AI实战笔记：大模型写代码，我踩过的那些坑【原标题】
先说结论：AI能帮你写80%的代码，但剩下的20%能让前面80%全废掉。
这话听起来有点夸张，但如果你真的用大模型写过生产环境的代码，大概率能懂我在说什么。
最近两个月，我把我手头几个小项目的代码全扔给AI写了。不是偷懒，是真的想试试——现在的模型到底能不能干活？效率到底能提多少？
结果呢？有惊喜，也有被坑到凌晨两点的经历。这篇就聊聊我的实战血泪史。
1. 第一坑：AI写的代码跑得飞快，然后崩得也很彻底
先说我踩得最狠的一个坑。
有个数据处理的小脚本，需求不复杂：读一个CSV，做一些清洗，输出报表。我把需求描述得很清楚，丢给Claude，几秒钟代码就出来了。
跑了一下，完美。数据对得上，速度也快。我心想这玩意儿靠谱啊，直接丢到定时任务里跑了。
三天后，同事来找我：报表里的数字不对。
我查了半天日志，发现问题出在这里——AI默认CSV的编码是UTF-8，但上游给的数据源是GBK。更麻烦的是，有几行数据的格式是乱的，AI写的异常处理直接跳过了那些行，连个日志都没留。
输出报表的时候数据量少了，数字当然不准。
教训：AI的代码是在“理想输入”的假设下写的。你给它描述的需求越接近理想情况，它给你的代码就越脆弱。真实世界的数据脏得很，这事得你自己兜底。
解决方案：现在我的习惯是，AI生成的代码里，所有涉及外部输入的地方全加上防御性逻辑。哪个字段可能为空、哪个文件可能不存在、编码可能是什么——这些边界条件我手动补一遍。
2. 第二坑：代码能跑≠代码能维护
第二个坑更隐蔽。
有一次我需要写一个爬虫，逻辑稍微复杂一点——要登录、要处理验证码、要翻页、要处理反爬。我用GPT-5写了个初版，确实能跑，数据也能爬到。
但过了两周需求变了，要加一个新字段。我打开那个脚本，当场就想把电脑关了。
变量命名是什么鬼？a、b、temp、result1、result2……函数动辄两百行，同一个URL配置在三个地方硬编码。改一个小地方，牵一发而动全身，改完还不知道哪里会炸。
我花了两个小时去理解这段“能跑”的代码，又花了一个小时去改。如果自己从头写，可能也就两个小时。
教训：AI不知道你的代码以后要被人（包括你自己）维护。它的目标是给你一段能完成当前任务的代码，至于可读性、可扩展性、模块化——这些不在它的优化目标里。
解决方案：我现在会让AI先输出设计思路，再输出代码。比如“先帮我设计这个模块的接口和类结构，确认后再生成实现”。多这一步，代码质量不是一个量级的。另外，所有AI生成的代码我都会跑一遍lint和格式化，变量命名不符合规范的直接打回去重写。
3. 第三坑：依赖地狱，你永远不知道下一个炸的是什么
这个坑是最让人头疼的。
AI写代码的时候，会顺手帮你import一堆库。按理说这没问题，但问题是——它用的版本号可能跟你环境的版本不兼容。
有一次我用DeepSeek写了一个RAG相关的脚本，它用了某个向量数据库的客户端库的最新API。我的环境里装的是旧版本，跑起来直接报错。我把版本升上去之后，另一个依赖库又不兼容了。
折腾了大半天，最后在一个虚拟环境里从零开始配了一套全新的依赖才跑起来。时间全花在环境上了，核心逻辑反而没花多久。
教训：AI写代码时假设你有最新的环境、最新的依赖、网络畅通无阻。现实不是这样。
解决方案：我现在会让AI在代码开头注释里写明依赖库和推荐版本号。另外，每次跑AI生成的代码之前，先在虚拟环境或Docker里试，别直接往生产环境扔。还有一个技巧是让AI生成requirements.txt而不是直接写import，这样你可以先审一遍依赖再安装。
4. 什么场景下AI真的能提效？
说了这么多坑，也不是说AI写代码不能用。有些场景它真的好用：
一是写胶水代码。 把A系统的数据转成B系统的格式、调几个API拼一下、做个简单的ETL——这类重复性高、逻辑清晰的任务，AI完成得又快又好。
二是写单元测试。 我自己写代码懒得写测试，但AI不懒。把函数扔给它，让它生成测试用例，覆盖边界条件，这个用法我屡试不爽。
三是做技术调研。 不确定某个库怎么用？让AI写个最小示例，跑通了再改。比自己翻文档快得多。
四是写文档和注释。 代码写完了懒得写注释？把代码丢给AI，让它帮你生成docstring和README。虽然不是百分百准确，但至少有了一个可以改的底稿。
5. 我的AI辅助编程工作流
踩了这么多坑之后，我沉淀了一套自己的工作流，分享出来供参考：
第一步：让AI设计方案，不写代码。
“我要实现一个功能：XXX。先帮我把模块拆解一下，列出需要哪些函数、每个函数的输入输出是什么。”
第二步：确认方案后，让它按模块生成代码。
一次只生成一个函数或一个类，生成完立刻review。不要让它一口气输出几百行。
第三步：跑测试，但手动补边界。
单元测试用AI生成，但边界条件自己加一轮。别信AI说的“已处理所有异常”。
第四步：人工重构。
AI生成的代码能跑之后，我会手动重构一遍。重命名变量、拆分过长的函数、消除重复代码。这一步花不了多长时间，但能省后面维护的无数小时。
第五步：锁定依赖版本。
把AI给的依赖列表转成requirements.txt，锁定具体版本号。有条件的话在容器里跑一遍，确认没问题再合进去。
小结
大模型写代码这件事，我的态度已经从“哇好厉害”变成了“嗯，是个好工具，但得管着用”。
它像个干活很快但不太靠谱的实习生——你盯着的时候干得不错，你一走神它就能给你整出幺蛾子。不是你盯着它写的每一行，而是盯住那几个最容易出问题的地方：输入输出、边界条件、依赖管理。
说到底，AI写代码提效的前提是——你得比它更懂这段代码要做什么，以及可能出什么问题。
如果连你自己都没想清楚，那AI写得再快，也只是在帮你制造更多的技术债务。
推荐工具（亲测，不是广告）：
-
日常写代码：Claude 3.5/3.7（代码理解能力强）
-
复杂任务：GPT-5（能处理更长上下文）
-
开源省钱版：DeepSeek Coder系列（免费且不差）
-
本地代码补全：Continue + DeepSeek V3（用VS Code插件）
文末互动：你最近用AI写过代码吗？有没有踩过什么奇葩的坑？评论区聊聊，一起避雷。
【本文由找找AI朱编辑撰写，持续分享AI实战经验，欢迎关注】