过去,开发者大部分时间都花在手动编写代码、查阅文档和定位问题上。随着 AI 编程工具逐渐具备读取项目、修改文件、执行命令和辅助测试的能力,开发流程也在发生变化。

我开始把 ChatGPT、Claude Code 和 Codex 等工具融入日常开发。它们能够帮助我更快理解陌生代码、拆分任务、实现功能、定位问题和整理文档。但使用得越多,我越觉得一个关键点没有改变:开发者仍然需要对需求、架构、代码质量和最终结果负责。

AI 可以加快实现速度,但不能替代工程判断和验收责任。

把任务说清楚,比让 AI 直接写代码更重要

如果只给出一句“帮我实现这个功能”,模型可能会根据不完整的上下文做出大量假设。更稳妥的做法,是先说明目标、现有行为、预期结果、涉及范围和不能改变的约束。

  • 目标:这次修改要解决什么问题,用户最终会看到什么变化?
  • 上下文:相关模块在哪里,现有实现如何工作,依赖哪些接口和数据结构?
  • 约束:哪些文件不应修改,是否需要兼容旧数据,是否有性能或安全要求?
  • 验收:需要运行哪些测试,哪些手工场景必须复核?

我更倾向于一个小步闭环

  1. 先理解:让工具先阅读相关代码并总结现状,不急着修改。
  2. 再规划:确认实施步骤、影响范围和可能的风险。
  3. 小步实现:一次聚焦一个目标,避免一次性重写大量模块。
  4. 检查差异:阅读 diff,确认没有误删逻辑、泄露配置或引入不必要的依赖。
  5. 运行验证:执行构建、单元测试和关键回归场景。
  6. 记录结果:保留修改内容、测试结果和仍未覆盖的风险。

Agentic Coding 让权限边界更重要

当工具只能回答问题时,风险主要来自错误建议;当工具可以读取文件、运行命令、修改代码甚至访问外部服务时,风险就扩展到了执行权限。

因此,我会特别关注工作区范围、命令执行权限、密钥和环境变量保护、外部网络访问,以及涉及删除、覆盖和部署等操作时的人工确认。不要把生产凭证、客户数据或内部资料直接交给不适合处理它们的工具。

哪些工作适合交给 AI,哪些必须自己把关?

AI 很适合辅助代码解释、样板代码、测试用例草拟、文档整理、错误日志分析和方案比较。涉及系统边界、权限模型、数据迁移、生产变更和关键业务规则时,仍然需要开发者结合完整上下文做判断。

我也逐渐认识到,AI 协作开发并不是减少思考,而是把更多精力从重复劳动转移到问题定义、系统理解、风险识别和结果验证上。

真正的效率来自可验证的交付

一段代码生成得再快,如果没有通过构建、测试和人工审查,就不能算完成。对我来说,AI 编程工具最有价值的地方,是让个人开发者能够更快完成从想法到原型的过程,同时把更多时间留给产品体验和工程质量。

把 AI 当作协作伙伴,而不是免验收的自动驾驶。

这套工作方式还在不断演进。我会继续记录哪些任务适合交给 AI,哪些地方容易出现偏差,以及如何建立更稳定的人机协作开发流程。