从丢弃到带走：生成式人工智能与氛围编程如何加速不同技术水平的原型开发

文献标题

From Throw-Away to Takeaway: How GenAI and Vibe Coding Accelerate Prototyping Across Technical Skill Levels

出版信息

• 主题领域: 生成式人工智能工具及其对不同用户技能水平的数字产品开发的影响。
• 关键词: 生成式人工智能, 氛围编码, 原型设计, 云开发环境, 技术专长, 民主化, 产品开发, 人机交互, 软件工程, 技能获取。

背景与问题

• 问题/挑战: 尽管生成式人工智能工具承诺为非技术用户民主化软件开发，但对这些工具在产品开发不同阶段及不同技术水平用户中的使用情况了解有限。
• 意义: 理解这些动态对于改进工具设计、支持教育实践以及促进更广泛的软件创作参与至关重要。
• 动机与相关工作: 先前的研究强调了生成式人工智能工具在代码生成和原型设计等任务中的潜力，但尚未全面研究其在整个产品开发生命周期中的使用情况，以及技术和非技术用户之间的差异。

解决方案

• 提出的方法: 采用混合方法研究，包括在线问卷调查（N = 85）、黑客松访谈（N = 31）和从业者访谈（N = 8），分析技术和非技术用户如何在产品开发生命周期中使用生成式人工智能工具。
• 创新点:
  1. 比较分析生成式人工智能工具类别（聊天机器人、本地开发助手、云开发环境）在产品开发阶段的表现。
  2. 探讨技术和非技术用户在工具采用和结果上的差异。
  3. 提供关于生成式人工智能辅助工作流的优势、挑战和教育意义的见解。
• 程序和关键技术:
  • 通过问卷调查评估工具在七个产品开发阶段的实用性。
  • 对黑客松参与者和从业者进行半结构化访谈，探索工具的实际使用情况和挑战。
  • 使用描述性统计、累积链接混合模型和与“双钻石框架”一致的定性编码分析数据。

结果

• 具体发现:
  • 聊天机器人在问题理解阶段（M = 3.98）和创意生成阶段（M = 3.93）最为有用。
  • 本地开发助手（LDAs）在开发阶段（M = 4.47）和测试阶段（M = 4.21）最为有效。
  • 云开发环境（CDEs）在设计和原型设计阶段表现出色（M = 4.02），并且非技术用户对其评价更高。
  • 非技术用户面临陡峭的学习曲线，并严重依赖云开发环境进行原型设计，而技术用户则使用本地开发助手完成高级开发任务。
• 相较基线的优势:
  • 云开发环境显著加速了原型设计，使得能够快速创建高保真工件以进行探索和与利益相关者的沟通。
  • 非技术用户能够独立创建原型，但部署和可维护性仍需技术专长。
• 实验/评估:
  • 问卷调查：评估工具在产品开发七个阶段的实用性。
  • 黑客松访谈：聚焦于早期原型设计和创意生成。
  • 从业者访谈：探讨生成式人工智能辅助产品的部署和商业化。
• 局限性与未来工作:
  • 从业者访谈的多样性有限（N = 8，均为男性）。
  • 研究结果反映了2025年实践的一个快照；需要纵向研究来跟踪工具使用的演变。
  • 需要进一步研究评估人工智能生成产品的质量和可维护性，并探索生成式人工智能工具的教育潜力。

总结

本研究探讨了生成式人工智能工具和氛围编码实践如何影响不同技术水平用户的数字产品开发。通过混合方法研究发现，云开发环境使非技术用户能够快速设计高保真原型，而技术用户则从本地开发助手中受益以完成高级开发。然而，部署和可维护性对非技术用户仍然是挑战，凸显了技术专长的必要性。研究结果表明，生成式人工智能工具重新分配了编程专长，而非取代它，强调了协调和评估的重要性而非例行编码。这些见解为工具设计和教育策略提供了指导，以支持可持续的产品开发和更广泛的软件创作参与。