本书由李宁撰写，出版于 2023 年 10 月。虽然技术进步迅速，部分技术细节可能更新，但书中核心思想——解决复杂问题的通用做法是先分解后合并，依然极具价值。
随着 2024 年初 ChatGPT 大火，至 2025 年 DeepSeek、Google Gemini 3 等模型的发布，LLM 已逐渐融入日常工具范畴。在编程领域，GitHub Copilot、Cursor、CodeGeex 等工具；在工作流 Agent 方面，FastGPT、Dify 等；以及遵循模型上下文协议 MCP 的工具，都是为了基于 LLM 能力实现具体功能，安全地赋能私有数据，并消除概率性输出带来的不确定性。
在编程领域，将复杂需求分解（breakdown）然后合并是传统做法。借力大模型，路径亦是如此。当前经验如下（以复杂项目为例）：
- 手写需求梗概
- LLM 扩展成详细需求（多轮对话，反复打磨），建议分步走式开发：MVP 原型 -> feature delta 1 -> ... -> full feature ready
- 手写设计框架，模块分割，技术架构
- LLM review 细化（多轮对话，反复打磨）
- LLM 生成代码文件结构，框架代码
- VSCode 中创建项目，copy LLM code，生成 MVP 原型代码，手动试验
- VSCode 中 GitHub Copilot 分步实现详细需求中的功能，渐进式地开发
驾驭 AI 之感悟
到现在为止，我们已经实现负责浏览图像和搜索图像的 web 服务，我们没有编写一行代码，这些代码都是 ChatGPT 和 GitHub Copilot 编写的。通过这两个 AI 工具，完成这些工作只需要几分钟，只要描述准确、严谨，生成的代码几乎是 100% 准确的。即使生成的代码有一些问题，一般也不用调试，再让 ChatGPT 或 GitHub Copilot 重新生成就可以了。孔子说过，'三人行，必有我师焉'。对于 AI 来说，生成三遍，必有我满意的代码。
如果用同一个描述，连续生成三遍，还不能满足自己的需求，或者与自己的需求有很大的差异，那么可能是以下原因：
- AI 模型本身不够强大。这种可能性并不大，因为 ChatGPT 是目前最强大的 AI 模型，尤其是 ChatGPT Plus，它基于 GPT-4。
- 描述不够准确。这种情况下就看你的文学功底了，检查描述是否严谨、是否全面，是否有语病或歧义。
- 描述不合理。例如，你的要求超出了 AI 的能力范围，或者你的要求根本不可能用你指定的技术实现。在这种情况下，ChatGPT 可能会根据概率统计，返回根本不存在的函数或方法调用。
- 描述过于复杂。尽管 AI 工具可以接收数百甚至数千字作为输入，但对于过于复杂的问题，AI 模型也可能忽略一些细节。解决问题的方法也很简单，就是分治法。将大问题分拆，变成中等的问题。如果中等问题仍然很复杂，再继续将问题分拆，变成小问题。直到每一个问题都变得一目了然为止。当每一个小问题被解决后，就会逐渐将小问题合并，组合成大问题。
对于让 ChatGPT 这样的 AI 工具为自己编写代码这个工作也是如此。有人说，ChatGPT 的编程能力可以达到中级程序员的程度，其实这样评价太过肤浅。ChatGPT 的能力能达到什么程度很大程度上取决于它的使用者。就像对于同一把小提琴，不同人演奏会出现完全不同的效果。
ChatGPT 也一样，到底能解决多复杂的问题很大程度上并不在于 ChatGPT 本身，而在于使用者如何处理复杂的问题，如何化繁为简。因此，是否能驾驭 ChatGPT 并不完全是很多人所说的撰写提示词的问题。如果问题相当复杂，就算提示词写得完美无缺，ChatGPT 可能也无法完美解决问题。要将复杂问题分解，再分解，直到 ChatGPT 可以完美解决为止。当然关键点还不是分解，而是 ChatGPT 解决完每一个小问题后，如何将它们合并成最初的大问题。所以关键中的关键是设计一套接口，将小题作为黑盒。不管小问题解决得怎么样，都不会从根本上影响全局，某一个小问题解决不好，单独处理即可。
就像在 4.4 节用 ChatGPT 实现的复杂布局一样，将每一部分的布局单独作为一个从 QFrame 派生的类，并放到单独的 Python 文件中。而不是将代码直接插入主程序，就算某一个布局类不能满足自己的要求，重新生成这个类即可，这个类完全不影响其他布局类和主程序。所以影响 ChatGPT 的使用效果的关键点有如下几个：
- 提示词：这是最基础的，如果提示词不合适，一直没说清楚，ChatGPT 自然也不会为你生成想要的内容了。
- 复杂问题的分拆技巧：这是让 ChatGPT 升华的关键，也决定着 ChatGPT 处理复杂问题的天花板。
- 设计接口：分拆容易，但 ChatGPT 为你解决了每一个小问题之后，需要将这些小问题再组合成最初的复杂问题，而组合的关键就是接口。
- 组合问题：这是最后一步，也是最关键的一步，如果做不好，前面的分拆毫无意义。组合就是利用接口逐渐将不同级别的小问题逐级合并较大的问题，直到恢复到最初的复杂问题为止。
总之，你有多强，ChatGPT 就有多强！
小结
本章以桌面应用为例，深入讲解了如何将一个复杂的程序分解成多个小部分，然后分别使用 ChatGPT 和 GitHub Copilot 生成不同部分的代码，最后再将这些代码合并成一个大系统。其实应用 ChatGPT 或 GitHub Copilot 的关键点只有一个，就是化繁为简。另外，ChatGPT 与 GitHub Copilot 虽然都能生成代码，但是二者并不能互相取代，二者各有千秋。ChatGPT（尤其是 ChatGPT Plus）生成完整方案的能力要比 GitHub Copilot 强，所以通常使用 ChatGPT 完成初步的代码生成，利用 GitHub Copilot 的代码补全功能对用 ChatGPT 初步生成的代码进行微调，或者根据上下文生成新的函数、方法、语句等，以及完善和检测已经存在的代码。总之，类似于 ChatGPT、GitHub Copilot 这样的 AI 代码生成工具通常要混合使用，才能达到比较理想的效果。
