和 AI 结对编程:我的日常协作流程
用 AI 写代码一年多,最大的变化不是「打字变少了」,而是工作被拆得更细了。 模型很擅长在明确的边界内生成代码,也很擅长在你没想清楚时帮你把问题放大。 下面是我现在比较稳定的一套流程,写下来给以后的自己看。
一、先准备上下文,再开口
模型看不到你的仓库结构、跑不了你的环境、也不知道你上周为什么改了那个配置。 所以第一件事不是描述需求,而是给它能自己读的东西:
- 相关文件路径,让它自己打开,而不是把代码贴进对话;
- 项目的构建/测试命令,让它知道怎么验证;
- 最近的提交记录或报错原文,而不是「它坏了」;
- 明确的约束:不能改哪些文件、必须兼容什么版本。
这一步花的几分钟,通常能省掉后面几轮来回。经验是:你描述得越像一份 issue,结果越像一次正常的开发。
二、把需求写成一个可验收的目标
我习惯用三段式:
目标:给上传接口加上 10MB 大小限制,超限返回 413 和 JSON 错误体
约束:不改路由签名;错误格式复用现有的 ApiError;不要引入新依赖
验收:单测覆盖「刚好 10MB」和「超过 10MB」两种情况;npm test 全绿
「验收」这一行最关键。没有它,模型会倾向于「看起来对」的实现; 有了它,它会主动去找测试文件、跑命令、修到通过为止。
三、小步走,一次只改一件事
我最常犯的错误是一次性给一个大目标:「把这个模块重构成干净架构」。 结果通常是几十个文件的改动、一堆看起来合理但互相矛盾的抽象。
现在我会把它拆成可独立验证的步骤,每步都要求先给出计划:
- 让它列出改动点和顺序,我确认后再动手;
- 一次只做一步,做完立刻跑测试或构建;
- 通过之后再进入下一步,失败就回滚这一步。
这样即使某一步跑偏,损失也只是一次小改动,而不是整棵树。
四、验证永远自己做一遍
「测试通过了」这句话,我现在的理解是「模型说测试通过了」。 所以关键改动我会自己再看三件事:
- diff:它到底改了哪些文件,有没有顺手删掉不该删的东西;
- 测试:测试是真跑了,还是被跳过/改了断言;
- 边界:空值、并发、超时、权限,这些它经常不主动考虑。
一个实用习惯:让它把「怎么验证」写成命令清单,我照着跑一遍。 写不出来,通常说明它自己也没把握。
五、我通常不交给它的事
- 涉及真实凭据的操作:改生产配置、动数据库、发布上线;
- 没有测试兜底的删除和迁移:这类改动出错不可逆;
- 需要业务判断的取舍:比如「这个功能要不要做」,它只能顺着你说;
- 安全边界的决定:鉴权模型、权限粒度、密钥管理,人来定。
这不是不信任模型,而是这些事情的错误成本太高,且验证成本也很高。
六、几个高频失败模式
1. 幻觉 API
它可能用了一个不存在的参数,或者某个库的旧版本写法。 对策:要求它只使用仓库里已经出现的 API;不确定时先让它搜索/读源码。
2. 过度设计
「顺手」加一层抽象、一个配置项、一个接口。对策:明确说「本次不引入新抽象」, 并在 diff 里检查文件数量。
3. 隐性约束没说
比如「这个函数必须保持纯函数」「这个目录不能被前端引用」。 对策:把这些写进约束,或者维护一份项目级的约定文档,每次让它先读。
4. 修复引入新问题
为了让测试变绿去改测试,而不是改实现。对策:测试文件的改动要单独审。
七、心态
AI 更像一个不知疲倦但需要复核的初级同事:给它清晰的任务,它会做得不错; 给它模糊的目标,它会自信地跑偏。
所以真正值钱的能力没变:把问题拆清楚、定义什么叫「做完了」、以及判断什么不该做。 模型只是把「从想法到代码」的这段路缩短了。