最近 AI 写代码变得相当好用了，过程中 AI 还能自己测试和调试，根据错误自己修复 BUG，最终代码可以直接运行。

新的工作模式

Chat 到 Agent 的转变

以前的 AI 协作模式主要是 chat：提问-回答。现在 AI Agent 的出现改变了这一点，转变为自动检查-错误修正的循环。

• Agent 执行代码、跑测试
• 根据实际运行结果自动反馈
• 发现问题立即修复，无需人工告知
• 循环到代码通过为止

这个改变很关键——从被动等待问题反馈，变成主动发现和纠正。

为 Agent 提供感知能力

Agent 需要"眼睛"和"耳朵"才能与真实世界互动：

• 眼睛：能看到代码运行的实际结果（stdout、stderr、返回值）
• 耳朵：能听到环境反馈（测试失败、性能瓶颈、边界情况）

有了这些感知，Agent 可以：

• 立即发现编译错误、运行时崩溃
• 检测逻辑错误（通过单元测试、集成测试）
• 发现性能问题、内存泄漏等非显而易见的 bug

修正幻觉的最有效方式

模型的"幻觉"（生成不真实或错误的内容）是 AI 编程的主要痛点。最有效的修正方式就是与真实世界交互和验证。

• 纯文本讨论：容易陷入循环论证，模型无法自我证实
• 实际运行验证：代码跑出来要么成功要么失败，黑白分明

这就是为什么"让 AI 先测试，再根据测试失败修复"比"让 AI 讨论可能的问题"有效得多。运行时错误、边界情况的发现和修复都依赖于真实环境的反馈。

实战经验

代码质量现状

• 编译错误：基本都能解决，95% 以上的代码可以直接运行
• 运行时错误：需要通过实际测试发现。AI 擅长写测试代码，也能根据失败结果修复
• 设计问题：默认编写时结构一般，但提示重构后能产生不错的架构

可测试性是关键

重点不在于代码本身，而在于可测试性：

1. 让 AI 编写单元测试、集成测试
2. AI 自己运行测试，观察失败
3. AI 分析失败原因并修复
4. 循环直到所有测试通过

这个流程中，测试用例本身成为"真实世界反馈"的代理，帮助 AI 验证逻辑正确性。

AI 可以做尝试性工作

一个高效的协作策略：让 AI 做尝试性工作。

• 快速探索多个方案
• 通过运行测试快速验证可行性
• 找到最优方案后，再投入精力

这避免了人工方案探索的低效，充分利用 AI 的"快速迭代"优势。

Skills 的两个演进方向

随着 AI 能力提升，如何利用 skills（经验库、最佳实践库）有两条不同的路：

1. 基于模型能力的 Skills（上溯修正）

只记录模型容易犯错的地方、踩过的坑。这些 skills 的目的是修正模型的常见幻觉和错误。

• 适用于：强模型（有判断力，能理解复杂约束）
• 内容：特殊约束、陷阱、常见错误模式
• 例子：“Go 中 defer 的顺序是 LIFO，不能假设”、“浮点数比较需要精度容差”

2. 脱离模型能力的 Skills（能力赋予）

将已经实践过、验证过的方案封装为可复用的脚本或模板，这样即使是更弱的模型也能使用。

• 适用于：能力不足的模型、重复性强的任务
• 内容：完整工作流、脚本、配置模板、测试框架
• 例子：将"微服务健康检查"流程封装为可配置脚本，弱模型可直接使用而不需要理解底层原理

两个方向的协同

• 强模型：主要用第一种 skills（修正错误），允许探索
• 弱模型：主要用第二种 skills（能力赋予），降低门槛
• 长期演进：随着模型通用能力提升，第一种 skills 可能会逐渐过时，第二种 skills 则变成可复用的资产

总结

AI 编程的优势不在于"一次正确"，而在于快速迭代和自动验证的循环。关键是：

1. 给 Agent 提供与真实环境的交互能力
2. 依靠运行和测试来验证，而不是纯粹讨论
3. 充分利用 AI 的快速尝试能力
4. 逐步积累 skills，放大 AI 的长期能力

这样，AI 就不再是一个"想法生成器"，而是成为真正的编程合作者。

最后修改于 2025-12-30