把不确定性交给AI，把确定性交给代码

文章主旨：在智能系统开发中，应平衡AI与代码的分工，将不确定性交由大语言模型处理，确定性交由传统代码处理，以实现可落地、可维护、高稳定的系统。

关键要点：

• 核心原则：不确定性（如输入形式、文本结构多变）由LLM负责理解与解析；确定性（如输出格式、数据校验规则）由传统代码负责固化执行。
• 案例一（智能功能点度量报告生成）：LLM按固定JSON Schema提取非标文档数据，代码负责校验、计算并生成统一格式的Excel报告，确保输出稳定且规则更新只需改代码。
• 案例二（多格式人工报告智能对比）：LLM解析任意格式人工报告，按统一Schema输出数据，代码进行对比并生成差异报告，通过强制原文引用和兜底校验降低幻觉风险。
• 案例三（动态可迭代的功能点度量规则适配）：LLM动态学习最新度量规则文档，代码仅保留执行框架与校验逻辑，实现规则零代码迭代，避免面条代码与硬编码漏洞。
• 结语：分治设计思想通用适配文档处理、报告对比等场景，核心是“把理解模糊交给LLM，把精准执行交给代码”。

内容结构：

1. 引言：指出软件系统开发中核心两难问题（输入多变 vs 代码僵化），提出真正可落地的思路是“把不确定性交给AI，把确定性交给代码”。
2. 核心原则：
   • 不确定性场景（输入形式、文本结构、语义意图动态多变）→ LLM处理。
   • 确定性场景（输出格式规范、数据校验规则、业务逻辑固定）→ 传统代码处理。
   • 职责：LLM负责“读懂模糊的信息”，代码负责“做对固定的事情”。
3. 案例一：智能功能点度量报告生成
   • 背景：针对格式不固定的需求文档输出固定格式Excel报告。
   • 错误方式：纯代码解析（臃肿、难维护）或纯AI生成（不稳定）。
   • 正确分工：需求文档→LLM按固定JSON Schema提取→脚本代码校验、计算、生成Excel。
   • 落地效果：输出统一规范，规则更新只需改代码映射逻辑。
4. 案例二：多格式人工报告智能对比
   • 需求：用户上传人工报告，系统自动对比智能报告与人工报告差异。
   • 升级分工：任意格式人工报告→LLM按统一Schema提取→代码校验→结构化对比→差异报告。
   • 优化细节：强制LLM输出原文引用依据，代码兜底校验并标记待复核内容。
   • 落地优势：一次开发全域适配，新增格式仅需微调LLM提示词。
5. 案例三：动态可迭代的功能点度量规则适配
   • 痛点：规则频繁迭代，传统硬编码导致迭代效率低、代码臃肿。
   • 创新方案：LLM动态学习新规则文档，代码只保留执行框架和校验逻辑，彻底告别规则硬编码。
   • 完整链路：最新规则文档→LLM学习→解析非标文档→代码校验→生成标准化报告。
   • 核心优势：规则零代码迭代、摆脱面条代码、适配多场景、结果稳定可控。
6. 结语：成熟智能系统应各司其职、优势互补，通用适配各类AI增强型系统，坚守“把理解模糊交给LLM，把精准执行交给代码”的原则。

文章总结：推荐采用“LLM处理不确定性、代码处理确定性”的分治设计，以实现智能系统的长期可迭代性与工程优雅。

GitOps—用于基础设施自动化的DevOps

了解更多

麦哲思科技任甲林

查看原文：把不确定性交给AI，把确定性交给代码

文章来源：

麦哲思科技任甲林

扫码关注公众号