开发者自述:2026年起LLM编程代理跨过门槛,我已很少手写代码
来源标题:My Local Coding Agent
一位开发者称,2026年1月LLM在代理框架中跨过能力门槛,能编写完整功能,此后他几乎不再手写代码。他坦言编程能力正在退化,也不像以前那样深入学习新库;但好处是能用不熟悉的语言“编程”,并把时间转向功能设计、权衡取舍等更高层工作。他还指出重构、移植代码和编写单元测试的成本都变低了。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
我用LLM来写代码起步比较晚,因为2026年之前的版本只能写一些孤立的小函数,再复杂的就用不了了。但2026年1月情况变了,agent框架里的LLM跨过了一个门槛,能写出完整的功能。从那以后我几乎不再手写代码,和Karpathy一样,我的编码能力正在退化——编了25年多的程,这种感觉挺怪的。我还发现自己不再像以前那样把新库学得那么透了,因为agent对标准库已经很熟,读源码的能力又强,我几乎不需要自己去翻文档。
好处是,我现在能用自己不擅长的语言“写”代码,也能把时间花在更高层次的工作上:思考功能、权衡取舍、做设计、为特定问题找最佳方案。这其实挺好的,这些本来就是我编程时最喜欢的部分。
那么现在agent能做什么?很多。重构代码便宜了,移植代码便宜了。写全面的单元测试也便宜了——不过得盯着agent写的测试,它们总爱把你想测的功能mock掉。agent非常擅长找bug、修bug。它们不擅长软件设计,不擅长让整个代码库保持连贯一致,不擅长让代码既高效又好维护,也不擅长做合理的技术取舍。话虽如此,每出一个新版本,它们自主工作的能力都在变强。
2026年模型能力大幅提升,幸运的是,能在本地跑的小型开放权重模型也是如此。4月发布了Qwen3.6-27B,对一个小模型来说编码能力惊人,8月又出了Qwen3.8-27B。截至写这篇文章时,它仍是本地编码的首选,不过Qwen4马上就要来了,大概率会取代它。这篇文章讲的是我的本地配置如何配合Qwen3.8-27B工作。我是从尽量少花钱的业余爱好者视角来写的。如果你手头有几千美元闲钱,可以买专用硬件、搭一台专用服务器。但我的目标是最低花费,尽量利用现有的游戏硬件。和往常一样,我偏爱能让我尽量折腾、尽量定制的方案。
在本地跑模型意味着没人能突然把模型从你手里拿走(自主权),你也不用把数据托付给云厂商(隐私)。那它更便宜吗?看情况。你能不能比最便宜的云厂商更划算,取决于你所在地的电价,以及你使用硬件的效率。下面的交互组件对比了本地跑Qwen3.8-27B与Openrouter、Nano-GPT当前API价格的成本。盈亏平衡点是平均每秒能生成超过45个token(写代码时可以达到)。
viewof prefillTps = Inputs.number([0, 10000], { value: 1400, step: 50, label: "Prefill (tokens/s)" })
viewof genTps = Inputs.number([0, 1000], { value: 45, step: 5, label: "Generation (tokens/s)" })
viewof loadWatts = Inputs.number([0, 1e4], { value: 400, step: 10, label: "Inference power (W)" })
viewof pricePerKwh = Inputs.number([0, 10], { value: 0.30, step: 0.01, label: "Price (€/kWh)" })
viewof usdPerEur = Inputs.number([0.5, 5], { value: 1.10, step: 0.01, label: "USD per EUR" })
tokens = 1e6 // 1M in + 1M out; API prices are per 1M
MODEL_OR = "qwen/qwen3.8-27b"
MODEL_NG = "qwen/qwen3.8-27b"
FALLBACK = ({ orIn: 0.15, orOut: 1.875, ngIn: 0.10, ngOut: 0.60, stale: true })
fetchPrices = async () => {
const get = (url) => fetch(url, { signal: AbortSignal.timeout(8000) }).then(r => r.json());
const [or, ng] = await Promise.all([
get("https://openrouter.ai/api/v1/models"),
get("https://nano-gpt.com/api/v1/models?detailed=true"),
]);
const m = or.data.find(x => x.id === MODEL_OR);
const n = ng.data.find(x => x.id === MODEL_NG);
if (!m) throw new Error(OpenRouter: model not found: ${MODEL_OR});
if (!n) throw new Error(Nano-GPT: model not found: ${MODEL_NG});
return {
orIn: Number(m.pricing.prompt) * 1e6,
orOut: Number(m.pricing.completion) * 1e6,
ngIn: Number(n.pricing.prompt),
ngOut: Number(n.pricing.completion),
stale: false,
};
prices = {
try { return await fetchPrices(); }
catch (e) { console.warn("price fetch failed, using fallback", e); return FALLBACK; }
stage = (tps) => {
const seconds = tokens / tps;
const kwh = (loadWatts * seconds) / 3.6e6;
return { seconds, kwh, cost: kwh * pricePerKwh };
prefill = stage(prefillTps)
gen = stage(genTps)
total = prefill.cost + gen.cost
api = (inP, outP) => (inP + outP) / usdPerEur
time = (s) =>
s >= 3600 ? ${(s / 3600).toFixed(2)} h
: s >= 60 ? ${(s / 60).toFixed(1)} min
: ${s.toFixed(0)} s
rows = [
{ name: "Local (RTX 3090)", cost: total,
detail: ${time(prefill.seconds + gen.seconds)}, ${(prefill.kwh + gen.kwh).toFixed(3)} kWh },
{ name: "OpenRouter", cost: api(prices.orIn, prices.orOut),
detail: $${prices.orIn.toFixed(3)} in / $${prices.orOut.toFixed(3)} out per 1M },
{ name: "Nano-GPT", cost: api(prices.ngIn, prices.ngOut),
detail: $${prices.ngIn.toFixed(2)} in / $${prices.ngOut.toFixed(2)} out per 1M },
Plot.plot({
title: Qwen3.8-27B: Cost for tokens 1M in + 1M out${prices.stale ? " · offline" : " · live Cloud prices"},
marginLeft: 100,
x: { type: "linear", label: "Cost (€)", grid: true },
y: { label: null },
marks: [
Plot.barX(rows, { x1: () => 0, x2: d => d.cost, y: d => d.name, fill: d => d.name }),
Plot.text(rows, { x: d => d.cost, y: d => d.name, text: d => ${d.cost.toFixed(2)},
dx: -4, textAnchor: "end" })
})
硬件
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。