从「写代码」到「验代码」：AI 编程如何重塑开发者的工作流

2022 年，我第一次在生产项目里用上 AI 编程助手。当时的感觉只有一个字：快。快到让我产生了一种「以后写代码只需要按 Tab 键」的错觉。直到两小时后，那段看起来「标准又优雅」的自动生成代码在测试环境里把一个服务干崩了。

那一刻我才意识到：AI 写代码最危险的地方，不是它写不出来，而是它写得「看起来对，其实不对」。

三年过去，如今的行业共识是：工程师新写的代码里，大约 20%–30% 已经是 AI 生成的，激进团队甚至做到了 50%。Anthropic 的工程师透露，Claude Code 编写的代码已占其总代码量的 90%。

但代码写的速度变快了，人的责任反而更重了。本文想聊的，不是「AI 编程的按钮在哪里」，而是我们在真实项目中踩过的坑，和从「写代码」到「验代码」的心智转变。

一、别再问「准不准」，先算「值不值」

刚开始用 AI 编程时，我被一个词绑架了很久：准确率。每天想的是：「它写的这段对不对？有没有 Bug？」

但如果只盯着「准不准」，结论永远是：还是我自己写更放心。这个结论没错，但它忽略了一个更关键的问题——效率。

效率增益 = 纯人工耗时 ÷（AI 生成时间 + 人工修复时间）

如果自己写要 8 小时，AI 生成用了 30 分钟，再花 1 小时修改，那么就是 1.5 小时完成了原来 8 小时的活。代码不需要完美，只要划算。

从后端视角看，AI 编程的「甜点区」有几个特征：

• 高重复 / 模板化：各种 CRUD、分页查询、条件组合过滤
• 高耗时但创造性不高：纯手写要磨 2–3 小时的机械性工作
• 低风险：不是一改错就会搞挂核心业务的地方
• 易验证：验证条件清楚，能快速写出测试脚本或用肉眼判断对错

这类工作，说白了就是「不得不写、但写了也没什么成就感」的那一块。AI 很擅长干这个。

python

# 一个实际例子：让 AI 批量生成十几个实体的 CRUD
# 先在仓库里放一个 Agent.md，说清楚分层结构、命名约定、异常处理习惯
# 再手写一个「标准答案」作为 few-shot 示例
# 然后批量生成剩下的接口，最后花一小时人工梳理和写测试

# 旧办法：熟练工程师写一天
# 新办法：模板半小时 + AI 生成半小时 + 人工校正一小时 = 2 小时
# 节省了 6 小时

关键在于：先认真写一个自己最满意的样板，再让 AI 批量模仿，而不是一上来就让它凭空发挥。

二、把 AI 当作「能力强但不了解你的实习生」

一个对我非常有用的比喻是：把 AI 当成一个「能力很强、但对你的项目背景一无所知的实习生」。

它的算法水平可能比大多数同事都强，但一上来对你的业务、代码风格、历史坑位完全没有概念。如果你只丢一句「帮我写个登录」过去，本质上是在期待它读心。

换成人类协作，你一定会先做几件事：

• 把现有流程讲清楚（包括失败分支和异常处理）
• 指几个写得最标准的示例
• 说清楚「哪些红线绝对不能碰」

对 AI 也是一样：你给它的上下文越像一份「任务说明书 + 示例 + 约束」，它的输出就越像一个靠谱的实习生；越只给一句模糊需求，它就越像一个会胡诌的诗人。

一个被反复验证的实践是：先写规格说明，再写代码。先与 AI 共同构思一份 spec.md——包含需求、架构决策、数据模型、测试策略，再让它把实现拆解为分步计划。

这看起来节奏慢了，但回报巨大。就像一位开发者说的，这是「在 15 分钟内完成一次快速且结构化的规划阶段，让随后的编码顺畅得多」。

三、从「写代码」到「验代码」的角色转变

AI 编程带来的最深层的改变，不是工具，而是角色。

在传统的开发流程里，程序员的核心工作是「写」。但现在，AI 负责「执行」，人负责「定义 + 判断 + 验收」。有经验的技术管理者将这个新角色称为 「AI 交付师」 ——确保软件在客户的真实环境中成功落地、稳定运行。

一个典型的 AI 原生工作流变成了这样：

1. 规划阶段：与 AI 协作完成规格说明和项目计划
2. 拆解阶段：把项目拆成小块的迭代任务，逐个交给 AI
3. 生成阶段：AI 生成代码初稿，人类做架构把关和边界审查
4. 验收阶段：人工 Review、测试验证、做最终决策

「代码生成的门槛在降低，但代码审阅的难度在升高。」

这背后还有一个心态的拐点：从追求「单次生成准确」到设计「整个协作系统的可靠」。

这跟当年分布式系统的演变很像。早年大家追求「单机永不挂」，后来接受了「单机总会挂，但系统不能挂」——于是有了副本、选主、心跳检测。对待 AI 编程，也是一样的道理：接受它本来就会犯错，把精力放到如何用流程把错误控制在可接受范围内，同时把效率拉上去。

四、几个重要的工程原则

经过三年摸索，我总结了几条在真实项目中反复被验证的原则：

1. 代码必须 Review，盲信等于埋坑

AI 生成的代码必须审阅，理解每一行在做什么。盲目信任会埋下隐患。

2. 版本控制习惯比以往更重要

AI 辅助下代码产出速度变快，频繁提交、小步迭代比以往更关键。

3. 描述需求本身就是一种能力

能清晰、准确地描述自己要什么，决定了 AI 输出的质量上限。

4. AI 擅长已知模式，不擅长创新设计

业务逻辑、架构决策还是要自己来，AI 更适合做实现层面的加速。

写在最后

AI 编程没有让程序员失业，它只是改变了程序员的工作方式。

从「写代码的人」变成「验收代码、定义目标、把控架构的人」，这是角色升维，而不是降级。以前初级到高级需要 8 年，现在有了 AI 辅助，这个过程可能被压缩到 2 年左右。

但那句老话依然成立：承担责任的，始终是人。AI 可以替我们写代码，但它不会替我们背锅，不会替我们判断边界，也不会替我们理解业务。

所以，保持审阅，保持思考，保持对代码最终质量的掌控感。这才是 AI 时代开发者真正的核心竞争力。