AI辅助编程实战心得总结
从起初的copilot用tab键进行代码补全，发展至如今cursor、claude code、codex等各类编程智能体，几乎每一款我都曾在真实开发任务中实践过，借此沉淀了些个人的AI编程心得，在此撰文与大家交流。
我的工作背景主要侧重于后端研发，对前端等领域的认知相对匮乏。然而依靠AI的辅助，我也能构建出品质尚可的前端应用。在观看了一部关于Nextjs框架的教程后，我对前端的目录架构、App Router以及服务端渲染有了基础认知，随后借助Nextjs搭配shadcn，便能敏捷地打造出交互与颜值均达标的web页面。
接着是产品原型环节，即便如我这般缺乏产品设计经验的开发者，利用lovable、google ai studio等工具，也能便捷迅速地产出精美且具交互性的产品原型图。不过我私人更偏爱在cursor内直接生成html代码来绘制原型，这种方式轻量高效，且掌控感较好，AI大体能依循你的意图用html勾勒原型，你还能通过与AI对话来精准微调原型。
我知晓Spec Coding源于亚马逊的Kiro产品，通俗来讲，Spec Coding就是在敲代码前，先协同AI把需求文档、设计文档和任务文档打磨完善。需求文档旨在阐明究竟要达成何种功能，即最终的目标与准则。设计文档，则更侧重于如何去落地这些需求，例如技术选型、架构规划等。而任务文档便是将这些设计拆解为具体的执行任务。
依我个人实践而言，并未死板遵照其流程去完成这3份文档。但它的核心要义在于编码前与AI进行深度沟通。因为人类语言常常带有模糊性，它不像代码那般具备极强的确定性。我们的构思经由语言传递，再由AI转译为代码，此间信息损耗极大，结果往往与初衷相悖。
在动手编码前，我习惯与AI深入探讨待实现的功能，我尽力用言辞明晰地描绘该功能，最终让AI撰写一份需求文档，该文档囊括功能说明与技术方案，随后我与AI一同修订完善这份文档，我认为一份文档便已足矣。编写此文档有几项益处：首先我们的思绪常有疏漏，在与AI协同完善文档的过程中，能弥补起初未料及的细节，使功能更周全。其次是依托此文档指引AI编程，代码便不会与实际构想偏差太远。再者是若为多人协作开发，同仁们能借此文档快速掌握功能，正所谓"code is cheap, show me your talk!"。
当然，若是修复些微简单的bug，就无需先撰写此文档了，通常简明描述一下bug，附上相关日志，AI便能迅捷将其修复。
在依据此文档让AI编程时，假使是demo项目，让AI一次性产出数百乃至上千行代码，随后粗略检验一番，功能无误即可提交。
然而面对严肃的开发场景，此时便不能再做甩手掌柜，而是需要人工review代码来兜底。可指示AI按部就班地开发，单次产出的代码量不宜过多，一两百行即可，以便人工review。不过，我觉得当前也无需逐行审视代码去人工debug，做到对代码功能有宏观把控足矣。后续我会分享提升AI代码验证效能的经验。
很多时候AI生成的代码无法直接投入使用，甚至会波及原本正常的既有功能。我觉得能够借由梳理代码目录，按模块划分组织代码来规避此问题。譬如针对后端代码目录，依循controllers、services、core、models、clients等目录来编排代码。AI的上下文窗口存在局限，在提供上下文时，可仅向AI提供对应模块最精简的必要上下文，AI生成的代码也仅局限于某个功能模块内。曾听闻一种观点，将代码视作一棵树，让AI去实现叶子节点的功能。
AI生成代码的速率极高，然而人工review代码的速率却极低，若仰仗人工逐行review代码，这必将成为开发流程的瓶颈。可借助单元测试与接口测试来拔高代码验证的效能。在AI生成功能代码后，继续让AI编写该功能的单元测试与接口测试代码，由人工review测试代码，确保自身能想到的测试用例已被覆盖，接着运行测试脚本，校验代码功能。若某用例报错，可直接转交AI，令其修复该部分功能。
在AI编程时代，自动化测试正变得愈发关键，唯有如此方能匹配AI生成代码的速率。坚持编写测试脚本，不但能校验新功能是否达标，还能确保AI生成的代码未损及既有功能，持续积淀测试能力，免于依赖人工重复测试。
代码lint检查，同样能校验代码的正确性。它能排查代码的语法谬误、格式规范等，例如遗漏引号、定义了未使用的变量、导入了未使用的包等。诸多lint工具可自动修复问题，自动格式化代码，使代码规整有序，令强迫症患者也倍感舒适。
昔日曾闻此言，"代码主要是写给人看的，只是恰好能在机器上运行"。我觉得如今可更替为，"代码主要是写给AI和人看的，只是恰好能在机器上运行"。通过lint检查的代码，对AI和人类阅读均更友善，至少看着不像一坨屎山，让人有了读下去的底气。
另有一项窍门是，可借助git pre-commit功能，在提交代码前，自动运行ruff、eslint指令，自动检查并修复代码，提升效率。
借由CI/CD亦可加速代码的验证，在github内可通过.github/workflows/xx.yaml文件来配置CI/CD。我通常会配置几项常用的工作流：测试工作流、lint工作流、镜像构建工作流、自动部署工作流。
测试工作流，自动运行测试脚本、确保提交的代码功能无误。
lint工作流，自动排查代码语法谬误、格式规范等，确保代码风格一致。
镜像构建工作流，自动运行安装依赖、代码编译、构建镜像的逻辑，至少确保代码能够编译通过，例如针对前端项目，保障npm run build是正常的。
自动部署工作流，代码合入主分支后，自动在测试环境更新最新的服务镜像，快捷验证新功能。
这几项工作流，适宜在团队协作开发时启用，每名成员皆使用AI生成海量代码，代码质量难以保障，依托这些自动运行的工作流，在某种程度上，能为代码质量兜底，也能增进代码检测的效率。
CodeRabbit 亦是备受推崇的代码自动review工具，它能便捷地接入GitHub，自动review pr的代码，输出代码改进提议，并给出了修复代码的提示词，可直接复制至cursor，让AI优化代码。实际体验下来发觉CodeRabbit容易吹毛求疵，不过也揪出了内存泄漏等颇为严重的隐患。另外，我留意到众多企业均在研发code review工具，诸如GitHub Copilot、Cursor BugBot、Claude Code Action。 AI正逐渐从编写代码，向整个DevOps流程拓展。
最后再分享一个Claude Code达成自动提交代码的途径，可创建一个"commit"的自定义命令，在命令中清晰描述分支规范、commit log规范等，让claude code阅览变动的代码，自动创建分支、提交代码、创建PR。此外若配置了pre-commit，例如提交前运行lint检查，claude code在察觉未自动修复的lint错误后，还能自动修复错误，全流程极其顺滑。