核心内容摘要
国产黑料
背景做了一年的 code review看大家都用上了 AI 来辅助编程有一些些小的想法生成此篇。
做过技术支持的人应该有很多相似的感受很多人在描述自己遇到的问题、需求时往往说不清楚难以让人理解他想表达什么。
极端情况下他可能就甩你一个小小的不完整的截图加上一句“这为啥报错啊”此时我就得和他聊起来“截图更大一些链接发我看看日志环境配置、出现场景、版本是什么”。
经过一场“酣畅淋漓”的沟通下来终于知道对方问题的上下文了我终于懂你了你不说我怎么懂说了才懂有什么意思你根本不懂我……此时已耗费了很多时间和精力情绪也会上升。
上述场景和让 AI 写代码其实是同一回事。
很多时候自己觉得把问题说清楚了AI 却 get 不到生成一些有的没的不是自己想要的效果或者代码今天能跑明天就报错改了左边坏右边整个项目越来越臃肿无序没有全局观永远只是聚焦于局部。
问题不在 AI而在于AI 不是万能的并不能替代人本质上它只是工具。
AI 让零基础的人也能快速产出代码不管对错先给你生成一堆代码就问你有没有自动生成代码吧如果没有经历过大、复杂、困难的项目只是让 AI 解决一些在自己认知里、觉得困难的问题会让人觉得 AI 无所不能甚至觉得 AI 能取代人。
很多自媒体账号拥有大量的粉丝、同时并不具备真实 coding 的能力和开发企业真实项目的场景他们有一些影响力就吹捧 AI 无所不能来吸引流量。
众所周知自媒体的尽头是标题党、流量、制造焦虑和和广告变现。
换做是我开两个号一个无脑吹捧一个无脑贬低收割两拨流量赚两拨钱哈哈哈站在什么立场说什么话。
以前有上市公司 CEO 在访谈时说以后不用编程了导致一堆人激动坏了、到处宣扬他其实是为了宣传芯片算力和拉升市值呢。
在商业世界里大佬们的每一次“预言”往往都不是单纯的技术展望更多的是一种战略布阵卖铲子的人希望挖矿门槛越低越好。
汽车普及前马车夫会觉得驾驭马匹是硬技术汽车普及后开车成了基本技能。
AI 编程常见的坑语言逻辑混乱、指代不明、前后不一需求宽泛抽象大而全中心点分散混乱不分优先级无法预见局部对全局、需求变更可能造成的影响每次对话当做一个独立任务不维护工程上下文想写哪里写哪里随意创建文件、类和函数存在大量的重复代码今天忘记昨天生成的内容只局限于完成当前任务不学习吸收消化AI给的答案背后的知识知识面不够广对于AI给出的方案无法根据自己实际情况快速判断不知道看报错堆栈信息不会断点调试没有任何统一的编码规范策略拆解复杂任务成简单任务整理需求点创建markdown文本记录使用 AI 先优化需求形成 Prompt整理技术栈、代码注释风格、错误处理、边界条件等约束形成规范文档和AI对话让AI输出对需求的理解、提出质疑对齐需求理解熟悉工程代码掌握全局的能力cover 住 AI 生成的代码长期计划偿还技术债主动学习编程知识技能理解软件工程基本原则培养先设计、构思流程再实现的习惯锻炼阅读官方文档尤其英文的能力不完全依赖AI培养独立解决问题的能力思考 AI 给的方案为什么这么做去查官方文档理解原理理解 AI 生成的代码具体改进策略学会描述需求养成习惯先写需求文档再让 AI 写代码先整理思路再动手敲代码。
对于一个工程建一个spec.md文件每次加功能先写进去。
用 AI 帮优化需求“我想做某某功能帮我梳理成清晰的功能点”再与实际项目相互参考对齐需求让它质疑、反问我复述我的需求我 reivew 一遍后查看忽略的点、探索没想到的点制定项目宪法参考github/spec-kit: Toolkit to help you get started with Spec-Driven Development创建一个constitution.md每次让 AI 写代码时把这个文档当上下文比如包含## Tech Stack - Python
12 - pytest pytest-html allure - requests jsonschema (接口测试) - selenium pytest-selenium (UI 自动化) ## Project Structure tests/ ├── api/ # 接口测试用例 ├── ui/ # UI 自动化用例 ├── fixtures/ # pytest fixtures ├── utils/ # 工具类(请求封装、断言等) └── data/ # 测试数据 ## Coding Standards - 所有用例用 pytest,不用 unittest - 用例文件以 test_ 开头 - fixture 统一放在 conftest.py - 接口请求统一用 utils/api_client.py - 断言失败必须有清晰的错误信息 ## Constraints - legacy_tests/ 目录的老用例别动 - 新用例必须有 allure 报告标注 - 接口测试必须做 schema 校验主动分析报错信息习惯用 AI 后可能会渐渐失去查看报错的耐心不管三七二十一直接把大段的报错给 AI被动地坐等 AI 给答案。
有时候自己仔细看一下是可以定位排查解决的。
步骤看报错信息最后一行通常是关键看堆栈跟踪哪个文件哪一行出错开启调试模式一行一行 Debug查看关键的变量值等等一定时间内没搞懂再问 AI但把完整报错、相关代码、操作步骤都给它尝试自己搜索 Google磨刀不误砍柴工。
花时间理清需求、建立规范、学习基础看似慢实则是最快的路。
学习不是线性的增长。
前期可能是漫长的积累爬坡后期才有可能快速上升。
大量有效的训练是必要的。
就像学开车一开始慢慢来、打好基础后面才能真正飞驰。