感谢：gorodenkoff/iStock via Getty 直到几年前，我作为湿实验室的临床科学家学习编码的旅程充满了挫折。我经常发现自己盯着闪烁的光标，翻阅充满术语的论坛，寻找我的脚本崩溃的线索，花费几个小时寻找一个缺失的逗号或不匹配的括号。对于那些工作在实验观察与计算分析之间的科学家来说，入门的壁垒是陡峭的。先进的大型语言模型（LLMs）和自主人工智能代理程序的发布彻底改变了这种局面。现在，任何人都可以提示AI模型构建复杂的计算管道，这在过去需要数天或数周的故障排除以及超出任何研究人员合理预期的耐心。这引出了一个问题：如果AI可以在几秒钟内生成这些复杂的统计分析和定制的数据可视化，你还需要学习编码吗？在我看来，答案是坚定的‘是的’。但我们学习的方式必须改变。瓶颈不再是掌握编码语法和语法；而是学习如何最好地提示和引导AI工具来回答我们的科学问题。在许多方面，早期职业科学家现在直接进入了历史上留给高级软件工程师的角色：监督、批判和修改他人生成的输出，或者在这种情况下，是一个自动化助手。以下是六个帮助您充分利用这个过程的提示。 像系统架构师一样思考 当我开始使用AI来帮助我编码时，我担心我会很快失去我所发展的技能。我花了几年时间学习不同函数如何用于合并数据集、生成图形和运行统计分析。使用AI让我觉得像是在作弊，即使我的问题的答案已经在网上可以找到，而LLMs只是更快地找到它们。最终，我意识到我不需要记住运行层次聚类算法或使用Python的pandas库（Python编码语言中的数据分析工具集）进行透视表所需的确切语法。我只需要知道这些方法的存在、大致如何运作以及何时最好使用它们。通过阅读函数文档，我了解了不同函数可以做什么，但使用AI意味着我不必担心如何使它们做到这一点。通过像系统架构师一样思考，我可以引导AI系统朝着稳健、可重复的解决方案前进，而不必陷入语法细节的泥潭。 采用模块化思维 当你有一个能够瞬间写出数百行代码的AI模型时，诱惑就是要求一个奇迹：一个单一的巨型脚本，它接收你的原始数据、清理这些数据、运行统计并输出一个格式化的可出版图形。我很快发现这是一个脆弱且根本有缺陷的方法。巨型脚本是一个噩梦，难以排错。如果单个变量改变，或如果AI系统在分析过程中幻想出一个步骤，整个架构就会崩溃，留下你去筛选一大堆代码以寻找错误。相反，我采用了模块化编程。我提示我的LLMs编写小的、独立的、单一目的的函数，例如，一个用于接收和格式化原始数据，另一个用于标准化它们的值，第三个用于生成数据的可视化表示。由这种自包含的代码块构建的管道比它们的巨型对应物更易于调试。如果特定转换失败或发生错误，我可以隔离、查询和修复故障的函数，而不会危及管道的其他部分。并且因为代码块是模块化的，我可以在不同的项目中重用它们。通过这种方式，我已经建立了一个由信任的AI生成工具组成的个人库。 接受标准化结构 由于AI减少了编写代码的摩擦，我发现自己比以往任何时候都更快地生成脚本、代码迭代和数据输出。不可避免地，我的项目目录迅速变成了一团混乱，文件名称如分析_final_v3_really_final.py。更糟的是，我意识到，在一个项目中，我不小心覆盖了我的原始数据文件（幸运的是，我有备份）。通过这一点，我学到了良好的数据项目组织的重要性——这是一种在Cookiecutter数据科学框架等资源中嵌入的实践。在AI时代，采用特定框架来划分项目不再只是编码的最佳实践，而是一种必要性。它要求输入文件和分析脚本之间严格分隔。例如，一个标准的Cookiecutter结构规定，所有原始的、初步的数据（如测序文件或临床电子表格）都保存在一个严格只读的文件夹中。活动分析脚本保存在另一个文件夹中，所有输出都被汇聚到第三个文件夹中。通过强制这一原则...