No Two Developers Think Alike: How Problem-Solving Styles and Experience Shape Needs in Conversational Interaction with Copilot
通过对 27 名开发人员进行的混合方法研究，本文识别了使用 GitHub Copilot 时的五种不同交互模式和十种潜在需求，展示了解决问题风格和经验方面的认知多样性如何塑造了对对话式编程助手的个体需求。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，在你搭建一座复杂的乐高城堡时，身边坐着一个超级聪明、无所不知的机器人助手。你可以和它交谈，让它帮你搭建零件，或者问它为什么墙壁会倒塌。这就是 GitHub Copilot 对软件开发者的意义：一个帮助编写代码的对话式人工智能。
但转折在于：没有两个人的乐高搭建方式是完全相同的。 有些人希望机器人为他们搭建整个塔楼；有些人只希望机器人递给他们一块特定的积木；还有些人想了解塔楼是如何运作的，或者只想快速完成任务。
这是一篇关于 27 位真实世界构建者（开发者）的研究论文，旨在弄清楚不同类型的人是如何使用这个机器人助手，以及他们为什么要这样做。研究人员发现，一个人的经验水平和个人的“思维风格”会彻底改变他们与 AI 交谈的方式。
以下是他们的研究结果，使用了简单的类比：
1. 五种交互“人格”
研究人员观察了人们如何使用聊天功能，并意识到每个人都属于五种截然不同的“模式”或风格，就像高速公路上不同的驾驶风格一样：
- 导航员 (The Navigator - 导游型)：
- 他们在做什么： 他们把 AI 当作 GPS。他们会问：“这段代码里的红框在哪里？”或者“显示一下登录按钮是在哪里定义的。”
- 氛围感： 他们通常看错了文件，需要 AI 指引正确的方向。当他们刚开始探索或处于探索阶段时，经常使用这种方式。
- 自动驾驶员 (The Autopilot - “全权委托”指挥官)：
- 他们在做什么： 他们会给 AI 一个巨大且模糊的指令，比如“修复导航并处理其他所有事情”，然后点击“应用”按钮。他们希望机器人一次性完成整个工作。
- 氛围感： “我有目标；你负责细节。”这是一种“一劳永逸”的策略。
- 副手 (The Deputy - 协作伙伴型)：
- 他们在做什么： 这是最常见的风格。他们与 AI 循序渐进地合作。例如：“修改这个部分”，然后“解释一下你为什么要改这个”，接着“修复这个错误”。
- 氛围感： 这是一场对话。他们在共同构建，检查工作，并提出问题。他们会在代码片段之间进行复制粘贴。
- 技术员 (The Technician - 精准机械师)：
- 他们在做什么： 他们要求非常具体、微小的指令。例如“在这里添加一个防抖函数”或“加载这个特定的变量”。
- 氛围感： 他们不希望 AI 写下整个代码块，而是希望有一个特定的工具来修理某个特定的螺丝。他们通常自己输入代码，而不是让 AI 自动插入。
- 学者 (The Scholar - 学生型)：
- 他们在做什么： 他们把 AI 当作教科书。例如“这段 React 代码是做什么的？”或“字符串排序是如何工作的？”
- 氛围感： 他们是为了学习而来的。他们经常把代码粘贴到聊天框中以获取解释，将 AI 视为导师。
2. 驱动行为的 10 个隐藏“需求”
为什么有人选择成为“技术员”而不是“自动驾驶员”？研究发现，有 10 种不同的内在“需求”驱动着这些选择。可以将这些需求想象成开发者的饥饿、口渴和安全需求：
- 能力需求 (Need for Ability)： “我无法独自完成；我需要帮助。”（导致更多委派任务）。
- 自主需求 (Need for Agency)： “我需要证明我自己能做到。”（导致较少的委派，更多的控制）。
- 实验需求 (Need for Experimentation)： “我想看看这个机器人到底能做什么。”（导致尝试各种大胆尝试）。
- 保证需求 (Need for Assurance)： “我需要确保这段代码不会出错。”（导致手动检查每一项工作）。
- 生产力需求 (Need for Productivity)： “我需要快速完成。”（导致要求 AI 做更多工作）。
- 易用性需求 (Need for Ease)： “我不想思考太多或输入太多。”（导致委派任务）。
- 学习需求 (Need for Learning)： “我想变得更好。”（导致询问解释）。
- 理解需求 (Need for Understanding)： “我需要知道为什么这行得通。”（导致询问细节）。
- 委派需求 (Need for Delegation)： “我想把工作外包出去。”（想要让 AI 接管工作的欲望）。
- 控制需求 (Need for Control)： “我想成为解决方案的主宰。”（想要紧握缰绳的欲望）。
陷阱： 这些需求经常相互冲突。例如，如果你追求易用性（不想辛苦工作），你可能会委派一切。但如果你同时拥有很强的控制需求（我需要精确了解它是如何运作的），你可能会拒绝委派，即使这样做更辛苦。
3. 经验与人格如何改变游戏规则
研究发现，你的身份与你使用的“模式”之间存在明确的联系：
- 经验至关重要：
- 新手（经验较少）倾向于成为导航员（寻找帮助）或自动驾驶员（希望 AI 搞定一切）。他们通常觉得必须依靠 AI 来承担繁重的工作。
- 专家（经验丰富）倾向于成为技术员。他们非常清楚自己想要什么。他们不会要求 AI “盖房子”；他们只会要求 AI “安装这个特定的窗户”。他们保留更多的控制权，因为他们更信任自己的判断。
- 思维风格很重要：
- 喜欢钻研/摆弄（尝试各种可能并观察结果）的人，并不一定像研究人员预期的那样使用 AI 进行“实验”。相反，他们利用 AI 来微调他们自己的特定方案。
- 风险承受度高（不介意出错）的人被认为会让 AI 做更多事，但研究显示情况很复杂。有时，这意味着他们更信任 AI；但有时，这也意味着他们愿意在尝试解决问题本身的过程中接受失败。
4. 大局观：并非千篇一律
核心结论是，认知多样性（不同的人如何思考和解决问题）是非常巨大的。
如果你开发的工具只支持“自动驾驶”风格，你可能会让想要控制权的“技术员”感到沮丧。如果你开发的工具只支持“学者”风格，你可能会让只想追求速度的“自动驾驶员”感到厌烦。
研究人员总结道，要让 AI 助手真正对每个人都有帮助，我们不能再将其视为“一刀切”的工具。相反，我们需要设计能够适应用户当前需求（他们是想学习？想节省时间？还是想保持控制感？）的工具。
简而言之： 开发者就像不同类型的驾驶员。有些人想要自动驾驶汽车（自动驾驶员），有些人想要副驾驶（副手），而有些人只需要一个 GPS（导航员）。最好的 AI 助手是能够识别正在与哪种驾驶员交谈，并据此调整自身的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。