了「编程人生」

大三下期，我顺其自然地进入了一家互联网+信息系统公司实习。在当时的公司，我参与了一项刚刚接活儿的计算机视觉相关项目组，组里的大佬正埋头苦干忙于开发一套基于MindSpore平台的图像检测算法。该算法的研发经过了从传统图像处理方式到图像神经网络模型的不断迭代更新，基本上能搜到有先例的检测算法我们都考虑了一遍。不仅如此，该项目的开发需设计后续工程化部署的方面。

引用自MindSpore官网：“MindSpore的dataset使用数据处理流水线（Data Processing Pipeline），需指定map、batch、shuffle等操作。这里我们使用map对图像数据及标签进行变换处理，将输入的图像缩放为1/255，根据均值0.1307和标准差值0.3081进行归一化处理，然后将处理好的数据集打包为大小为64的batch。”

无奈的是我当时只掌握了Python的基础知识，但工作要求不仅是精通Python，还需要深入了解工程化技术，例如加密算法、技术栈涉及Docker和前后端交互等。此外，所有开发的应用都需要在公司所有的硬件设备上进行部署和调试。因此，整个开发过程对我来说难度较大，远超出我当时的知识储备。

我主要学习到了以下几个工程化组成部分和主要技术：

1. 版本控制（Version Control）：用于管理代码的修改和历史记录。常用工具有Git、DVC等。当时我们选用的就是DVC，DVC可以直接作为VSCode的扩展管理历史版本的代码和数据，使用上来说还是相当方便的，网上教程也有很多。
2. 持续集成与持续交付（CI/CD）：通过自动化流程，将代码的集成、测试、部署等环节一体化。工具包括Jenkins、GitLab CI、GitHub Actions等。
3. 容器化技术：将应用程序和其依赖的环境打包成一个容器，以便在不同的环境中一致运行。主要工具就还是屡见不鲜的Docker，配合Kubernetes等容器编排工具，能实现大规模的应用部署和管理。
4. 自动化测试：通过编写测试脚本来自动验证代码的功能是否符合预期。包括单元测试、集成测试、UI测试等。常用的测试框架有JUnit、pytest、Selenium等。

由于当时自身的实力和项目开发难度非常不匹配，当时的我遭受了巨大的打击，每天下班回家后也加紧利用补习检测技术不敢放松，利用腾讯云AI代码助手调试优化代码后一跑就是一晚上，早上起来碰一碰电脑都能取暖了，但还是要背着我那发烫的笔记本去公司继续写码测试，所以说硬件设备真的是非常重要啊。但现在回过头来想想，当时的我每天学到的东西真的比在学校里的实验学到的要多很多，也要实用很多，所以说继续跑吧！