
AI Coding 的误区是把 AI 当"自动补全"。真正的高效用法是:人来定义问题边界和验收标准,AI 承担机械性、探索性、重复性的编码劳动。特种兵的战斗力来自"上下文投喂 + 任务拆解 + 验证闭环"三件套。
最有效的方式是维护一份 AGENTS.md(或 CLAUDE.md)放在仓库根目录,写清技术栈、目录约定、命令和禁令,AI 每次开工自动读取:
# AGENTS.md
- 语言:Python 3.11 + FastAPI,包管理用 uv,禁止 pip install
- 测试:pytest,新增逻辑必须带测试,覆盖率不得下降
- 风格:ruff format + ruff check,类型注解必需,禁裸 print
- 目录:业务逻辑放 app/services/,路由只做参数校验与编排
- 数据库:只用 SQLAlchemy ORM,禁止拼接 SQL 字符串
- 提交:改动前先跑 `make check`,全绿才提交配合工具的文件引用能力,把改动点 + 调用方 + 测试文件 + 报错原文一起给,比"帮我修个 bug"有效得多。
第一步:让 AI 先出方案,不写代码。 追问边界条件、异常路径、影响面,人确认后再动手。
第二步:先写测试,再写实现。 TDD 是最适合 AI 的工作模式——测试即规格,AI 的实现必须让测试变绿:
# tests/test_retry.py
import pytest
from app.services.retry import retry
def test_retry_succeeds_after_failures():
calls = {"n": 0}
@retry(times=3, backoff=0.01)
def flaky():
calls["n"] += 1
if calls["n"] < 3:
raise TimeoutError("boom")
return "ok"
assert flaky() == "ok"
assert calls["n"] == 3
def test_retry_exhausted_raises_last_error():
@retry(times=2, backoff=0.01)
def always_fail():
raise ValueError("bad")
with pytest.raises(ValueError, match="bad"):
always_fail()把这两个用例丢给 AI,让它实现 retry,产出的代码天然满足规格:
# app/services/retry.py
import time, functools
def retry(times: int = 3, backoff: float = 0.1, exceptions=(Exception,)):
def deco(fn):
@functools.wraps(fn)
def wrapper(*a, **kw):
last = None
for i in range(times):
try:
return fn(*a, **kw)
except exceptions as e:
last = e
if i < times - 1:
time.sleep(backoff * (2 ** i)) # 指数退避
raise last
return wrapper
return deco第三步:让 AI 自检。 明确要求"逐条核对需求,列出未覆盖的边界",往往能补出人漏掉的空值、并发、超时场景。
面对没有文档的老系统,最高效的用法是让 AI 生成阅读笔记而非直接改:输入核心模块,要求输出"职责、输入输出、副作用、调用链、可疑点"。读懂后再定向重构。
批量改造(如全仓库替换旧 API)用脚本化 AI 更稳:先用 grep 圈定范围,逐文件提交给 AI,每改一个跑一次测试,失败即回滚该文件。
# 批量改造骨架:逐文件、可回滚、带验证
import subprocess, pathlib
def migrate(paths: list[pathlib.Path], prompt: str):
for p in paths:
original = p.read_text()
new = call_llm(prompt, original) # AI 改写
p.write_text(new)
r = subprocess.run(["pytest", "-q", "-x"], capture_output=True)
if r.returncode != 0:
p.write_text(original) # 失败即还原
print(f"[rollback] {p}")AI 写单测的效率极高:给定函数签名和分支,要求"覆盖每条分支 + 边界值 + 异常路径"。评审时让 AI 扮演挑剔的 reviewer,只关注"空指针、并发、资源泄漏、注入风险、权限",比泛泛的"帮我 review"更聚焦。
AI Coding 特种兵的战斗力公式是:精准上下文 × 测试驱动的小步交付 × 严格验证闭环。把 AI 用在写测试、读遗留代码、批量机械改造、生成样板这些高杠杆环节,把人的精力留给问题定义与架构判断——这才是"以 AI 为刃"的正确姿势。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。