近年来，人工智能（AI）在编程领域的应用日益广泛，但其能力仍存在一定的局限性。最近，BuzzFeed 的资深数据科学家 Max Woolf 通过一系列实验发现，通过不断向大型语言模型（LLM）提供“写更好代码”的提示，AI 生成的代码质量可以得到显著提升。这一发现不仅在技术圈引发了热议，也引起了众多 AI 科学家的关注，进一步凸显了迭代优化和提示词设计在 AI 编程中的重要性。
在 Woolf 的实验中，他选择了 Claude3.5Sonnet 这一 AI 模型作为研究对象。实验的第一步是让模型解决一个相对简单的编程问题：如何在一百万个随机整数中，找出各位数之和为 30 的最小值与最大值之间的差值。Claude 在接到任务后，迅速生成了符合要求的代码，但 Woolf 认为这段代码仍有改进的空间。
为了进一步优化代码，Woolf 决定在每次生成代码后，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，使得代码的运行速度提高了 2.7 倍。在第二次迭代中，Claude 进一步引入了多线程处理和向量化计算，最终使代码的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，代码质量的提升逐渐放缓。尽管模型在后续的迭代中尝试了更复杂的技术，如 JIT 编译和异步编程，但这些优化并未带来预期的性能提升，甚至在某些情况下导致了性能的下降。这一现象表明，迭代提示虽然在早期阶段能够显著提升代码质量，但在达到一定水平后，其效果会逐渐减弱。
Woolf 的实验不仅展示了 AI 在编程领域的巨大潜力，也揭示了其在实际应用中的局限性。尽管 AI 能够通过不断迭代优化代码，但在设计提示词时，如何平衡性能与复杂性仍然是一个需要深入探讨的问题。这项研究为未来的 AI 编程提供了新的思路，同时也提醒我们，AI 并非万能，合理的使用和优化策略才是关键。