换句话说，它 3 小时代码的能力，相当于我以前 10 个工作日的工作量。就是这样一个比例。
所以我就在想，一个人就可以完成一个 Google Translate。以前 Google Translate 是由 20 个全世界最顶尖的博士在那里写代码，写了很久。而我现在，我一个人就可以完成那 20 人的工作量。当年 Google Translate 至少还是一个非常了不起且复杂的系统。所以，我觉得从这个角度来说，所有事情都与以前大不相同了。
我认为，最终 AI 的关键在于你能够构建一个自我进化的 AI 系统。
李志飞的实践心得｜图片来源：出门问问
为了方便测试这个 AI 组织的 App，我又自动编写了代码：左边是网站代码，右边是一个测试框架。然后，它自己就像左脚踩右脚一样往上飞。你们可能觉得这是永动机，确实有这种可能性。当然，它有时也会左脚踢右脚往下跌，也就是会负向循环，也会正向循环。
为了实现这个目标，除了工程师，所有非工程师也能够直接修改我的代码。我又做了各种各样的 Agent。
当然，很多这些都是 Prompt，我只是验证了可行性，并没有达到真正的可部署或产品化。
但我认为，这证明了这个想法，或者说向团队演示这就是我想要的东西，以前可能需要花费大量时间才能弄清楚。现在你直接做一个 Demo 给他们看就好了。所以我认为，即便是一个 CEO，如果你有这种能力，你的产出真的是放大了 100 倍。
踩过的坑前面是我的经历，接下来我给大家讲一下抽象的理论，希望你们不要睡着，因为这还是非常独一无二的。
我想分享的是在使用 AI 编程时遇到的几个问题。
第一个问题是每个 Agent，即便我没有写 Agent，它仍然需要人工参与。
也就是说，我还是得说「我要写一个这样的 Agent」，虽然你可以参考我旁边的通用 Agent 框架，然后修改一下，再告诉我。但我仍然需要做这件事。有时它总是忘记我的原则，我又要跟它说：「你又忘记我的原则了」，或者「智能到底应该放在哪里？」它仍然存在这些问题。
第二，如果你用过它，它总是喜欢偷工减料。
比如你让它做某件事，明明还需要涉及到后端数据库，但它没做。它完成后就给你写一份很长的报告邀功，说它做完了。我通常看都不看，直接说：「你已经写了数据库了。」它会立刻道歉，然后开始行动。比如我要求它做 AI 时，它经常连远程的 AI 都没有调用，自己写一些 Fallback 或者假的东西。
因为我一看它运行得这么快，就知道一定有问题。我说：「你真的调用了远程的 AI 吗？」它又开始道歉，然后去处理。每次都这样，它还是很喜欢偷工减料，重复的错误更是不胜枚举，我就不赘述了。