从人工智能结对编程中汲取的 12 个教训（与人工智能共处 180 天，零炒作）
经过六个月每天在多个代码库中进行人工智能结对编程，以下才是真正奏效的方法。抛开炒作，这才是实践中行之有效的方法。
太长不看
规划与流程：
- 先制定计划；在编写代码之前，让 AI 对计划进行评估。
- 使用编辑测试循环：编写失败的测试 → AI 修复 → 重复
- 为了便于查看差异，请频繁提交小幅更改。
快捷工程：
- 保持提示简短明了，上下文信息过多会降低准确性。
- 在编写代码之前，要求提供逐步推理过程。
- 请使用文件引用（@path /file.rs:42-88），而不是代码转储。
上下文管理：
- 重大更改后请重新索引项目，以避免出现幻觉。
- 使用 gitingest.com 等工具进行代码库摘要
- 使用 Context7 MCP 可以随时获取最新文档。
- 将 AI 输出视为初级开发人员的 PR；审查所有内容
哪些方法行不通：
- 将整个代码库直接导入提示符
- 期望人工智能理解隐含需求
- 未经审查就将安全关键代码交给人工智能处理
1. 首先制定书面计划（认真地说，先做这一步）
让你的 AI 为你正在开发的功能起草一份 Markdown 格式的计划文档。然后对其进行改进：
- 针对极端情况提出澄清性问题
- 让它自我评估计划中的漏洞
- 重新生成改进版本
将最终方案保存instructions.md并在每个提示中引用。这一步就能避免 80% 的“人工智能中途出错”的情况发生。
真实案例：
Write a plan for adding rate limiting to our API. Include:
- Which endpoints need protection
- Storage mechanism for rate data
- Error responses and status codes
- Integration points with existing middleware
Now critique this plan. What did you miss?
2. 掌握编辑-测试循环
这是 TDD，但由 AI 来完成实现：
- 让AI编写一个能准确捕捉到你想要结果的失败测试。
- 请自行检查测试内容——确保它测试的是正确的行为。
- 然后告诉人工智能：“让这个测试通过”。
- 让人工智能迭代——它可以自动运行测试并修复故障。
关键在于实现之前要审查测试。糟糕的测试会导致代码满足错误的要求。
3. 要求逐步推理
将以下内容添加到您的提示中：
Explain your approach step-by-step before writing any code.
你可以在错误的假设变成错误的代码之前就发现它们。能够自主思考的AI模型犯的愚蠢错误更少。
4. 停止倾倒背景信息，开始精心策划它
大型项目会分散人工智能的注意力。以下是解决方法：
使用 gitingest.com 获取代码库摘要
- 访问 gitingest.com
- 输入您的仓库 URL（或将任何 GitHub URL 中的“github.com”替换为“gitingest.com”）
- 下载生成的文本摘要
- 请引用此文件，而不是复制粘贴文件。
不要将 10 个文件粘贴到提示符中，而是
这样做：“项目结构请参见附件 codebase_summary.txt”。
文档管理：请使用 Context7 MCP 或其他用于实时文档的替代方案。
Context7 MCP 通过显示文档的“最新页面”，使 AI 与最新文档保持同步。
何时使用：当您的文档经常更改时，请引用 MCP 连接，而不是每次都粘贴过时的代码片段。
5. 版本控制是你的安全网
- 提交时要细粒度控制，
git add -p这样差异才易于阅读。 - 切勿让未提交的更改堆积：保持 Git 状态清洁有助于隔离 AI 引入的错误并进行干净的回滚。
- 使用有意义的提交信息：它们有助于人工智能理解变更上下文。
6. 保持提示信息高度聚焦
错误示例：“这是我的全部代码库。为什么身份验证不起作用？”
良好：“@src/auth.rs第 85 行在NoneJWT 格式错误时会引发 panic。请修复此问题并添加适当的错误处理。”
具体的问题需要具体的解决方案，模糊的问题只会滋生幻觉。
在提示中使用代码中的术语：引用代码库中的确切标识符，而不是通用的业务术语。例如，使用 `call`createOrder()而processRefund()不是 `place order` 或 `issue refund`，或者使用UserEntity`account` 而不是 `account`。这种精确性有助于 AI 应用正确的抽象概念，并避免领域语言和代码之间的不匹配。
🚀试试 AI Shell
您的智能编码助手，可无缝集成到您的工作流程中。
登录 Forge →
7. 重大变更后重新索引
如果您使用 AI 工具进行项目索引，请在重大重构后重建索引。过时的索引会导致 AI “找不到”一些明明存在的函数。
大多数工具都会自动建立索引，但如果出现异常情况，则会强制刷新。
8. 使用文件引用，不要复制粘贴
大多数AI编辑器都支持类似这样的引用@src/database.rs。请使用它们，而不是粘贴代码块。
好处：
- AI看到的是文件的当前状态，而不是过时的快照。
- 更少的令牌使用量 = 更高的准确性
- 减少提示杂乱
注意：语法因工具而异（Forge 使用@，有些使用#，等等）。
9. 让AI编写测试用例，但你来编写测试规范
告诉人工智能具体要测试什么：
For the new `validate_email` function, write tests for:
- Valid email formats (basic cases)
- Invalid formats (no @, multiple @, empty string)
- Edge cases (very long domains, unicode characters)
- Return value format (should be Result<(), ValidationError>)
一旦指定了测试用例，人工智能就能很好地生成测试样板代码。
10. 使用诊断报告进行调试
遇到难题时，要求进行系统性的分解分析：
Generate a diagnostic report:
1. List all files modified in our last session
2. Explain the role of each file in the current feature
3. Identify why the current error is occurring
4. Propose 3 different debugging approaches
这迫使人工智能进行系统性思考，而不是靠猜测和尝试。
11. 制定清晰的风格指南
给你的AI一个简短的系统提示：
Code style rules:
- Use explicit error handling, no unwraps in production code
- Include docstrings for public functions
- Prefer composition over inheritance
- Keep functions under 50 lines
- Use `pretty_assertions` in test
- Be explicit about lifetimes in Rust
- Use `anyhow::Result` for error handling in services and repositories.
- Create domain errors using `thiserror`.
- Never implement `From` for converting domain errors, manually convert them
规则一致才能保证代码质量稳定。
12. 像高级工程师一样审查所有内容
把每一次人工智能方面的改动都当作初级开发人员的公关稿来对待：
安全审查：
- 检查注入漏洞
- 验证输入有效性
- 寻找硬编码的秘密
绩效考核：
- 注意 N+1 查询
- 检查算法复杂度
- 查找不必要的分配
正确性审查：
- 手动测试边界情况
- 验证错误处理
- 检查是否存在差一错误
人工智能很聪明，但并不睿智。你的经验至关重要。
哪些方法行不通（从我的错误中吸取教训）
“神奇提示”谬误
没有完美的提示能让人工智能永不出错。更高效的工作流程胜过更完善的提示。
期待读心术
人工智能无法推断你未明确提出的需求。“使其达到生产就绪状态”如果没有具体细节，就毫无意义。
将人工智能应用于架构决策
人工智能擅长实现你的设计，但不太擅长高层系统设计。你负责架构，人工智能负责实现。
忽略领域特定上下文
除非你告诉它，否则人工智能不会知道你的业务逻辑、部署限制或团队惯例。
争议观点：人工智能结对编程优于人类结对编程
适用于大多数实施任务。
人工智能不会疲倦，没有自负，不会争论代码风格，也不会评判你的搜索习惯。它就像一个拥有无限耐心和完美记忆力的初级开发人员。
但它也无法发现逻辑错误，无法理解业务背景，也不会对糟糕的想法提出质疑。处理棘手的问题仍然需要人。
最终现实检验
AI编码工具可以显著提高生产力，但前提是必须系统地使用它们。那些效率大幅提升的工程师并非依靠神奇的提示，而是遵循严谨的工作流程。
先做好计划，测试所有内容，像生产系统依赖于它一样进行审查（因为它确实依赖于它），记住：人工智能是你的实习生，而不是你的架构师。
编程的未来不是人类与人工智能的对抗，而是人类与人工智能的结合与人类的分离。请谨慎选择你的阵营。
文章来源：https://dev.to/forgecode/12-lessons-from-ai-pair-programming-180-days-with-ai-zero-hype-2ijh