在北卡羅來納州達勒姆舉行的全AI大會上，來自IBM、meta和Netflix等科技企業的專家們圍繞人工智能的應用展開深入探討。他們普遍認為，盡管AI技術已具備強大能力，但要真正實現高效利用，仍需開發者投入大量前期準備，這一過程甚至可能比傳統開發模式更為復雜。
Netflix UI架構師本·伊萊格博杜在演講中分享了團隊實踐案例。他通過構建多個專用AI智能體實現"對抗性代碼審查"：一個智能體負責生成代碼，另一個智能體評估代碼質量，第三個智能體則協調兩者工作。這種分工模式使他能夠同時推進多個項目，甚至用AI學習Groovy等陌生編程語言。不過他也坦言，頻繁切換智能體任務導致"精神疲勞"，這種工作方式恰是杰文斯悖論的生動體現——技術效率提升反而增加了工作總量。
meta開發者倡導者賈斯汀·杰弗里斯將AI比作"貪婪的實習生"。與傳統初級程序員不同，AI不會因信息過載而停滯，但會因上下文混亂導致輸出質量下降。他提出的解決方案包括：構建結構化提示鏈、創建進度追蹤文檔、采用模塊化工作流。據其觀察，AI通常能完成80%的基礎工作，而人類處理剩余20%時，其中又有80%可再次交給AI，形成持續優化的循環。
IBM語言技術總監路易斯·拉斯特拉斯強調"任務分解"的重要性。他指出，開發者常陷入"魔法咒語式"提示的誤區，試圖用模糊指令讓AI理解復雜需求。正確的做法是將項目拆解為可執行的子任務，并為每個環節設計專用函數。IBM開源的mellea.ai庫正是為此開發，其包含的Python函數可幫助大語言模型識別有害輸出、規范數據格式，甚至實現模型間的動態切換。實驗數據顯示，經過優化的領域專用模型在推理任務中表現優于通用大模型。
Intuit高級工程師賈斯汀·周從工程實踐角度提出"約束優于指令"的原則。他舉例說明，當要求AI避免使用HTML時，單純指令可能被忽視，而設置權限限制則能確保執行。這種"防御性編程"思維延伸出更極端的案例：若不授予AI訪問GitHub的權限，系統將從根本上杜絕相關操作。這種設計理念與《銀河系漫游指南》中"42"的哲學隱喻形成有趣呼應——在追求AI完美答案前，人類或許需要先明確定義真正的問題。
