在北卡罗来纳州达勒姆举行的全AI大会上，来自IBM、meta和Netflix等科技企业的专家们围绕人工智能的应用展开深入探讨。他们普遍认为，尽管AI技术已具备强大能力，但要真正实现高效利用，仍需开发者投入大量前期准备，这一过程甚至可能比传统开发模式更为复杂。
Netflix UI架构师本·伊莱格博杜在演讲中分享了团队实践案例。他通过构建多个专用AI智能体实现"对抗性代码审查"：一个智能体负责生成代码，另一个智能体评估代码质量，第三个智能体则协调两者工作。这种分工模式使他能够同时推进多个项目，甚至用AI学习Groovy等陌生编程语言。不过他也坦言，频繁切换智能体任务导致"精神疲劳"，这种工作方式恰是杰文斯悖论的生动体现——技术效率提升反而增加了工作总量。
meta开发者倡导者贾斯汀·杰弗里斯将AI比作"贪婪的实习生"。与传统初级程序员不同，AI不会因信息过载而停滞，但会因上下文混乱导致输出质量下降。他提出的解决方案包括：构建结构化提示链、创建进度追踪文档、采用模块化工作流。据其观察，AI通常能完成80%的基础工作，而人类处理剩余20%时，其中又有80%可再次交给AI，形成持续优化的循环。
IBM语言技术总监路易斯·拉斯特拉斯强调"任务分解"的重要性。他指出，开发者常陷入"魔法咒语式"提示的误区，试图用模糊指令让AI理解复杂需求。正确的做法是将项目拆解为可执行的子任务，并为每个环节设计专用函数。IBM开源的mellea.ai库正是为此开发，其包含的Python函数可帮助大语言模型识别有害输出、规范数据格式，甚至实现模型间的动态切换。实验数据显示，经过优化的领域专用模型在推理任务中表现优于通用大模型。
Intuit高级工程师贾斯汀·周从工程实践角度提出"约束优于指令"的原则。他举例说明，当要求AI避免使用HTML时，单纯指令可能被忽视，而设置权限限制则能确保执行。这种"防御性编程"思维延伸出更极端的案例：若不授予AI访问GitHub的权限，系统将从根本上杜绝相关操作。这种设计理念与《银河系漫游指南》中"42"的哲学隐喻形成有趣呼应——在追求AI完美答案前，人类或许需要先明确定义真正的问题。
