近年來，人工智能(AI)的編程能力不斷發展，但尚未達到完美。最近，BuzzFeed 的資深數據科學家 Max Woolf 通過實驗發現，如果對大型語言模型(LLM)不斷提供 “寫更好代碼” 的提示，AI 確實能夠生成更優質的代碼。這一發現引發了廣泛關注，業界著名 AI 科學家們也對此表示了極大的興趣，強調了迭代和提示詞設計的重要性。

　　在 Woolf 的實驗中，他利用 Claude3.5Sonnet 這一版本的 AI 模型進行了一系列編程任務。起初，他給模型提出了一個簡單的編程問題:如何找出一百萬個隨機整數中，各位數之和為30的最小值與最大值之間的差。Claude 在接到這個任務后，生成了符合要求的代碼，但 Woolf 認為該代碼還有優化空間。

　　接著，Woolf 決定在每次生成代碼后，都通過 “寫更好代碼” 的提示，要求 Claude 進行迭代優化。第一次迭代后，Claude 將代碼重構為一個面向對象的 Python 類，并實現了兩項顯著的優化，運行速度提高了2.7倍。第二次迭代中，Claude 又加入了多線程處理和向量化計算，最終使得代碼運行速度達到了基礎版本的5.1倍。

　　然而，隨著迭代次數的增加，代碼質量的提升開始減緩。經過幾輪優化后，盡管模型嘗試使用一些更復雜的技術，例如 JIT 編譯和異步編程，但有些迭代反而導致了性能的下降。最終，Woolf 的實驗揭示了迭代提示的潛力與局限性，讓人們對 AI 編程的未來有了新的思考。

　　這項研究不僅展示了 AI 在編程領域的應用潛力，也提醒我們，盡管 AI 能夠通過不斷迭代來提升代碼質量，但在實際應用中，如何合理設計提示詞、平衡性能與復雜性仍然是一個值得深入探討的話題。