人工智能正在改变开发人员的工作。以下是需要加强的三个技能。
学习指导人工智能代理，批判性地审查他们的输出，并将技术判断置于工作流程的中心。后人工智能正在改变开发人员的工作。以下是需要加强的三个技能。首先出现在 GitHub 博客上。
来自 GitHub AI 的官方动态，版本与适用范围以发布方说明为准。
GitHub AI · 查看官方发布中文机器翻译 · 原文附后
正文 · 来源原文
Gwen Davis 是 GitHub 的高级内容策略师，她在其中撰写有关开发人员经验、人工智能驱动的工作流程以及技术职业发展的文章。
人工智能正在改变开发人员的工作和应用技能的方式。编写代码仍然很重要，但开发人员越来越需要知道如何指导人工智能、评估其输出、沟通权衡并做出合理的技术决策。
好消息？你今天就可以开始准备了。这里是重点：
提示#1：学会指导人工智能，而不仅仅是使用它。
人工智能正在改变执行的方式。卓越的执行力越来越意味着清晰地定义问题、提供正确的上下文、评估人工智能生成的代码并决定准备发布什么。随着人工智能代理承担更多的实施工作，这些技能变得更加有价值。
例如，假设您被要求添加新的身份验证流程。
传统的工作流程可能如下所示：
随着人工智能工具变得越来越强大并且更深入地集成到日常工作流程中，这些相同的技能可以帮助您协调多个人工智能代理。您的工作流程可能看起来更像这样：
注意发生了什么变化。你仍然对结果负责，但你自己花更少的时间来实现每一个部分。相反，您需要定义工作、审查输出并做出将所有内容整合在一起的技术决策。
要点：学习指导人工智能代理。
提示#2：不要相信人工智能的第一个答案
人工智能可以在几秒钟内生成令人印象深刻的解决方案，但第一个答案并不总是最好的。您编写干净、可维护代码的经验可以帮助您评估人工智能的输出。
要求第二个人工智能模型批评第一个模型的工作，然后用你自己的判断来评估这两个回答。
下面的提示显示了实际情况：
不同的人工智能模型有不同的优势和盲点。这就是为什么 GitHub Copilot 的内置 Rubber Duck 代理在继续之前使用第二种模型来批评计划、代码和测试。第二种视角通常可以捕捉第一种模型忽略的问题。
要点：足够信任人工智能来使用它，但不足以跳过审查。
技巧#3：使用人工智能解决更大的问题
当人工智能节省实施时间时，开发人员可以利用这些时间来解决更广泛的问题：了解客户需求、评估权衡、设计更好的系统以及做出人工智能无法为他们做出的技术决策。
例如：
随着人工智能承担更多的实施工作，杰出工程师的技能变得更加重要：做出正确的判断、平衡权衡以及解决正确的问题。
要点：让人工智能处理更多的实施工作，这样你就可以花更多的时间建立判断力，帮助团队做出更好的决策。
底线
随着开发人员工作流程的发展，学习如何有效地使用人工智能并加强自己的技术判断可以帮助您适应。
查看英文原文
AI is changing developer work. Here are three skills to strengthen.
Learn to direct AI agents, critically review their output, and keep technical judgment at the center of your workflow. The post AI is changing developer work. Here are three skills to strengthen. appeared first on The GitHub Blog .
正文 · 来源原文
Gwen Davis is a senior content strategist at GitHub, where she writes about developer experience, AI-powered workflows, and career growth in tech.
AI is changing how developers work and apply their skills. Writing code is still essential, but developers increasingly need to know how to direct AI, evaluate its output, communicate tradeoffs, and make sound technical decisions.
The good news? You can start preparing today. Here’s where to focus:
Tip #1: Learn to direct AI, not just use it.
AI is changing what execution looks like. Increasingly, great execution means defining the problem clearly, providing the right context, evaluating AI-generated code, and deciding what’s ready to ship. As AI agents take on more of the implementation, these skills become even more valuable.
For example, imagine you’re asked to add a new authentication flow.
A traditional workflow might look like this:
As AI tools become more capable and more deeply integrated into day-to-day workflows, those same skills can help you coordinate multiple AI agents. Your workflow might look more like this: