在上一部分，我们把Doxygen生成的HTML输出直接扔进了垃圾桶。原本计划"快速调整一下样式"彻底失败了——因为那种嵌套表格结构还是九十年代的老古董，根本没法适配现代设计。于是第二个原型方案听起来靠谱多了：完全禁用HTML生成，直接获取Doxygen的原始结构化XML，然后写一个真正的解析器来处理它。 这次的开发语言，跟上次一样，我们选了Python。它非常适合写工具、做文本处理、自动化日常任务。而且，整个现代人工智能生态都建立在它之上。逻辑很简单：如果我们想用神经网络帮我们写代码，那最好就用神经网络最熟悉的语言来写。 是时候揭露一个我故意在第一部分隐瞒的秘密：我不会Python。别人的代码我大概能看懂，但我自己从未写过一行Python。 这是一场纯粹的"不懂语言也能编程"的实验。我决定扮演系统架构师和项目经理的角色，而AI负责所有技术工作：写实际代码、重构函数、把一切都整合起来。 一开始，事情顺利得令人起疑。我们在拟定解析巨大XML文件的逻辑。我打开生成的Doxygen文件，看到里面的节点、类和方法参数，然后直接在聊天框里输入："找到所有带正确标签的元素，提取类型、名称和描述，然后转储成JSON。"多亏了AI能直接访问终端，我甚至不需要手动复制代码。神经网络自己写脚本，立刻运行，然后把最终结果交给我。 文件里填满了函数，脚本不断膨胀。我感觉我们正在构建一个很棒的系统。我甚至不读代码——既然能看到文档拼装得越来越好，何必费劲呢？但这时，事情开始变得不对劲……

打开网易新闻 查看精彩图片