一、引子：当 AI 代码"看起来对了，跑起来就崩"

一个月前，我接手了一个项目——前任用 Cloude Code 生成的代码堆了三个月，逻辑全对，但运行时像纸糊的一样。单元测试通过率 95%，上了生产就 OOM。debug 到凌晨三点，我发现问题不在代码逻辑，而在代码质量——内存泄漏、异常吞噬、连最基本的防御性编程都没做。

这不是 AI 的问题，是"怎么用 AI"的问题。过去一个月，我跑了 200 多次代码生成实验，踩遍了所有坑，最后总结出这 5 个技巧。它们让我的 AI 生成代码从"能跑"变成了"敢上线"。

二、技巧一：Prompt 里一定要写"非功能约束"

大多数人写 prompt 只描述功能："写一个用户登录接口"。AI 给你一个能用的——但没有输入校验、没有重试机制、日志打得像乱码。问题不在 AI，在你没告诉它"做成什么样"。

我用的方法是：在 prompt 的末尾加一段约束清单。

改造前后的对比：

改造前：

# 写一个获取用户信息的函数
def get_user(user_id):
    cursor.execute(f"SELECT * FROM users WHERE id = {user_id}")
    return cursor.fetchone()

加了约束之后，AI 生成的代码质量评分从平均 62 分提升到 84 分（基于我写的一个自动化评分脚本）。

三、技巧二：先让 AI 写测试，再让 AI 写实现

这个技巧是我踩了一个大坑之后才学会的。有一次我让 AI 写一个数据处理管道，它输出了 300 行代码，逻辑看起来完美。上生产后的第二天，某个边缘 case 触发了一个索引越界——因为那个场景在需求文档里根本就没写。

现在我改变了工作流：先让 AI 写测试用例，确定好边界条件，再用测试驱动 AI 生成实现代码。

# step 1：让 AI 先写这个测试文件
def test_process_user_data():
    assert process_user_data([]) == []              # 空列表
    assert process_user_data(None) is None          # None 输入
    assert process_user_data(["a"])[0]["status"] == "active"  # 正常流程
    assert len(process_user_data(["a"] * 1000)) <= 100  # 限流
    assert process_user_data(["x" * 10000]) == []        # 超长输入

// AI 原本输出的代码（只在理想情况下跑得通）
async function fetchUserData(userId) {
  const response = await fetch(`/api/users/${userId}`);
  return response.json();
}


// 追问"潜在问题"之后的优化版
async function fetchUserData(userId, options = {}) {
  const { retries = 3, timeout = 5000 } = options;
  const controller = new AbortController();
  const timer = setTimeout(() => controller.abort(), timeout);


  for (let i = 0; i < retries; i++) {
    try {
      const response = await fetch(`/api/users/${userId}`, {
        signal: controller.signal,
      });
      if (!response.ok) throw new Error(`HTTP ${response.status}`);
      return await response.json();
    } catch (err) {
      if (i === retries - 1) throw err;
      await new Promise((r) => setTimeout(r, 1000 * (i + 1)));
    } finally {
      clearTimeout(timer);
    }
  }
}
​

一个小小的反问，让代码从"只处理理想情况"变成了"考虑了网络故障、超时和重试"。

六、技巧五：搭脚手架，让 AI 填空

最后一个技巧可能是性价比最高的：不要让 AI 从零开始写代码，你搭好框架让它填充。

我观察到一个规律：AI 独立完成的代码有两个通病——命名风格前后不一致、目录结构随意。但当它沿着一套已有的代码规范工作时，输出质量明显提升。

推荐的工作流：

1. 手动搭好文件结构 + 类型定义

2. 写一个示例函数的完整实现（给 AI 做"模板"）

3. 让 AI 按照模板风格填充剩余函数

4. 审查 + 批量修改

阅读原文