AI 编程工具最直观的能力，是快速生成代码。但如果只把它当成更快的自动补全，就会错过更重要的变化：开发者正在从“亲手写出每一行”转向“持续定义、审查和验证系统行为”。
速度提升不等于交付变快
代码生成速度提高后，瓶颈会转移到需求澄清、架构判断、测试和代码审查。一个模糊需求可以在几分钟内变成上千行代码，但这只意味着错误也被更快地具体化。
因此，AI 编程的第一原则不是多生成，而是缩短正确反馈的周期。
一个更可靠的工作流
1. 先让 AI 阅读现有系统
要求它查看目录结构、关键模块、测试和项目约定，再提出修改方案。没有上下文就直接生成，通常会引入重复抽象或违背现有模式。
2. 把任务切成可验证的小步
每一步都应有清晰边界，例如“为登录接口增加限流并补充两个测试”，而不是“把安全性做好”。小任务更容易审查、回滚和定位问题。
3. 让测试成为对话的一部分
不仅要求生成实现，也要求运行相关测试、解释失败原因，并补充覆盖边界条件的用例。测试不是最后一道手续，而是给 AI 的实时反馈。
4. 审查行为，不只审查语法
AI 生成的代码往往语法整洁，却可能在并发、权限、错误处理和数据迁移上留下隐患。审查时应优先问：失败时会怎样？输入为空会怎样？旧数据是否兼容？谁有权执行？
最适合交给 AI 的工作
- 理解陌生代码并建立导航地图。
- 完成模式明确、范围有限的功能。
- 生成测试、迁移脚本和重复性代码。
- 定位错误、比较方案、解释日志。
- 整理文档与变更说明。
仍需人类负责的判断
产品取舍、系统边界、安全责任、长期维护成本，以及“这件事是否值得做”，都不能因为代码能被快速生成就被跳过。模型擅长在给定方向上前进，却不天然知道哪个方向真正重要。
AI 可以承担更多打字和搜索，但开发者仍要为约束、证据和后果负责。
新的核心能力
未来优秀开发者之间的差距，可能不再主要体现在记住多少 API，而体现在能否快速理解系统、定义精确任务、建立自动验证，并识别看似合理的错误。
AI 没有让工程判断变得不重要。恰恰相反，当生产代码变得廉价，判断什么代码应该存在，会变得更有价值。
写作的价值，不是给变化下一个永久结论，而是留下此刻足够诚实的理解。