近年来，人工智能（AI）的编程能力不断发展，但尚未达到完美。最近，BuzzFeed 的资深数据科学家 Max Woolf 通过实验发现，如果对大型语言模型(LLM)不断提供 “写更好代码” 的提示，AI 确实能够生成更优质的代码。这一发现引发了广泛关注，业界著名 AI 科学家们也对此表示了极大的兴趣，强调了迭代和提示词设计的重要性。
在 Woolf 的实验中，他利用 Claude3.5Sonnet 这一版本的 AI 模型进行了一系列编程任务。起初，他给模型提出了一个简单的编程问题:如何找出一百万个随机整数中，各位数之和为30的最小值与最大值之间的差。Claude 在接到这个任务后，生成了符合要求的代码，但 Woolf 认为该代码还有优化空间。
接着，Woolf 决定在每次生成代码后，都通过 “写更好代码” 的提示，要求 Claude 进行迭代优化。第一次迭代后，Claude 将代码重构为一个面向对象的 Python 类，并实现了两项显著的优化，运行速度提高了2.7倍。第二次迭代中，Claude 又加入了多线程处理和向量化计算，最终使得代码运行速度达到了基础版本的5.1倍。
然而，随着迭代次数的增加，代码质量的提升开始减缓。经过几轮优化后，尽管模型尝试使用一些更复杂的技术，例如 JIT 编译和异步编程，但有些迭代反而导致了性能的下降。最终，Woolf 的实验揭示了迭代提示的潜力与局限性，让人们对 AI 编程的未来有了新的思考。
这项研究不仅展示了 AI 在编程领域的应用潜力，也提醒我们，尽管 AI 能够通过不断迭代来提升代码质量，但在实际应用中，如何合理设计提示词、平衡性能与复杂性仍然是一个值得深入探讨的话题。
