AI 不一定能替代程序员，但会使用 AI 的程序员，正在重新定义软件开发的效率。

前言

过去几年，AI 的发展速度远远超出了我的预期。

从最初只能回答简单问题的聊天机器人，到如今能够理解整个项目、修改代码、执行命令、分析错误，甚至协助完成完整功能开发的 AI Agent，AI 已经逐渐成为我日常工作中不可缺少的一部分。

作为一名软件开发者，我使用过不少 AI 工具，也经历过从最初的惊艳，到逐渐发现问题，再到建立自己使用方式的过程。

这篇文章想分享一些我在实际使用 AI 过程中的经验，以及我对 AI 辅助开发的理解。

一、AI 不只是一个聊天机器人

最初使用 AI 时，我通常只会提出一些简单的问题：

• 解释一段看不懂的代码。

• 帮忙编写 SQL 查询。

• 生成一个 Java 或 JavaScript 方法。

• 排查某个报错。

• 翻译技术文档。

这些任务确实能够节省时间，但本质上只是把搜索引擎替换成了一个更智能的问答工具。

真正让我感受到变化的，是 AI Agent 的出现。

现在，我可以直接告诉 AI：

“检查整个项目的登录流程，找出潜在问题，修复后运行测试，并整理修改内容。”

它不再局限于生成一段代码，而是可以围绕目标执行多个步骤。

这意味着 AI 正在从一个被动回答问题的工具，逐渐转变为能够参与实际工作的执行者。

二、从写代码到描述需求

传统的软件开发流程通常是：

需求分析 → 技术设计 → 编写代码 → 调试测试 → 发布部署

开发者需要亲自完成其中绝大多数工作。

而在 AI 辅助开发过程中，工作方式开始发生变化。

我现在更倾向于先告诉 AI 我要实现什么，以及最终应该达到什么效果，再让它分析现有代码，提出方案并协助实现。

例如，一个简单的功能需求：

“为应用增加深色模式，跟随系统主题，支持用户手动切换，并且保留用户上次选择。”

相比直接要求 AI 修改某个文件，这样的描述更加接近真实的软件需求。

AI 需要考虑的不只是界面颜色，还包括：

• 当前项目使用什么状态管理方案。

• 主题配置应该如何持久化。

• 应用启动时如何恢复设置。

• 不同页面和组件是否需要同步更新。

• 如何避免破坏已有功能。

我认为未来开发者的一项重要能力，就是能够把模糊的想法转化为清晰、可验证的需求。

三、AI 最适合帮助我们做什么？

经过一段时间的使用，我发现 AI 在以下几个方面尤其有价值。

1. 阅读和理解陌生项目

接手一个陌生项目时，最痛苦的往往不是写代码，而是理解代码。

项目目录、依赖关系、数据模型、接口调用、状态流转，都需要花费大量时间梳理。

借助 AI，可以先快速分析项目结构，再针对核心模块进行深入理解。

不过，AI 的总结只是辅助，关键业务逻辑仍然需要自己核实。

2. 处理重复性的开发工作

例如：

• 编写常规 CRUD 接口。

• 生成数据模型和序列化代码。

• 补充单元测试。

• 统一代码格式与命名。

• 整理 API 文档。

• 迁移重复组件。

• 编写自动化构建脚本。

这些任务通常规则明确，却非常耗费时间。

让 AI 完成初步实现，再由开发者审核，往往能够显著减少机械性工作。

3. 排查复杂问题

有时候，一个 Bug 可能涉及多个模块。

比如前端登录失败，真正原因可能是后端鉴权配置、Token 过期策略或者环境变量不一致。

AI 可以辅助分析调用链、日志和配置，帮助我们更快缩小问题范围。

但有一点非常重要：

AI 给出的解释，并不代表问题已经被证实。

只有通过日志、测试和实际运行结果验证，才能确认修复是否有效。

4. 完善文档和工程规范

除了写代码，AI 还非常适合维护工程文档。

例如 README、部署指南、接口说明、需求设计文档，以及版本更新记录。

一个维护良好的项目，不应该只有可以运行的代码，还应该让未来的自己能够快速理解它。

四、AI 辅助开发最容易踩的坑

AI 很强大，但绝对不是万能的。

1. 看起来正确，不代表真的正确

AI 有时会生成结构完整、语法正确，却存在逻辑漏洞的代码。

尤其是涉及支付、权限、数据库迁移和并发处理时，不能只看代码是否能够编译。

更重要的是确认业务行为是否符合预期。

2. 修改范围可能超出预期

明明只要求调整一个页面，AI 却可能顺手重构公共组件，导致其他页面出现异常。

因此，对于复杂项目，我更倾向于让 AI 分阶段完成任务，并明确修改范围。

3. 上下文越长，不代表结果越准确

大型项目中，AI 不一定能够始终正确理解全部历史信息。

如果需求文档、实际代码和过去的讨论存在冲突，就可能出现重复实现或错误修改。

保持文档更新、及时清理过时设计，是提高 AI 开发效率的重要方式。

4. 不能忽略安全与成本

使用 AI 工具时，需要特别注意：

• 不要随意向模型提交生产密钥和敏感数据。

• 对自动执行的高风险命令设置审核机制。

• 检查第三方依赖和生成代码的安全性。

• 关注 Token 消耗和实际使用成本。

• 重要修改始终保留 Git 回滚能力。

效率提升不应该以失去对项目的控制为代价。

五、我的 AI 开发工作流

相比直接让 AI “帮我完成整个项目”，我更推荐一种分阶段的工作方式。

第一步：明确需求

先描述目标、用户使用场景、约束条件和验收标准。

第二步：分析现状

让 AI 阅读现有项目，判断哪些功能能够复用，哪些地方需要修改。

第三步：制定计划

复杂任务先给出实现方案，列出涉及的模块、风险与测试方式。

第四步：分批实施

将大任务拆分成较小的可验证任务，减少一次修改过多代码造成的问题。

第五步：测试与审核

执行编译、自动化测试和必要的人工验证，不以 AI 的“已完成”作为唯一依据。

第六步：提交与记录

使用 Git 保存变更，更新相关文档，确保每次修改都能够追踪和回滚。

这套流程并不复杂，但比完全放任 AI 自由修改代码更加可控。

六、AI 会取代程序员吗？

这是一个经常被讨论的问题。

我的看法是，AI 会改变程序员的工作内容，但软件开发远远不只是编写代码。

一个真正可用的软件，需要理解用户需求、处理复杂业务、设计系统架构、解决稳定性问题，以及在成本、性能、安全之间进行取舍。

AI 可以参与这些工作，但生成代码并不等于对最终结果负责。

未来，开发者可能会把更多精力放在：

• 产品需求与用户体验。

• 系统设计与技术选型。

• 复杂问题分析。

• AI 生成结果的审核与验证。

• 自动化流程与工程效率。

单纯编写模板代码的价值可能降低，而理解问题、做出合理判断的能力会变得更加重要。

七、写在最后

我越来越觉得，AI 最大的意义并不是让我们少写几行代码，而是降低把想法变成产品的门槛。

以前，一个想法可能因为时间不足、技术不熟悉或者开发成本太高而被搁置。

现在，借助 AI，我们可以更快地验证想法、构建原型，并不断迭代。

当然，AI 依然会犯错，也需要监督。

真正高效的方式，不是完全依赖 AI，而是建立一套人与 AI 协作的工作流程。

让 AI 负责加速执行，让人负责目标、判断与质量。

我相信，未来软件开发的竞争力，不只是掌握多少门编程语言，而是能否高效地组织知识、工具和 AI，把想法真正落地。

本文记录个人对 AI 辅助开发的理解与实践思考，欢迎交流不同的使用经验。