如今，神经网络无处不在。程序员使用它们来生成代码，解释其他解决方案，自动化日常任务，甚至从头开始创建整个应用程序。看来这应该导致效率提高，降低错误和发展的加速。但是现实要平淡得多：许多人仍然没有成功。神经网络无法解决关键问题 – 它们仅阐明了无知的深度。
完全依赖LLM而不是理解
主要原因是，许多开发人员完全依靠LLM，而无视对他们使用的工具的深入了解。而不是研究文档 – 聊天请求。而不是分析错误的原因 – 复制决定。而不是建筑解决方案 – 根据描述产生组件。所有这些都可以在表面上起作用，但是一旦出现了非标准任务，就可以与真实的项目集成或需要进行微调，一切都在崩溃。
缺乏上下文和过时的实践
神经网络生成代码概括。他们没有考虑到您的平台，库的版本，环境限制或项目的架构解决方案的细节。生成的东西通常看起来合理，但与真实的，受支持的代码无关。即使简单的建议属于框架的过时版本或长期以来一直被认为是无效或不安全的使用方法，它们也可能行不通。模型不了解上下文 – 他们依赖统计信息。这意味着在开放代码中流行的错误和反植物将一次又一次地复制。
冗余，效率低下和缺乏分析
生成的AI代码通常是多余的。它包括不必要的依赖性，重复的逻辑，不必要地添加了抽象。事实证明，一个难以支撑的无效结构。这在移动开发中尤其重要，在移动开发中，帮派的大小，响应时间和能耗至关重要。
神经网络不进行分析，不考虑CPU和GPU的限制，也不关心内存的泄漏。它没有分析代码在实践中的有效性。优化仍然是手工制作的，需要分析和检查。没有它，即使从结构的角度来看，应用程序就会变得缓慢，不稳定和资源密集型。
脆弱性和对安全性的威胁
不要忘记安全。当成功使用LLM成功地破解项目的项目部分或完全创建时，已经有已知的情况。原因是典型的：使用不安全功能，缺乏输入数据的验证，授权逻辑中的错误，通过外部依赖性泄漏。神经网络仅仅是因为它是在开放存储库中找到的，才能生成脆弱的代码。没有安全专家的参与和完整的修订，此类错误很容易成为攻击的投入点。
法律是帕累托，缺陷的本质
Pareto Law与神经网络明确合作：由于20％的努力，结果的80％是实现的。该模型可以生成大量代码，创建项目的基础，传播结构，安排类型，连接模块。但是，所有这些都可以过时，与当前版本的库或框架不兼容，并且需要大量的手动修订。自动化在这里而不是作为草稿，需要检查，处理和适应项目的特定现实。
谨慎乐观
然而，未来看起来令人鼓舞。不断更新培训数据集，与当前文档的集成，自动化体系结构检查，符合设计和安全模式 – 所有这些都可以从根本上改变游戏规则。也许几年后，我们可以真正依靠LLM作为真正的技术公司作者来更快，更安全，更有效地编写代码。但是现在 – a-必须手动检查，重写和修改很多。
神经网络是一个强大的工具。但是，为了使他为您工作，而不是反对您，您需要一个基础，批判性思维和愿意随时控制。
