AI 辅助编程实战：从代码补全到架构设计的工作流

AI 编程助手已经从「新奇玩具」变成了生产力工具。但同样用 Copilot/Claude/Cursor，有人效率翻倍，有人反而被生成的烂代码拖垮。差距不在工具，在工作流。本文分享我两年 AI 辅助编程的完整方法论，以及踩过的坑。

一、上下文管理：AI 的效果取决于你喂给它什么

1. 把「要求」写成「规格」

模糊提问只能得到模糊答案。一次好的请求应该包含：目标、输入输出、约束、验收标准。

# 差
帮我写个 JSON 格式化工具

# 好
实现一个 JSON 格式化工具：
- 输入：textarea 中的任意 JSON 文本
- 输出：格式化后的 JSON，错误时高亮提示具体行号
- 约束：纯前端实现，不依赖网络请求；中文报错信息
- 验收：粘贴 {a:1} 能自动纠错并格式化

2. 给足上下文，但只给相关的

• 让 AI 先读目标文件、相关文件，再让它改——比凭空让它写靠谱得多。
• 把长任务拆成小步骤，一步步让 AI 执行并确认，避免一次生成 500 行没人能审的代码。

二、让 AI 当「代码审查员」，而不是「代码生产者」

AI 最被低估的能力是审查。生成代码前，先让它写方案；写完后，再让它审自己（或审别人）的代码。

# 审查指令模板
请以资深工程师视角审查下面代码，重点检查：
1. 边界条件与空值处理
2. 性能瓶颈（时间复杂度、重复计算）
3. 安全隐患（注入、XSS、越权）
4. 可维护性（命名、职责划分）
只列真实存在的问题，按严重程度排序，给出修复建议。

三、测试驱动：AI 生成的代码，必须过「验证关」

AI 写代码很快，写错更快。让 AI 帮忙写测试，是最划算的用法：

# 让 AI 生成边界测试
针对上面实现的 JSON 格式化函数，生成测试用例：
- 正常对象、嵌套数组、中文字符串
- 空字符串、null、undefined、非法 JSON
- 超大输入（10000 层嵌套）的表现

个人站/小项目未必上 CI，但至少要在本地把测试跑通再上线。这是「AI 加速」和「AI 翻车」的分水岭。

四、大需求：让 AI 参与架构，而不是替你拍板

3. 用「方案对比」代替「直接实现」

我要做 X 功能，给出 2~3 种技术方案：
- 各自的优缺点、适用场景
- 对部署/维护成本的长期影响
- 你的推荐及理由
（不要写代码，先讨论方案）

先让它给方案做取舍，你来拍板——架构决策一旦写进代码，返工成本极高，这一步的谨慎永远值得。

五、容易翻车的地方（避坑清单）