AI 是粘合剂
最近我一直在思考“胶水”这个概念。
我在山上的小屋里修一扇破损的淋浴门。亚克力板裂了，我需要把它粘回去。我学到的一点是，要获得强力粘合，不仅需要合适的焊接环氧树脂，还需要先打磨表面。打磨能让粘合剂拥有更多的咬合力，产生更多纹理以便附着。表面越粗糙，粘合就越牢固。
这让我想到了“胶水代码”（glue code）。
旧胶水
过去我们常谈论胶水脚本。Perl 曾是互联网上最初的“瑞士军用电锯”，是那种让复杂且互不兼容的系统协同工作的典型胶水语言。后来 Python 取代它成为了首选胶水语言。Shell 脚本通过管道连接命令：一个工具的输出成为另一个的输入。从 JSON 中提取值来填充下一个命令的标志位。虽然脆弱，但确实管用。
大语言模型（LLMs）是新型胶水。它们可以将各种表面连接起来：人类语言、命令行接口（CLI）、API、Webhooks、数据库。这些表面以前从来无法平滑地对接。
Aerolite 时刻
20 世纪 30 年代，飞机制造者使用酪蛋白胶粘合木质部件。酪蛋白是以牛奶为基础的，基本上就是五金店卖的木工胶。它粘家具没问题，但对于高性能飞机来说强度不够。
后来，Norman de Bruyne 开发了 Aerolite，这是一种粘合力比木材本身还要强的粘合剂。德哈维兰“蚊”式轰炸机因此诞生：它是那个时代速度最快的飞机之一，所用的材料却已存在了几十年。
粗糙的表面
想想我们每天都在用的接口：发送 JSON 数据包的 Webhooks、需要特定标志位的命令行工具（CLI）、返回嵌套对象的 REST API、带有各自查询语言的数据库。每一个都有其特定的模态、输入格式和输出格式。它们是差异巨大的表面。
这就是打磨过程，这就是纹理。
LLM 胶水之所以有效，是因为它能深入到边边角角。读取 Webhook 负载、提取相关字段、将其转换为 CLI 所需的精确格式、解析输出、并将其输入到下一个工具中。所有那些粗糙、不规则的表面都为这种胶水提供了附着点。
这就是它为何如此有效的原因。浓缩上下文、提取特定值、填充已知的模式（如 CLI 标志位），这些正是 LLM 的擅长之处。这不是通过“一键生成”凭空创造出数千行代码，而是发挥模型自身的强项。
我们刚刚宣布与 Snyk 建立合作伙伴关系，将 AI 驱动的安全功能集成到开发工作流中。以下是胶水在实际应用中的样子：
- [Webhook] Snyk 发送漏洞警报
- [LLM] 提取严重程度和受影响的文件路径
- [文件系统] 检查路径是否在生产代码中
- [LLM] 根据漏洞和代码上下文生成补丁
- [CLI] 运行测试
- [LLM] 为受影响的路径解析 CODEOWNERS 文件
- [CLI] gh pr create --assignee <提取的值>
GitHub CLI 完成了实际工作，Snyk API 提供了数据。LLM 仅仅是胶水，填补了工具之间的鸿沟，将庞大的上下文简化为下一步确定性操作所需的特定值。
实践
每个团队都有他们信任的工具。用于基础设施的 CLI、用于服务的 API、用于捕获 Bug 的测试运行器，以及带有既定工作流的问题追踪系统。
你不需要新工具，你需要的是胶水。
选择一个一直难以实现的实践。梳理你为每个步骤使用的现有工具。识别出你在哪些地方需要 LLM 来进行提取、决策或在工具间进行转换。接口越粗糙，胶水能抓取的地方就越多。
直到我们拥有了足以粘合表面的强力胶水，才造出了高性能的木质飞机。而材料，其实一直都在那里。
试一试：运行 npx continue@latest 构建你的第一个胶水工作流，或者在 Mission Control 中通过两次点击即可入门。