在人工智能时代，如何利用 AI 辅助编程快速构建软件原型？吴恩达老师在这篇信中分享了他的心得与最佳实践。他不仅介绍了自己当前使用的技术栈（包括 Python + FastAPI、Uvicorn、MongoDB 等），还探讨了如何通过明确选择工具和优化开发流程，大幅提升开发效率
文中重点包括：
-
1. 技术栈的重要性：如何选择适合自己的工具，并熟悉其组件以加速开发。
-
2. AI 辅助编程：OpenAI 和 Anthropic 的最新模型如何帮助从代码到设计层面的开发。
-
3. 快速迭代的方法：使用 NoSQL 数据库和云服务实现灵活的原型开发。
-
4. 持续学习与演进：技术栈的选择是动态的，不断尝试新工具可以带来更多可能性。
如果你正在寻找提升开发效率的灵感，或者对 AI 辅助编程的实际应用感兴趣，这篇文章将为你提供丰富的实用建议和方法论
以下内容为其推文转译：
亲爱的朋友们：
使用 AI 辅助编程构建软件原型是快速探索各种想法并发明新事物的重要方式。在这封信和未来的信件中，我想与大家分享一些构建简单 Web 应用原型的最佳实践。本次信件将聚焦于一个核心理念：对软件技术栈要有明确的选择。
我个人使用的软件技术栈每隔几周就会发生变化。虽然有许多不错的替代选择，但如果你选择一个首选的技术栈并熟悉其组件，你会开发得更快。以下是我目前默认使用的技术栈，仅供参考：
-
使用 Python 和 FastAPI 构建 Web API：我主要使用 Python 编程，所以选择它对我来说很自然。如果你是 JavaScript/TypeScript 开发者，可能会有不同的选择。我发现 FastAPI 非常易于使用，并且在部署 Python 托管的 Web 服务（API）时具有良好的可扩展性。
-
Uvicorn：用于在本地测试时运行后端应用服务器（执行代码和提供网页）。
-
云端部署：对于小型应用，我使用 Heroku；对于较大的应用，我使用 AWS Elastic Beanstalk（说明：我在亚马逊董事会任职）。当然，还有许多其他服务可以部署应用，比如 HuggingFace Spaces、Railway、Google Firebase、Vercel 等。这些服务大多表现不错，熟悉其中一两个可以简化你的开发过程。
-
MongoDB（NoSQL 数据库）：虽然传统的 SQL 数据库非常高效且可靠，但定义数据库结构（模式）的需求会减慢原型开发速度。如果你需要快速实现，可以将大部分数据放入 MongoDB 等 NoSQL 数据库中，这样可以快速编写代码，之后再确定如何处理数据。这种方式有时被称为“写时模式”（schema-on-write），而不是“读时模式”（schema-on-read）。不过，如果应用需要进入大规模生产环境，在许多情况下，更结构化的 SQL 数据库会显得更加可靠和可扩展。
OpenAI 的 o1 和 Anthropic 的 Claude 3.5 Sonnet 用于编程辅助：通常用于直接提示（当处于概念/设计层面）或偶尔使用 Cursor（当专注于代码层面）。我希望永远不再需要在没有 AI 辅助的情况下编写代码！Claude 3.5 Sonnet 被广泛认为是最优秀的编程模型之一，而 o1 在规划和构建更复杂的软件模块方面表现出色，不过需要学习不同的提示方式。
此外，我还使用许多 AI 工具来管理智能工作流、数据摄取、增强型生成等。DeepLearning.AI 和我们出色的合作伙伴提供了许多关于这些工具的课程。
我的个人技术栈会定期演变。每隔几周，我的默认栈中就会加入或移除一些组件，因为我不断学习新的实现方式。所以，不必拘泥于我使用的组件，但如果你还在犹豫选择什么，这些或许可以成为一个有用的起点。有趣的是，我发现大多数大型语言模型（LLM）并不擅长推荐技术栈。我怀疑它们的训练数据中包含了太多关于某些选择的“炒作”，因此我不完全信任它们的建议。不过，如果你对技术栈有明确的想法，并向 LLM 提供明确的指令，我认为你会获得更好的结果。
很多软件技术栈仍在不断成熟，我相信这些组件会持续改进。借助我的技术栈，我经常能在几小时内构建出原型，而如果没有 AI 辅助，这些工作可能需要几天甚至更久。我希望你也能享受构建原型的乐趣！
继续学习吧！
Andrew
参考：
https://www.deeplearning.ai/the-batch/issue-283/
⭐
（文：AI寒武纪）