AI 时代，编码意味着像系统架构师一样思考
In the AI era, coding means thinking like a systems architect
一位湿实验临床科学家在评论文章中分享了 AI 时代使用 LLM 辅助编程的六条建议。核心观点是编程瓶颈已从掌握语法转向如何有效提示和引导 AI 工具，建议像系统架构师一样思考、采用模块化编程，并使用 Cookiecutter Data Science 等标准化框架组织文件。为保护患者隐私，在将真实数据输入公共模型前，作者会用结构相同但不含真实值的虚拟数据集让 AI 编写和调试分析脚本。
发生了什么
这是一篇由湿实验室背景的临床科学家撰写的经验文章。作者的核心判断是：大语言模型和自主AI智能体把科研编程的入门门槛大幅拉低，过去要在论坛里花数小时找一个缺失的逗号或不匹配的括号，如今用提示词就能让AI在数秒内生成过去需要数天到数周调试的计算流程。作者明确回答了“还需要学编程吗”：要学，但重点从语法转向知道有哪些方法、大致原理和适用时机，并把AI当作被监督的自动助手，像资深软件工程师那样审查和修正其产出。材料宣布共六条建议，正文呈现了其中四条：像系统架构师一样思考、模块化编程、采用Cookiecutter Data Science这类标准化目录结构、以及用结构相同的假数据让公共模型写代码以保护敏感数据。
为什么重要
它推翻了“会编程等于会语法”的既有判断，把瓶颈重新定义为提示和引导AI的能力，这对实验观察和计算分析两头都要做的研发人员直接可用。可迁移的做法很具体：让AI写小的、单一功能的函数（读入数据、标准化、出图各一个），出错时可以隔离修复，还能跨项目复用，攒成个人可信工具库；用严格只读的文件夹锁住原始数据（如测序文件、临床表格），防止AI生成的脚本覆盖；只给模型列名、数据类型（整数、字符串、浮点数）和表格维度，不让真实值进公共云端模型——因为公共模型常用用户输入训练，敏感患者数据理论上可能被复述给其他用户。对处理临床数据的人，这套“假数据先行、代码回到本地安全环境跑真实数据”的流程，是材料给出的隐私底线操作。
还缺什么
材料宣布六条建议但正文只呈现了四条，剩余两条内容待确认。文中未披露作者具体使用的模型或智能体，也没有给出AI幻觉导致出错的频率、这套流程的验证结果等量化数据。涉及患者数据的伦理和监管风险只提供了假数据这一种缓解办法，机构层面的规范、审计或落地细则未披露，可后续关注。
来源：Nature · nature.com