怎么用 AI 写代码、解决技术问题？

如何用 AI 高效写代码、解决技术问题

核心结论

最有效的方式是把 AI 当作“极高水平但偶尔会犯错的初级合伙人”，而非“会写代码的搜索引擎”。真正的生产力提升来自结构化的协作流程，而非简单地扔一个问题过去。

高质量输出 = 清晰意图 × 结构化提示 × 严格验证迭代。

一、系统性工作方法（推荐框架）

1. 问题定义阶段（最重要）

在和 AI 对话前，先自己完成以下思考：

• 业务/技术目标是什么？（用一句话说清楚）
• 约束条件有哪些？（语言、框架、性能、兼容性、安全等）
• 成功标准是什么？（可观测指标）
• 已有的上下文（现有代码架构、关键决策）

示例：不要说“帮我写一个用户登录”，而是说：

“在 NestJS + TypeScript + Prisma + Redis 的项目中，实现邮箱+密码登录，要求支持速率限制、登录失败锁定、Refresh Token 轮换，且符合 OWASP 推荐做法。现有项目已使用 Clean Architecture。”

2. 提示工程结构（生产级模板）

使用以下四段式提示结构，效果显著优于随意提问：

【角色】
你现在是10年经验的XXX领域首席工程师，极度严谨，注重可维护性、安全性和性能。

【任务】
请帮我...

【上下文】
- 技术栈：...
- 现有架构决策：...
- 关键约束：...

【输出要求】
1. 先进行分析和潜在风险说明
2. 给出整体方案和理由（为什么这么设计）
3. 提供完整可运行代码
4. 说明关键决策点和备选方案
5. 给出单元测试和可能的边界情况

3. 迭代开发流程（推荐）

阶段1：架构与方案设计

• 先让 AI 做技术方案对比（Trade-off Analysis）
• 要求它列出至少3种方案及优缺点

阶段2：分模块实现

• 采用“先骨架、再血肉”策略
• 先让 AI 输出接口定义、类型、目录结构
• 再逐个模块实现

阶段3：批判性审查

• 故意用“红队”模式提问：
  • “这个方案有哪些潜在风险和坏味道？”
  • “如果你是资深工程师来Review这段代码，你会提出哪些问题？”
  • “如何在不修改核心逻辑的前提下提升可测试性？”

阶段4：验证与修复

• 提供真实错误信息、日志、复现步骤
• 让 AI 进行根因分析（Root Cause Analysis）

二、不同场景的策略

1. 调试疑难问题

• 提供最小可复现示例（Minimal Reproducible Example）
• 附上：错误信息、相关代码、日志、已经尝试过的方案
• 要求 AI 按“科学调试法”一步步推导

2. 学习新技术栈

• 让 AI 扮演“导师+架构师”双重角色
• 要求它先输出学习路径 + 核心概念心智模型
• 再要求它出进阶练习题让你动手

3. 重构遗留代码

• 先让 AI 分析当前代码的坏味道和风险
• 再要求它提出重构路线图（分阶段）
• 每次只重构一个模块

4. 构建新项目

• 使用“逐步放大”法：
  1. 先让 AI 设计项目结构和核心抽象
  2. 实现核心领域模型
  3. 再添加基础设施代码

三、高阶技巧

• Chain of Verification (CoV)：让 AI 分步验证自己的方案
• Self-Consistency：让它用3种不同角度生成方案，然后对比
• 使用工具：Cursor + Claude 3.5 Sonnet（目前代码能力最强）> GPT-4o > Claude 3 Opus
• Aider（命令行工具）：特别适合大型代码库的修改
• 让 AI 写测试先行，再根据测试写实现（类似 TDD）

四、重要认知边界（必须记住）

1. AI 目前不具备真正的工程判断力，它擅长局部最优，但不擅长系统最优。
2. 复杂系统中的权衡（trade-off）仍然需要人类主导。
3. 最新技术（<6个月） 的使用需要你提供最新文档或论文。
4. 安全相关代码（鉴权、加密、支付）必须人类专家严格审查。

最终建议：

把 AI 编程能力当作把你的工程水平提升 2-3 个档次 的杠杆，而不是替代你思考。真正的高手不是让 AI 写得越多越好，而是提问质量越高越好。