AI 生成代码与质量底线

AI 写代码会放大一个老问题：如果我自己都没想清楚验收标准，它就会给我一段看似完整但方向偏掉的实现。速度快不是原罪，问题是速度掩盖了判断。现在我更习惯先写边界、输入输出、失败场景，再让工具动手。这样生成代码才像加速器，而不是随机数。

我发现 AI 生成代码最大的风险不是语法错误，而是逻辑偏差。它会给你一个看起来正确但实际有问题的方案，因为你没有告诉它”这个条件要特殊处理”或”这个性能要求很严格”。所以现在我给 AI 的指令越来越具体：不是”写一个排序函数”，而是”写一个稳定排序，时间复杂度 O(n log n)，处理空数组和重复元素”。

验收标准前置成了我的习惯。在让 AI 写代码之前，我会先写好测试用例——不只是正常路径，还有边界条件和错误场景。这样 AI 生成代码后，我可以直接跑测试验证。如果测试不通过，就知道哪里有问题。这个方法比事后审查代码效率高很多。

2024 年 1 月 的经验告诉我，AI 生成代码的质量取决于你给它的输入质量。模糊的需求得到模糊的实现，清晰的需求得到清晰的实现。这不是 AI 的问题，是人机协作的基本规律。与其抱怨 AI 写得不好，不如先问自己：我把需求说清楚了吗？