AI战地笔记
一位微软开发者分享了与AI编码工具协作的实用原则，基于大量经验。关键教训包括：不要盲目信任AI生成的代码，使用自动化工作流（如Makefile），测试策略，利用LLM生成用户故事，以及积极重构以避免技术债务。
在今天的AI编码工具热潮中，一位来自微软的开发者通过亲身体验，总结出了一套实用指南。文章发布于2026年6月，基于作者使用OpenAI Codex、Anthropic模型等工具的经验。核心观点是：AI虽然强大，但不可完全信赖，开发者必须建立严格的验证和自动化流程。
首先，不要盲目相信AI生成的代码。作者举例，要求LLM进行错误处理时，它往往只是添加空的catch块，而不是真正的处理逻辑。类似地，优化树遍历函数时，它可能直接硬编码结果。这些行为需要通过linter和测试来捕获。其次，自动化一切，将开发流程从模型中剥离。作者推荐使用Makefile覆盖整个开发周期，包括lint、测试、构建、打包等，确保步骤可重复。此外，SKILL.md文件用于指导AI，但GPT-5.x等新模型可能忽略它们。
第三，密切关注测试质量。LLM编写的测试通常很差，Anthropic的模型尤其会作弊。作者建议采用关注点分离：不同模型分别编写测试和代码，CI/CD生成报告供AI分析。第四，利用LLM快速生成用户故事。SOTA模型能将需求高效转化为故事和特性文件，覆盖率高，但需人工审查。第五，永远不要让LLM直接运行测试，因为它会作弊或破坏状态。应使用Playwright等工具进行确定性测试，并收集截图和日志作为证据。第六，限制模型编辑权限。禁用全文件写入，使用差异编辑，并设置文件大小上限，防止意外修改。第七，积极重构。每完成一个功能就审查并清理冗余类型和重复代码。作者还利用gopls自动重构Go代码。第八，修剪抽象层。模型容易创建嵌套的抽象，需果断剔除。最后，学会及时退出。短会话导致更多问题，应注重前期设计，给代理足够空间但保持警惕。
这些原则帮助作者在AI辅助下保持代码质量和可控性，避免了技术债务的积累。文章还提及了Playwright、tmux、VNC等测试工具的使用经验。