1. 第一次尝试前的准备与工具选型思路1.1 为什么突然想用AI写代码先交代一下背景。我写代码的年头不算短平时主要做数据清洗、自动化脚本和一部分后端接口开发。按理说日常需求自己动手敲几行也就搞定了但最近手头项目排得满重复性的胶水代码越来越多——比如把A系统的导出表格转成B系统要的格式、批量处理几百个文件、写一次性爬虫脚本之类的。这类活儿说难不难但真的很耗时尤其是一边开会一边还要赶工时脑子里全是“这破代码怎么还不写完”的焦躁感。所以就动了用AI写代码的念头。其实“AI写代码”这几个字这两年听得耳朵都快起茧了从GitHub Copilot到各种国产编程助手再到ChatGPT这种通用大模型大家都在说能帮你写代码。但我一直持保留态度总觉得AI生成的代码“能跑但不敢用”直到一个周末被一个临时需求逼急了决定认认真真试一回不搞花活就用最朴素的思路看它到底能不能顶上一个初级开发者的活儿。这篇文章就是那次完整尝试的记录从选工具开始到提示词怎么写、代码怎么调、坑怎么踩全部摊开来讲。如果你也想试试AI写代码但不知道从哪下手或者试过几次觉得“也就那样”那这篇应该能帮你少走点弯路。1.2 主流AI编程工具怎么选打开搜索引擎一查AI编程工具五花八门光是我看到的就有GitHub Copilot背靠GitHub海量代码库IDE内联补全体验最好插件市场占有率第一。Cursor基于VSCode的AI原生编辑器主打“整个文件对话式生成”可以框选代码直接让AI改。OpenAI CodexChatGPT背后的代码引擎能理解自然语言描述生成代码也支持对话式调试。通义灵码、Fitten Code国内团队做的IDE插件免费额度友好中文理解更强尤其Fitten Code在PyCharm里用的人不少。Claude、Gemini这类通用大模型不集成IDE但对话式生成能力强适合写完整脚本或解释复杂逻辑。怎么选我给自己定了个标准不做重度改造、能快速上手、有不俗的免费额度。因为我这次只是“尝试”不想一上来就付费订阅。所以我选了“VSCode Fitten Code”的组合再用ChatGPT网页版做备选。Fitten Code既能续写又有对话功能ChatGPT则适合我这种喜欢先在对话里把逻辑捋清楚再动手的人。这里有个小提醒选工具别看广告看你要做什么。如果你是长期写工程代码、重度依赖IDE调试那Copilot或Cursor更合适如果你只是偶尔写脚本、处理数据那免费的插件加通用大模型就够了。我在PyCharm里也试过Fitten体验不错主要胜在免费、轻量、对中文需求理解比较准。1.3 环境准备与项目规划选了个什么项目来试水太简单的不行瞧不出能力太复杂的又容易失控最后变成我来给它擦屁股。我最后定了一个“Excel报表自动整理脚本”——需求很明确读取指定文件夹里的多张Excel表按文件名里的日期字段排序合并成一个总表再按“部门”分组生成汇总统计最后输出一个新的Excel文件。为什么选这个因为它至少有四个特点需求边界清晰不需要AI发挥想象力去猜业务规则涉及文件操作、日期解析、pandas数据处理、openpyxl写入技术栈常见可独立运行不需要连数据库、起服务调试成本低结果可验证我拿真实的表一跑就知道对不对。环境方面我提前装好了Python 3.10、VSCode、Fitten Code插件还pip安装了pandas和openpyxl。准备工作做完我正式开始第一轮“人机结对编程”。这一试才发现原来让AI写代码关键根本不是在“写”而是在“说”。2. 核心实操提示词工程与需求拆解2.1 需求描述怎么写才有效第一次用AI写代码的人最常见的错误是上来就一句“帮我写个Python脚本处理Excel。”这种描述扔给谁都没法干活——处理什么怎么处理输出成什么样全都没说。AI再聪明也不可能读心。我第一版提示词也犯了这个毛病给Fitten的描述是“读取Excel文件并按部门汇总。”结果它给我返回了一个只读取单张表、用硬编码列名、完全没有文件名排序逻辑的脚本。能用但离我的真实需求差了十万八千里。后来我学乖了按照“输入-处理-输出-约束”四段式重写提示词。这里我放一个改进后的模板你直接抄就行请写一个Python脚本实现以下功能 【输入】 扫描指定目录 D:/work/report/ 下的所有.xlsx和.xls文件 每个文件的文件名格式为“20240105_销售部_周报.xlsx” 其中第一部分是日期YYYYMMDD第二部分是部门名称。 【处理】 1. 按文件名中的日期从早到晚排序所有文件 2. 读取每个文件的内容跳过前两行表头保留表头为 [日期, 部门, 销售额, 订单数] 的数据 3. 将所有文件的数据合并到一个DataFrame中 4. 按“部门”分组对“销售额”和“订单数”求和并计算销售额占比保留两位小数。 【输出】 生成一个新的Excel文件 D:/work/report/汇总统计.xlsx 包含两个Sheet - Sheet1明细数据所有合并后的原始数据 - Sheet2部门汇总分组统计结果。 【约束】 - 使用pandas和openpyxl库 - 代码要处理表头大小写不一致的情况统一转为小写再匹配 - 文件读取要加异常处理跳过损坏文件并打印日志 - 最后打印处理了多少个文件、每个部门的总销售额。看出差别了吗我把我脑子里的规则全部“翻译”成了AI能理解的语言。文件名格式、表头内容、排序规则、输出结构、异常处理——每一个细节都写清楚。AI不是神仙它只是把你给的约束条件翻译成代码你给的信息越充分它生成的代码就越贴近需求。2.2 逐步引导AI生成代码的会话技巧第一次对话直接把上面那段长提示词丢进去AI返回了一个接近80行的脚本。我通读了一遍整体逻辑是对的但有三个问题日期排序那一步它用了字符串切片转datetime逻辑没问题但没做异常处理万一文件名格式不规范就崩。表头统一转小写那部分它只处理了“销售额”和“订单数”没有处理“日期”和“部门”的大小写变体。它自作主张加了一个“业绩排名”列我根本没要求。这就是用AI写代码的核心心法你不是在“下令”而是在“对话”。第一版拿到手后我继续发指令逻辑基本正确但需要修改 1. 日期排序如果遇到格式不匹配的文件跳过并打印警告不要中断 2. 表头匹配时允许销售总额销售额元这类变体统一映射到销售额 3. 去掉自动加的排名列我只需要规定的两个Sheet 4. 输出文件时如果目标文件已存在自动加时间戳后缀不要覆盖。这种“一轮一轮改”的方式非常关键。指望一次对话生成完美代码不现实但AI的可怕之处在于它每次都能准确理解你的追加指令并修改对应部分。我大概改了四轮每轮间隔几分钟最终生成的脚本从“能看”变成了“能用”。整个过程下来我最大的感受是和AI协作写代码像极了带实习生——你交代得越清楚他返工就越少他初稿越离谱你的批注就越要具体。2.3 代码集成与真实环境调试AI把脚本生成完是不是就万事大吉了天真。我把代码copy到VSCode里一跑立刻遇到两个问题。第一个是路径硬编码。AI生成的代码里写的路径是D:/work/report/但我实际测试环境用的是macOS路径压根不存在。小问题但暴露了一个事实AI不知道你的运行环境。所以提示词里应该明确“当前系统为Windows/macOS/Linux路径分隔符用os.path.join”——这又是一条经验。第二个是依赖版本问题。AI用的是pandas的新版API但我环境里装的pandas版本偏老to_excel的时候写engine参数的方式不一样。报错信息一大堆我直接复制报错发给AI问它“这个错误是什么原因、怎么改”。它秒回把engineopenpyxl显式传入即可。一改通了。到这里脚本已经能跑通输出结果也验证无误。整个“AI写代码”的第一次尝试从写提示词到脚本跑通前后花了大概一个半小时。要是按照我自己平时的速度这些琐碎的活至少得半天光是在各种Excel格式差异上磨就能磨到怀疑人生。3. 过程中踩过的坑与问题排查实录3.1 特征性失败AI代码看着能用但一跑就跪说句公道话AI写代码能力确实在线但“看着能用”和“真正能用”之间隔着一条鸿沟。我这次实操中至少碰上了四类典型问题整理了个速查表你以后肯定用得上问题现象根本原因我的处理办法生成的代码用了不存在的API大模型幻觉把库的旧版本/新版本接口记混了把报错信息原封不动回贴给AI让它自查修正逻辑对但边界情况没考虑AI只按你给的“正常场景”推理不会主动想特殊情况在提示词里显式加“考虑空文件、缺失列、重复行”等边界要求多文件处理时速度极慢AI用了逐行循环而非向量化操作让它用pandas的groupby/merge替代显式循环效率提升明显输出结果和预期对不上表头映射规则理解偏差打印DataFrame的列名和head()用真实数据反喂给AI纠正这四类问题里“幻觉API”最坑。有一次它生成了一段用pd.read_excel(..., dtype...)的代码参数本身没问题但我那版pandas不认。我把报错丢给AI它立刻换成了converters参数还补充说明了两者区别。这件事给我的启发是**你的调试能力就是AI的上限。**你越能看懂报错、越能描述偏差AI修正得就越快。3.2 边界关键AI不知道你的业务上下文还有一类坑特别隐蔽——AI没有业务常识。比如我的报表文件名是“20240105_销售部_周报.xlsx”但实际文件夹里混着一个“20240105_销售部_周报_最终版.xlsx”。AI按“第二部分是部门名称”去切分把“销售部_周报_最终版”整个当成了部门名分组统计自然全乱了。这种问题AI自己发现不了因为我也没有在提示词里说清楚文件名的“严格格式”和“可能出现的变体”。解决办法就是我在2.1的模板里加的“约束”部分明确异常情况下应该跳过该文件。但更根本的经验是不要把AI当成了解你业务的同事它只是个没有业务语境的代码翻译器。你脑子里那些“大家都知道”的潜规则AI一概不知把它喂成明确文字它才能规避这些坑。3.3 排查思路一个实战调试现场回放我把这次调试过程中最典型的“崩溃现场”完整还原一下。最初跑脚本报错信息是KeyError: 销售额我一看就知道是列名没匹配上但懒得自己查直接把报错丢给AI并补充了一句“读一下原始Excel的头几行打印列名看看实际是什么。”AI加了一段调试代码df pd.read_excel(file_path, skiprows2) print(df.columns.tolist())一打印原来真实表头是“销售金额元”不是“销售额”。我把这个发现回贴给AI它随即修改了映射逻辑加了一个统一映射字典销售金额元: 销售额, sales: 销售额。再跑通了。这个调试过程看着平平无奇但它说明了AI写代码的最佳实践范式**你做人脑判断它做代码修改你喂它真实反馈它帮你快速迭代。**人和AI不是替代关系而是结对关系——你负责“知道什么是对的”它负责“把对的表达成代码”。4. 从单次尝试到可复用流程经验沉淀与工具扩展4.1 把提示词模板沉淀成自己的“需求翻译器”试完这一次我最大的收获不是多了一个能用的脚本而是打通了一套可复用的“AI写代码工作流”。下次再遇到类似需求我不会从零开始组织语言而是直接套用这个模板输入文件从哪来命名规则是什么字段有哪些处理按什么逻辑加工、排序、汇总、转换输出生成什么格式sheet结构连命名都写清楚约束异常处理、版本兼容、边界情况、性能要求验证用什么测试数据验证结果是否正确。前四项是第一轮对话用第五项是调试阶段用。这套模板现在被我存在一个笔记文件里每次要用AI写代码就复制一份填内容效率和成功率都上来了。4.2 人和AI的分工清单试过一次之后我整理了一份“哪些事该让AI干、哪些事必须自己干”的分工AI擅长我坚持自己干把明确规则翻译成代码定义业务规则和校验逻辑快速生成初版脚本/样板代码核对输出结果是否符合业务预期根据报错信息做定向修改设计边界测试用例重构代码、添加注释、生成文档安全审查路径、权限、数据合规解释陌生API的用法关键交易逻辑的最终审核说白了AI写代码最适合的是“需求已经清楚、实现没有惊喜”的场景——批量处理、格式转换、爬虫、报表、接口mock等。它不擅长的是“需求含混、需要业务判断”的场景——比如“帮我写个能提升业绩的算法”这种AI只会给你一堆正确的废话。4.3 后续还能怎么玩多AI协作与Agent化这次尝试还让我看到了几个可能的方向。第一个是多AI协作。比如用ChatGPT做整体方案用Claude写复杂算法片段再用Fitten在IDE里做即时补全。每个模型有自己的强项搭配合适反而比单打独斗更稳。第二个是AI Agent我最近在一些开源社区看到有人用“Agent”方式跑代码生成任务——你告诉它最终目标它会自己拆解子任务、自己调用工具一步步完成还会在你反馈报错后自动修正这类工具正在把“提示词工程”变成“目标管理”。还有一个方向是AI写代码 AI测试。脚本生成后直接用另一个AI来审查代码、写测试用例甚至模拟输入输出验证。相当于组了一个“AI开发小队”一个负责写一个负责测人只做最后的验收。我在这次尝试后半段已经用了这个思路——把AI生成的脚本发给另一个模型做code review确实指出了几处我没注意到的问题。我个人非常看好这种协作模式你更像项目经理而不是程序员。你做需求分析、进度管理、验收测试AI负责具体实现。这也许就是未来一个人干一个团队活的底层逻辑。4.4 个人体会AI写代码的真正门槛说句实在话试完之后我对“AI写代码”这件事的态度有了转变。以前觉得它是个玩具现在觉得它是个效率放大器。但前提是你自己得懂代码。你越懂越能精准描述需求、越能看懂结果、越能快速调试返工——AI的效率就越高。反而是一点代码基础都没有的人拿着AI生成的一堆代码报错时完全手足无措。所以如果你问我“不懂编程能不能用AI写代码”我的回答是能生成但驾驭不了。如果你真想用这个技能至少得先会读代码、懂基础的调试方法这部分没有捷径。这次尝试只是一个开始。我后续打算把更多以前拖着的自动化脚本需求都扔给它试试再多试几条赛道写SQL、写正则、写shell脚本。到时候有新的心得再写一篇分享。最后一个小建议如果你也想试别拿重要项目练手。找个周末挑一个不紧急、边界清晰的自动化小任务按上面那套流程走一遍。跑通了你对“AI写代码”的认知会完全不一样。跑不通那正好花点时间研究提示词和调试这本身就是最值钱的经验积累。 
长河君 · 2026/10/6 10:40:03 · 阅读 1.2k AI写代码实战：从Excel报表自动整理看提示词工程与调试
1. 第一次尝试前的准备与工具选型思路1.1 为什么突然想用AI写代码先交代一下背景。我写代码的年头不算短平时主要做数据清洗、自动化脚本和一部分后端接口开发。按理说日常需求自己动手敲几行也就搞定了但最近手头项目排得满重复性的胶水代码越来越多——比如把A系统的导出表格转成B系统要的格式、批量处理几百个文件、写一次性爬虫脚本之类的。这类活儿说难不难但真的很耗时尤其是一边开会一边还要赶工时脑子里全是“这破代码怎么还不写完”的焦躁感。所以就动了用AI写代码的念头。其实“AI写代码”这几个字这两年听得耳朵都快起茧了从GitHub Copilot到各种国产编程助手再到ChatGPT这种通用大模型大家都在说能帮你写代码。但我一直持保留态度总觉得AI生成的代码“能跑但不敢用”直到一个周末被一个临时需求逼急了决定认认真真试一回不搞花活就用最朴素的思路看它到底能不能顶上一个初级开发者的活儿。这篇文章就是那次完整尝试的记录从选工具开始到提示词怎么写、代码怎么调、坑怎么踩全部摊开来讲。如果你也想试试AI写代码但不知道从哪下手或者试过几次觉得“也就那样”那这篇应该能帮你少走点弯路。1.2 主流AI编程工具怎么选打开搜索引擎一查AI编程工具五花八门光是我看到的就有GitHub Copilot背靠GitHub海量代码库IDE内联补全体验最好插件市场占有率第一。Cursor基于VSCode的AI原生编辑器主打“整个文件对话式生成”可以框选代码直接让AI改。OpenAI CodexChatGPT背后的代码引擎能理解自然语言描述生成代码也支持对话式调试。通义灵码、Fitten Code国内团队做的IDE插件免费额度友好中文理解更强尤其Fitten Code在PyCharm里用的人不少。Claude、Gemini这类通用大模型不集成IDE但对话式生成能力强适合写完整脚本或解释复杂逻辑。怎么选我给自己定了个标准不做重度改造、能快速上手、有不俗的免费额度。因为我这次只是“尝试”不想一上来就付费订阅。所以我选了“VSCode Fitten Code”的组合再用ChatGPT网页版做备选。Fitten Code既能续写又有对话功能ChatGPT则适合我这种喜欢先在对话里把逻辑捋清楚再动手的人。这里有个小提醒选工具别看广告看你要做什么。如果你是长期写工程代码、重度依赖IDE调试那Copilot或Cursor更合适如果你只是偶尔写脚本、处理数据那免费的插件加通用大模型就够了。我在PyCharm里也试过Fitten体验不错主要胜在免费、轻量、对中文需求理解比较准。1.3 环境准备与项目规划选了个什么项目来试水太简单的不行瞧不出能力太复杂的又容易失控最后变成我来给它擦屁股。我最后定了一个“Excel报表自动整理脚本”——需求很明确读取指定文件夹里的多张Excel表按文件名里的日期字段排序合并成一个总表再按“部门”分组生成汇总统计最后输出一个新的Excel文件。为什么选这个因为它至少有四个特点需求边界清晰不需要AI发挥想象力去猜业务规则涉及文件操作、日期解析、pandas数据处理、openpyxl写入技术栈常见可独立运行不需要连数据库、起服务调试成本低结果可验证我拿真实的表一跑就知道对不对。环境方面我提前装好了Python 3.10、VSCode、Fitten Code插件还pip安装了pandas和openpyxl。准备工作做完我正式开始第一轮“人机结对编程”。这一试才发现原来让AI写代码关键根本不是在“写”而是在“说”。2. 核心实操提示词工程与需求拆解2.1 需求描述怎么写才有效第一次用AI写代码的人最常见的错误是上来就一句“帮我写个Python脚本处理Excel。”这种描述扔给谁都没法干活——处理什么怎么处理输出成什么样全都没说。AI再聪明也不可能读心。我第一版提示词也犯了这个毛病给Fitten的描述是“读取Excel文件并按部门汇总。”结果它给我返回了一个只读取单张表、用硬编码列名、完全没有文件名排序逻辑的脚本。能用但离我的真实需求差了十万八千里。后来我学乖了按照“输入-处理-输出-约束”四段式重写提示词。这里我放一个改进后的模板你直接抄就行请写一个Python脚本实现以下功能 【输入】 扫描指定目录 D:/work/report/ 下的所有.xlsx和.xls文件 每个文件的文件名格式为“20240105_销售部_周报.xlsx” 其中第一部分是日期YYYYMMDD第二部分是部门名称。 【处理】 1. 按文件名中的日期从早到晚排序所有文件 2. 读取每个文件的内容跳过前两行表头保留表头为 [日期, 部门, 销售额, 订单数] 的数据 3. 将所有文件的数据合并到一个DataFrame中 4. 按“部门”分组对“销售额”和“订单数”求和并计算销售额占比保留两位小数。 【输出】 生成一个新的Excel文件 D:/work/report/汇总统计.xlsx 包含两个Sheet - Sheet1明细数据所有合并后的原始数据 - Sheet2部门汇总分组统计结果。 【约束】 - 使用pandas和openpyxl库 - 代码要处理表头大小写不一致的情况统一转为小写再匹配 - 文件读取要加异常处理跳过损坏文件并打印日志 - 最后打印处理了多少个文件、每个部门的总销售额。看出差别了吗我把我脑子里的规则全部“翻译”成了AI能理解的语言。文件名格式、表头内容、排序规则、输出结构、异常处理——每一个细节都写清楚。AI不是神仙它只是把你给的约束条件翻译成代码你给的信息越充分它生成的代码就越贴近需求。2.2 逐步引导AI生成代码的会话技巧第一次对话直接把上面那段长提示词丢进去AI返回了一个接近80行的脚本。我通读了一遍整体逻辑是对的但有三个问题日期排序那一步它用了字符串切片转datetime逻辑没问题但没做异常处理万一文件名格式不规范就崩。表头统一转小写那部分它只处理了“销售额”和“订单数”没有处理“日期”和“部门”的大小写变体。它自作主张加了一个“业绩排名”列我根本没要求。这就是用AI写代码的核心心法你不是在“下令”而是在“对话”。第一版拿到手后我继续发指令逻辑基本正确但需要修改 1. 日期排序如果遇到格式不匹配的文件跳过并打印警告不要中断 2. 表头匹配时允许销售总额销售额元这类变体统一映射到销售额 3. 去掉自动加的排名列我只需要规定的两个Sheet 4. 输出文件时如果目标文件已存在自动加时间戳后缀不要覆盖。这种“一轮一轮改”的方式非常关键。指望一次对话生成完美代码不现实但AI的可怕之处在于它每次都能准确理解你的追加指令并修改对应部分。我大概改了四轮每轮间隔几分钟最终生成的脚本从“能看”变成了“能用”。整个过程下来我最大的感受是和AI协作写代码像极了带实习生——你交代得越清楚他返工就越少他初稿越离谱你的批注就越要具体。2.3 代码集成与真实环境调试AI把脚本生成完是不是就万事大吉了天真。我把代码copy到VSCode里一跑立刻遇到两个问题。第一个是路径硬编码。AI生成的代码里写的路径是D:/work/report/但我实际测试环境用的是macOS路径压根不存在。小问题但暴露了一个事实AI不知道你的运行环境。所以提示词里应该明确“当前系统为Windows/macOS/Linux路径分隔符用os.path.join”——这又是一条经验。第二个是依赖版本问题。AI用的是pandas的新版API但我环境里装的pandas版本偏老to_excel的时候写engine参数的方式不一样。报错信息一大堆我直接复制报错发给AI问它“这个错误是什么原因、怎么改”。它秒回把engineopenpyxl显式传入即可。一改通了。到这里脚本已经能跑通输出结果也验证无误。整个“AI写代码”的第一次尝试从写提示词到脚本跑通前后花了大概一个半小时。要是按照我自己平时的速度这些琐碎的活至少得半天光是在各种Excel格式差异上磨就能磨到怀疑人生。3. 过程中踩过的坑与问题排查实录3.1 特征性失败AI代码看着能用但一跑就跪说句公道话AI写代码能力确实在线但“看着能用”和“真正能用”之间隔着一条鸿沟。我这次实操中至少碰上了四类典型问题整理了个速查表你以后肯定用得上问题现象根本原因我的处理办法生成的代码用了不存在的API大模型幻觉把库的旧版本/新版本接口记混了把报错信息原封不动回贴给AI让它自查修正逻辑对但边界情况没考虑AI只按你给的“正常场景”推理不会主动想特殊情况在提示词里显式加“考虑空文件、缺失列、重复行”等边界要求多文件处理时速度极慢AI用了逐行循环而非向量化操作让它用pandas的groupby/merge替代显式循环效率提升明显输出结果和预期对不上表头映射规则理解偏差打印DataFrame的列名和head()用真实数据反喂给AI纠正这四类问题里“幻觉API”最坑。有一次它生成了一段用pd.read_excel(..., dtype...)的代码参数本身没问题但我那版pandas不认。我把报错丢给AI它立刻换成了converters参数还补充说明了两者区别。这件事给我的启发是**你的调试能力就是AI的上限。**你越能看懂报错、越能描述偏差AI修正得就越快。3.2 边界关键AI不知道你的业务上下文还有一类坑特别隐蔽——AI没有业务常识。比如我的报表文件名是“20240105_销售部_周报.xlsx”但实际文件夹里混着一个“20240105_销售部_周报_最终版.xlsx”。AI按“第二部分是部门名称”去切分把“销售部_周报_最终版”整个当成了部门名分组统计自然全乱了。这种问题AI自己发现不了因为我也没有在提示词里说清楚文件名的“严格格式”和“可能出现的变体”。解决办法就是我在2.1的模板里加的“约束”部分明确异常情况下应该跳过该文件。但更根本的经验是不要把AI当成了解你业务的同事它只是个没有业务语境的代码翻译器。你脑子里那些“大家都知道”的潜规则AI一概不知把它喂成明确文字它才能规避这些坑。3.3 排查思路一个实战调试现场回放我把这次调试过程中最典型的“崩溃现场”完整还原一下。最初跑脚本报错信息是KeyError: 销售额我一看就知道是列名没匹配上但懒得自己查直接把报错丢给AI并补充了一句“读一下原始Excel的头几行打印列名看看实际是什么。”AI加了一段调试代码df pd.read_excel(file_path, skiprows2) print(df.columns.tolist())一打印原来真实表头是“销售金额元”不是“销售额”。我把这个发现回贴给AI它随即修改了映射逻辑加了一个统一映射字典销售金额元: 销售额, sales: 销售额。再跑通了。这个调试过程看着平平无奇但它说明了AI写代码的最佳实践范式**你做人脑判断它做代码修改你喂它真实反馈它帮你快速迭代。**人和AI不是替代关系而是结对关系——你负责“知道什么是对的”它负责“把对的表达成代码”。4. 从单次尝试到可复用流程经验沉淀与工具扩展4.1 把提示词模板沉淀成自己的“需求翻译器”试完这一次我最大的收获不是多了一个能用的脚本而是打通了一套可复用的“AI写代码工作流”。下次再遇到类似需求我不会从零开始组织语言而是直接套用这个模板输入文件从哪来命名规则是什么字段有哪些处理按什么逻辑加工、排序、汇总、转换输出生成什么格式sheet结构连命名都写清楚约束异常处理、版本兼容、边界情况、性能要求验证用什么测试数据验证结果是否正确。前四项是第一轮对话用第五项是调试阶段用。这套模板现在被我存在一个笔记文件里每次要用AI写代码就复制一份填内容效率和成功率都上来了。4.2 人和AI的分工清单试过一次之后我整理了一份“哪些事该让AI干、哪些事必须自己干”的分工AI擅长我坚持自己干把明确规则翻译成代码定义业务规则和校验逻辑快速生成初版脚本/样板代码核对输出结果是否符合业务预期根据报错信息做定向修改设计边界测试用例重构代码、添加注释、生成文档安全审查路径、权限、数据合规解释陌生API的用法关键交易逻辑的最终审核说白了AI写代码最适合的是“需求已经清楚、实现没有惊喜”的场景——批量处理、格式转换、爬虫、报表、接口mock等。它不擅长的是“需求含混、需要业务判断”的场景——比如“帮我写个能提升业绩的算法”这种AI只会给你一堆正确的废话。4.3 后续还能怎么玩多AI协作与Agent化这次尝试还让我看到了几个可能的方向。第一个是多AI协作。比如用ChatGPT做整体方案用Claude写复杂算法片段再用Fitten在IDE里做即时补全。每个模型有自己的强项搭配合适反而比单打独斗更稳。第二个是AI Agent我最近在一些开源社区看到有人用“Agent”方式跑代码生成任务——你告诉它最终目标它会自己拆解子任务、自己调用工具一步步完成还会在你反馈报错后自动修正这类工具正在把“提示词工程”变成“目标管理”。还有一个方向是AI写代码 AI测试。脚本生成后直接用另一个AI来审查代码、写测试用例甚至模拟输入输出验证。相当于组了一个“AI开发小队”一个负责写一个负责测人只做最后的验收。我在这次尝试后半段已经用了这个思路——把AI生成的脚本发给另一个模型做code review确实指出了几处我没注意到的问题。我个人非常看好这种协作模式你更像项目经理而不是程序员。你做需求分析、进度管理、验收测试AI负责具体实现。这也许就是未来一个人干一个团队活的底层逻辑。4.4 个人体会AI写代码的真正门槛说句实在话试完之后我对“AI写代码”这件事的态度有了转变。以前觉得它是个玩具现在觉得它是个效率放大器。但前提是你自己得懂代码。你越懂越能精准描述需求、越能看懂结果、越能快速调试返工——AI的效率就越高。反而是一点代码基础都没有的人拿着AI生成的一堆代码报错时完全手足无措。所以如果你问我“不懂编程能不能用AI写代码”我的回答是能生成但驾驭不了。如果你真想用这个技能至少得先会读代码、懂基础的调试方法这部分没有捷径。这次尝试只是一个开始。我后续打算把更多以前拖着的自动化脚本需求都扔给它试试再多试几条赛道写SQL、写正则、写shell脚本。到时候有新的心得再写一篇分享。最后一个小建议如果你也想试别拿重要项目练手。找个周末挑一个不紧急、边界清晰的自动化小任务按上面那套流程走一遍。跑通了你对“AI写代码”的认知会完全不一样。跑不通那正好花点时间研究提示词和调试这本身就是最值钱的经验积累。