AI编程助手用了一年,我终于知道什么时候不该用它

📅 2026/4/26 ✍️ 小文 📖 约 1 分钟

从'什么都要AI写'到'知道什么时候手写更快',一位开发者的真实复盘:AI编程的五个高回报场景和四个反而拖慢进度的陷阱。

一年前我开始全面用 AI 写代码。头三个月,我的产出确实涨了一截。然后我遇到了一个尴尬的事实:某些模块我用 AI 写,反而比手写更慢。

不是工具不行,是我没搞清它的边界。这篇是我用一年的复盘,讲清楚什么活该交给 AI,什么活必须自己上。

一、AI 编程的高回报场景

1. 写”一次性脚本”

数据清洗、格式转换、批量重命名、日志分析——这类脚本的特点是用完就扔、不需要维护、边界情况少。让 AI 写,五分钟搞定,手写得半小时。

这类任务的 ROI 高得离谱,因为它不需要你为可维护性买单。

2. 写样板代码和胶水层

CRUD 接口、DTO 转换、配置加载、SDK 包装。这类代码结构固定、模式重复,AI 写得又快又对。而且样板代码写错了也容易发现。

3. 读陌生的代码库

这是我个人觉得最有价值的一项。给 AI 一个陌生仓库,“这个项目的鉴权是怎么走的”、“这个函数被哪里调用”,它能顺着调用链给你梳理出来。省掉的是最枯燥的探索时间。

4. 写测试

写测试本身就枯燥,而且测试代码质量要求比业务代码低(测试错了会被测试跑红发现)。AI 写单测的准确率相当不错,尤其是给它业务代码 + 边界条件清单。

5. 解释报错和陌生 API

把报错堆栈和上下文丢进去,比自己翻源码快十倍。尤其是那些”官方文档写得含糊,但社区里有人踩过坑”的问题。

二、四种 AI 反而拖慢你的情况

陷阱一:核心业务逻辑的复杂状态机

订单流转、审批引擎、计费规则——这类代码的特点是状态多、约束交叉、改动成本高。

AI 会写出”看起来对”的代码,但漏掉某个状态转移的边界。等你发现时,代码已经和别人写的部分耦合了。修 AI 写的错逻辑,比一开始自己写更费时间。

我的判断标准很粗暴:如果这块代码错了会导致线上事故,我手写。

陷阱二:你不熟悉的性能敏感代码

AI 不知道你的数据规模。它写出来的 find() 在 100 条数据时好好的,在 100 万条时就是灾难。

性能优化必须基于 profile 数据,而不是”让 AI 优化一下”。它可以给建议,但不能替你决定。

陷阱三:要跟已有代码风格严格一致

每个老项目都有它的”味道”——错误处理方式、日志格式、依赖注入风格。AI 生成的新代码往往自成一体,和周边代码格格不入。

结果就是 code review 时你会花大量时间”让它像人写的”。项目越大、规范越严,这个成本越高。

陷阱四:你其实只需要改一行

这是最常见的浪费。你本来就知道要改什么,打开对话框描述需求、等生成、看 diff、再确认——比自己改慢了十倍。

判断标准:如果你能一句话说清怎么改,那就自己改。

三、我现在的实际工作流

  • 新功能从零开始时:让 AI 先产出骨架,我改架构、删多余抽象。
  • 改现有代码时:先自己读、自己定位,确认改动点后再让 AI 写实现。
  • 调试时:AI 解释报错 → 我验证假设 → 自己改。
  • 写完后:让 AI 做一遍”批判式 review”——专门问”这段代码在什么输入下会崩”,比我自己的 review 更刁钻。

四、一条经验:AI 写的代码要”读得懂才合并”

我给自己定了一条死规矩:合并进主分支的每一行 AI 代码,我都要能解释它为什么这么写。

不接受”跑通了就行”。因为三个月后出问题的人是你,不是 AI。这一条规矩让我避开了至少三次潜在的线上事故。

五、关于”AI 会取代程序员”

用了一年,我的结论是:它取代的是”打字”,不是”判断”。

写样板、写测试、查报错,这些工作确实被大幅压缩了。但决定”该写什么”、“哪里会出问题”、“这个设计三年后还能不能维护”——这些判断的分量反而更重了。

因为代码产出变快了,架构决策变成了瓶颈。以前写一个月,现在写一周,剩下的三周都在犹豫”这个设计对不对”。

会用 AI 的人,不是打字快的人,是判断快的人。

结语

一年下来,我的效率提升大概在 30%-40%,不是宣传里的十倍。但这 30% 是实实在在的——因为我学会了把 AI 放在它擅长的位置上,而不是让它写所有东西。

工具越强,越需要知道什么时候不用它。

📤 分享到