前置知识: 技术栈路线图、零基础起步

AI 协作开发：把大模型变成结对程序员而不是代笔

9 min入门

横切全部路线的 AI 协作指南：教练四角色、提示词结构、AI 代码审查清单、测试兜底与安全边界，附「让 AI 出题不代写」的学习纪律。

前置知识

学习目标

读完本文你将能够：

  1. 用「教练四角色」组织 AI 参与学习的边界：出题、点评、答疑、复盘，而不代写核心练习；
  2. 写出结构完整的工作提示词：上下文、约束、验收三段式；
  3. 用审查清单处理 AI 生成的代码，做到「读不懂的不合并」；
  4. 说出三类不该交给 AI 的事，以及为什么。

预计 30 到 45 分钟。本篇不绑定任何特定 AI 产品——工作流与纪律是通用的。

1. 你现在要解决什么问题

两个正在发生的真实场景：

场景一：你让 AI 生成了一段排行榜代码，能跑。三周后需求变了，你打开这段代码——完全看不懂当时 AI 为什么这么写，改不动，只能再让 AI 生成一遍。你拥有了一段自己无法维护的代码。

场景二：你在学变量与循环，卡住了，让 AI 直接给答案。五秒钟后你「会了」——然后面试白板题上，一个字都写不出来。

AI 不会让「不会编程的人」变成工程师，但会让「会编程的人」效率翻倍。区别就在协作方式：把 AI 当教练和结对评审，而不是当代笔。

2. 最小可运行示例：一次合格的 AI 协作

任务：给已有的记账程序加「按用途筛选合计」功能。一次合格的工作流长这样：

第一步，给上下文与约束（三段式提示词）：

text
【上下文】这是我的记账脚本（贴出 ledger.py 全文），数据是 JSON 存的记录列表，
每条记录形如 {"purpose": "午饭", "amount": 25}。
【约束】Python 3.12+ 标准库；不改已有函数的签名；新增函数需要 docstring。
【验收】新增 filter_and_sum(records, keyword) 函数：返回用途包含 keyword 的记录
合计金额；keyword 匹配不到任何记录时返回 0。先只写函数与两个测试用例，不要改主流程。

第二步，AI 返回代码后，执行审查清单（见第 4 节），然后自己跑一遍验收。

第三步，让 AI 扮演评审员：「这是我的实现（贴出），请指出与你的方案的差异，以及我的版本有哪些你没考虑到的边界」——让 AI 评论你的代码，比让它写代码学习价值高一个量级。

3. 发生了什么：为什么这套流程有效

三段式提示词的本质是把「帮我写个功能」这种彩票式提问，变成工程委托：上下文消灭猜测、约束锁定方案空间、验收把「写完了」变成「测试通过才算完」。它和真实工作中给同事提需求是同一种能力——练习它就是在练工程沟通。

而「让 AI 先只写测试」隐藏着一个重要的学习设计：测试是需求的可执行形式。自己想清楚验收条件（哪怕由 AI 帮你形式化），实现才不会跑偏；这个习惯直接迁移到 测试基础 的修 bug 先写复现测试。

4. 核心概念：AI 代码审查清单

AI 生成的每一行代码，合并前过一遍这六问：

  1. 我能逐行解释它吗？——这是唯一的一票否决项。解释不了就追问 AI 直到能解释，或扔掉重写；
  2. 边界齐吗？——空输入、零、负数、超长文本、None/undefined，AI 最爱省略的恰恰是这些；
  3. 错误处理在吗？——网络、文件、用户输入三条线上有没有 try/except 或等价物；
  4. 依赖合理吗？——AI 喜欢顺手引第三方库解决标准库就能干的事；每个 import 都要问一句「标准库没有吗」；
  5. 过时了吗？——AI 训练数据有截止时间，API 签名、默认行为要对照官方文档核验（各模块文档的「官方文档」一节就是干这个的）；
  6. 风格一致吗？——与项目现有命名、缩进、模块组织一致；AI 的默认风格不等于你项目的风格。

六问全过，再跑测试，再提交。流程和审查人类同事的代码完全一样——这正是重点：AI 的产出按同事标准验收，不按魔法标准豁免。

5. 修改实验

  1. 把第 2 节的提示词删掉「验收」一段再发给 AI，对比返回结果——体会验收缺失时代码「跑通了但不知道对不对」的状态；
  2. 拿一段你自己以前写的代码，让 AI 扮演资深评审提三条改进意见，逐条判断是否接受（不接受也是有效结论，写下一句理由）；
  3. 让 AI 给 变量与常量 的知识点出 5 道预测题，自己做，再让 AI 批改——这就是教练角色的标准用法。

6. 常见错误与调试实录

错误一：「AI 说的就是对的」。AI 会一本正经地编造不存在的 API 参数与版本特性，术语叫幻觉。防线只有一条：版本与 API 事实必须回到官方文档核验，AI 的回答只能当线索。

错误二：「把密钥贴给 AI」。.env、数据库密码、API key 出现在提示词里，等于发给了第三方服务。规则与 .gitignore 同源：敏感信息永远不进任何外部工具，调试时用占位符替换。

错误三：「学习阶段全托管」。核心练习（预测题、修 Bug 题、挑战题）自己不写，学习闭环就断了——你获得的不是能力，是「看过答案」的记忆。纪律：本仓库文档的练习在对照答案前不求助 AI；项目代码可以 AI 结对，但每一行要过第 4 节的六问。

错误四：「AI 代码免测」。生成的代码和人写的代码一样会错，而且错得更隐蔽（边界、时序、环境假设）。它必须走与人工代码完全相同的路：跑一遍、补测试、过审查。

7. 实际项目中的使用场景

  • 读懂陌生仓库：把项目结构与关键文件喂给 AI，让它生成「入口在哪、数据怎么流」的导览，再用真实阅读验证——企业模拟测试（见 总览）的第一步提速器；
  • 代码评审陪练：提交前让 AI 以 lint + 评审双视角过一遍，再自己修；
  • 学习计划：让 AI 根据你的路线生成每周自测题，固定每周一次复盘对话；
  • 文档与提交信息：README 草稿、commit message 润色——低风险高收益的 AI 用武之地。

8. 小练习

预测题：不运行，判断这三种提示词哪个最可能得到可用代码——「帮我写个爬虫」「用 Python 标准库写一个抓取某公开页面标题的脚本，带超时与错误处理，Python 3.12」「帮我写个爬虫抓天气」——并说出判断依据。

修改题：把你最近一次向 AI 的提问改写成三段式（上下文/约束/验收），重新提问，对比两次回答的质量差异，写三行结论。

修 Bug 题：让 AI 生成一个「统计字符串中每个单词出现次数」的函数（故意不加约束），找出它没处理的三个边界（提示：空串、大小写、标点），自己补齐并用断言验证。

挑战题：用三段式提示词 + 审查六问，让 AI 协助你给记账程序（第二门语言体验 的项目）加一个「月度统计」功能。全程记录：你追问了几次、审查拦下了几个问题——这份记录就是你与 AI 的真实协作画像。

9. 什么时候应该 / 不应该用 AI

应该：解释概念的不同角度、评审与出题、样板代码起步、陌生代码导览、文档与提交信息、重复性改造。

不应该：核心练习代写（学习闭环会断）、未核验的事实直接采用（幻觉风险）、敏感信息入提示词（安全红线）、看不懂的代码直接合并（维护权拱手让人）。

10. 与之前和之后的知识的关系

  • 往前：学习方法论 的四问与三问决策法是本文工作流的雏形；每条就业路线（前端到游戏）的阶段计划都假定 AI 协作贯穿全程；
  • 往后：测试基础 的「先写验收测试」让 AI 委托从口头约定升级为机器可查；各技术模块的「官方文档」一节是本文「核验」纪律的常备工具箱。

11. 官方资料

  • 各技术的官方文档入口集中在对应模块的 module.json 与文档末尾，核验从这里开始；
  • 提示词工程没有官方标准——一切以「验收是否可执行」为质量判据，警惕任何把提示词神秘化的课程。

12. 自我检查

  • 能不查资料写出三段式提示词并说出每段的作用；
  • 能背出审查六问，并解释为什么「读不懂的不合并」是一票否决；
  • 能说出三类不该交给 AI 的事与各自的原因；
  • 已经在某个练习或项目里跑完一次完整的「委托-审查-测试」循环。

本章总结

AI 协作的专业形态是工程委托：三段式提示词锁定期望，审查六问守住质量，测试兜底验证结果，敏感信息与核心练习是两条不可让渡的红线。用这套纪律，AI 放大的是你的能力；没有它，AI 放大的是你的依赖。

下一步

带着这套工作流回到你选定的 就业路线：路线计划里的每个检验项目，都是一次完整的 AI 结对练习。