让 AI 写代码一年了，聊聊真实感受

2.1 给足够的上下文#

AI 没有读心术。最常犯的错误就是只丢一句”帮我写个用户管理模块”，然后怪 AI 写得不合要求。

好的 prompt 结构：

1
角色 + 任务 + 约束 + 输出格式 + 示例

示例：

你是一个资深 Python 后端开发。请为 Flask 应用实现用户注册接口。要求：

• 使用邮箱+密码登录，密码 bcrypt 加密
• 邮箱需要格式校验和唯一性检查
• 返回统一的 JSON 格式：{code, message, data}
• 用 SQLAlchemy 2.0 语法
• 写完后给一个完整的 curl 测试示例

2.2 分步对话，不要一次性#

复杂任务不要试图一次完成。应该像和人结对编程一样，分步沟通：

1
第 1 轮：帮我设计数据库模型
2
第 2 轮：基于这个模型，写注册 API
3
第 3 轮：现在加上邮箱验证码逻辑
4
第 4 轮：帮我写这些接口的单元测试

每一轮都在上一轮的基础上迭代，AI 的后续输出会更精准。

2.3 给 AI “自我修正”的机会#

写 prompt 时加上这句话：

在输出代码之前，先分析一下可能的问题和边界情况。

这会让 AI 先生成思考过程，再写代码，质量明显更高。

2.4 用 System Prompt 设定全局规则#

在 opencode 或 Cursor 的 system prompt 中设置全局规则：

1
- 使用 TypeScript 5.x，strict 模式
2
- React 函数组件 + Hooks，不要 class 组件
3
- 错误处理统一用 try-catch 包裹 async 函数
4
- 注释只写 Why，不写 What
5
- 单文件不超过 300 行

这样后续所有对话都会遵循这些约定，不需要每次都重复。

3.1 我的日常开发流程#

1
需求分析
2
  │ 人写需求文档/TODO List
3
  ▼
4
方案设计
5
  │ AI 辅助出技术方案 + 人审核
6
  ▼
7
编码实现
8
  │ AI 写代码 + 人 review
9
  ▼
10
测试
11
  │ AI 写测试 + 人审查边界条件
12
  ▼
13
Code Review
14
  │ 人做最终审查 + AI 辅助检查
15
  ▼
16
部署

每个环节的人机分工在开头的表格里。

3.2 Agentic 模式 vs Chat 模式#

1
Chat 模式（传统）                Agentic 模式（推荐）
2
──────────────────────────────────────────────
3
对话式，每次需要手动粘贴代码    自主完成多步任务
4
需要你把代码复制过去            直接读写项目文件
5
适合问问题、小段代码            适合功能开发、重构
6
工具：ChatGPT、Claude.ai        工具：opencode、Cursor

对于超过 100 行的代码任务，Agentic 模式的效率远高于 Chat 模式。opencode 可以直接操作文件系统、运行命令、读取项目上下文，完成从代码编写到测试验证的完整闭环。

3.3 测试先行#

让 AI 先写测试是一个很有效的策略：

1. 你定义接口签名和预期行为
2. AI 根据描述写测试用例
3. 你审核测试是否覆盖了关键场景
4. 再让 AI 写实现代码
5. 跑测试验证

这样做的好处：测试就是需求文档，AI 和人都按照同一套标准验证。

陷阱 1：过度信任 AI 的输出#

AI 写的代码看起来往往很合理，但可能有：

• 不存在的 API（幻觉）
• 不安全的写法（硬编码密钥、SQL 注入）
• 性能问题（N+1 查询、不必要的循环）

应对：每条 AI 生成的代码都要 review，像 review 新人代码一样。

陷阱 2：prompt 太模糊#

❌ “帮我改一下这个函数” ✅ “这个函数在并发场景下有问题，请用 asyncio.Lock 保护共享资源，并加上类型注解”

应对：把你对人类同事会说的话，再具体一倍。

陷阱 3：一次对话塞太多需求#

AI 的注意力有限。长对话中后面提到的需求可能被忽略。

应对：

• 复杂任务拆成多个子任务
• 重要的约束放在 prompt 末尾（AI 更容易记住最近的内容）
• 定期开启新对话，把关键上下文贴在开头

陷阱 4：忽略错误处理#

AI 倾向于写”快乐路径”——正常情况跑得通，异常情况直接崩。

应对：明确要求 AI 处理边界情况：

“请确保处理以下场景：传入参数为空、网络超时、数据库连接失败、并发写入冲突”