统计编程:从近期 Python 脚本的开发经历思考 AI 时代编程的认知方法论

前言

本文是一份个人实践笔记，记录了我使用 Python 为 aCRF 创建 TOC的过程中，逐渐形成的关于“AI 时代如何编程”的一些思考。

文中观点源于近期实际项目经历，无官方标准参考，不代表任何机构立场。行文浅薄，如有不同见解或更好的技术落地方式，欢迎同行友好交流、探讨指正。

首次发布：2026-05-17

业务场景

根据 SDTM-MSG v2.0 ( SDTM Metadata Submission Guidelines v2.0 ) 中的 3.3 节：

In the annotated CRF, the bookmarks essentially comprise a table of contents (TOC) for the reviewer. To facilitate a more efficient review process, a printable TOC may be included at the beginning of the annotated CRF (see following example).

从便于审查的角度考虑，需要在 aCRF 的最前面生成 Table of Content。 之前部门的同事用 C# 开发了类似的程序，参考的是 2019 PharmaSUG 的这一篇文章：https://lexjansen.com/pharmasug-cn/2019/DS/Pharmasug-China-2019-DS24.pdf

但是运行这个程序要下载 Visual Studio。 程序是基于 .net framework 4.7.2 , 似乎不支持独立打包。意思是，部门的任何一个员工运行程序都必须下载 .net framework 4.7.2, 使用 clickonce 打包的 .exe 程序如果在未安装 .net 的电脑上是运行不了的。

我查到要独立打包就必须将项目的目标框架升级到 .net 6 或者 .net 8。但是升级之后，程序的某些代码又不适配，而我又不擅长 C# 编程。

于是，我帮公司开发了一个 Python 脚本完成上述工作，然后用 Pyinstaller 打包成应用程序。这样没有安装 Python 的同事也可以使用这个工具。

思考与任务的结构化拆分

我思考的步骤如下：

1. 首先要读取 aCRF 现有的3级书签。我打算在 TOC 展示的只有3级书签的名称，不包括页码。然后，要确保相关的 Python 函数能够读到书签的内容，比如 PyMuPDF 库中的 get_toc (simple=True)。

2. 要明确新增空白页的数量，这些空白页是用来展示 TOC 的内容。那么需要一个变量控制每一页展示的行数，所以新增的空白页的数量= 书签总行数/每一页的行数 再向上取整。

3. 下一步，需要一行一行的把书签内容打印在空白页上，思路大概是使用循环。那么根据呈现的内容还需要考虑什么呢？需要控制每一页第一行和顶端之间的上边距（y值），每两行之间的间距，第1级书签距离纸张左侧的边距，1级和2级，2级和3级之间的层级缩进（设计为固定值）。

4. 考虑添加超链接的问题。这个3级书签的第3级，也就是 level 3， 对应着 aCRF 具体的表单。所以第3级可以添加链接。点击 TOC 中第3级的内容，可以自动链接到相应的表单页面。

5. 考虑字体。临床试验项目 CRF 可能是中文的，也有可能是英文的。那么需要让人工选择相应的FONT，就要设置一个选择框。中文用什么字体，英文用什么字体，字号是多少（设置对应的变量）。

6. 整体的输入与输出。这一套程序最终实现的是，输入一个 PDF, 输出一个加了 TOC 的 PDF 文件。

以上是进行拆解后的任务，那么上面的每一个步骤都需要有对应的代码来实现。

关于 AI 时代编程的一些思考

随着各个 AI 工具的快速发展，一个残酷的事实已经出现了： 如果一个人的价值仅仅是“写出能运行的代码”，那么他的价值正在迅速贬值。

事实上，只要写出了上面拆解的结构，剩下的内容都可以交给 LLM 去实现，然后编程员再去审查 LLM 生成的代码，判断是否体现了需求。这是一套人机协作编程的框架：

拆解任务 → 明确需求边界 → 借助AI生成代码 → 重点审查AI代码如何体现需求 → 理解并集成

很可能未来各个行业的编程工作都会按照这个框架实施。AI 会成为“能够快速生成草稿的初级工程师”，而人类承担架构师+代码审查员的角色。

可能有的人用 AI编程不会重视“审查”，他们往往会进行“抄作业式”编程：把 LLM 生成的代码直接复制到编译器上，跑跑看，简单观察一下是否能输出相应的结果。

但真正落地的工具，其复杂性往往不在“主功能”，而在“边界条件处理”。 拿上面开发的小工具举例：输入的PDF没有书签怎么办？书签层级超过3级怎么办？中文和英文混排时字体回退怎么处理？新增空白页后原有的页码标注是否需要更新？这些边界条件，AI很容易忽视，而这是人类必须要考虑的。

AI 可能会生成 “看起来合理” 的代码，但实际上包含错误的业务逻辑。人类（编程员）需要根据业务逻辑审查 AI 输出的内容。审查包含两方面：一方面是审查代码逻辑（仍然需要掌握基础的编程知识），另一方面是通过各种类型的测试检验输出的内容。

如果未来临床试验需要开发更复杂的工具来提高效率，从合规的角度必然需要追求可追溯性与可复现性。当被问道，为什么这样 derive ? 不能只说 “这是 Deepseek 或者 ChatGPT 生成的”，而是应该理解代码背后的业务逻辑（规则）、处理的数据结构以及边界条件。按照趋势，行业内更欣赏的肯定是 Robustness 强、可复用、可配置的工具包或内部R包 / Python库。

✍️ 文 / Yuang   临研数据人: 用数字讲述药物故事