AI 写代码这件事，远没有你想的那么简单：从实践中得出的几点经验

　　看了不少 AI 博主介绍 AI 编程，好像只要一句话，就能帮你做出一个完整的应用。但当我真正尝试把自己的想法落地时，很快发现事情远没有那么简单。

　　Cursor和Trae这两款热门的IDE我都接触过，界面大同小异，工作产出的质量还是取决于背后的大模型API调用。而我的实践策略是循序渐进的：先让 AI 帮我把一个开源项目改造成我想要的样子，在这个过程中熟悉 AI 编程工具的工作方式；接着从零创建一个简单的应用；最后立项一个中等难度的项目，持续使用 AI 辅助完成代码编写。
　　在这个过程中我逐渐意识到，如果一点编程基础都没有，想单靠 AI 编程工具做出一个理想的应用，其实非常困难。很多时候，必须先恶补一些基础知识，才能真正推动项目往前走。

　　简单来说，如果你打算用 AI 去完成你专业之外，或认知范围之外的工作，大多数情况下是很难直接实现的。即便如今 AI 的能力已经非常强悍，它本质上依然只是一个工具。目标能否达成，最终取决于使用工具的人是否具备相应的知识储备和判断能力。

　　在 AI 时代，有些人会被淘汰，有些人却能乘风破浪、势如破竹。真正拉开差距的，并不是是否使用 AI，而是是否具备快速学习和持续补齐短板的能力。接下来，我会结合自己的实践以Trae为例，总结一些使用 AI 工具编程的经验。

前提

在开始前，你需要具备以下准备：

熟悉 AI 编程工具（如 Cursor、Trae）的基础操作和功能设置；
了解软件应用开发流程（从需求到部署）；
掌握开发的基本知识（编程语言、版本控制、依赖管理等）。

启动阶段

确定技术栈

明确应用要使用的编程语言、框架、数据库和部署方式；
列出所有依赖和外部服务，确保 AI 可以生成可运行代码。

撰写项目概述

创建 项目概述.md，描述应用的功能、目标用户和核心流程；
目标是让 AI 明确你要做的应用是什么，而不是零碎需求。

规划阶段

撰写当前阶段文档

创建 当前阶段.md，明确 AI 需要完成的具体任务；
例如：“生成用户登录模块代码”、“重构现有 API 接口”等。

制定规则和边界

写好个人规则和项目规则，告诉 AI：
- 它应该做什么；
- 不应该做什么；
- 代码风格、注释规范、约束条件等；
这样可以减少 AI 生成不符合项目要求的代码。

执行阶段

安装开发环境和工具

本地安装必要的 IDE、依赖和运行环境；
配置版本控制（如 Git），保证每次 AI 生成的代码可追踪。

分阶段让 AI 生成代码

将任务拆分成小模块，让 AI 分步生成，而不是一次性写完；
对每个模块：
- 提供明确的指令和上下文；
- 检查 AI 生成的代码逻辑是否正确；
- 手动修正或优化，确保可运行。

运行与测试

将 AI 生成的代码在本地运行，发现错误及时反馈给 AI 修正；
写好单元测试和集成测试，确保功能符合预期。

整合与优化

将各模块代码整合成完整项目；
优化性能、代码结构和可维护性；
对重复或冗余的 AI 生成代码进行人工重构。

在项目开发到一定程度后，你会发现内容越来越多，规则越来越多，最明显的表现就是AI写的功能或者修复的bug越来越多问题。也不能说时AI降智，而是到了上下文的极限，它调用不了或者是忘记了最开始的目标，也许你自己也记不住。那么AI会开始慢慢跑偏。这时候你就需要加强项目监控的频率了。

项目监控

文档与记录

每当你完成一个功能一个页面，或者每天结束工作前，给AI的最后一个命令就是：更新项目概况.md和当前阶段.md两个文档；
保留 AI 的生成版本和修改记录，便于复盘和改进。
加强项目监控： 项目刚开始的两个文档：项目概况.md , 当前阶段.md 内容越来越多，越来越复杂的时候，就让AI拆分文档。

当前阶段.md 主要记录：1、当前阶段（正在做，未完成或未完善的工作内容）；2、下一阶段（未开始、计划做的内容）；3、已完成阶段。
功能需求.md 主要记录：需求/功能（描述）清单，对应的业务逻辑/流程图（功能如何实现功能的逻辑）
数据库设计.md 数据库相关的设计，字段，描述说明等与数据库有关的内容。
项目概况.md 除了已有的内容外，更像是一个目录，将上述文档的主要内容简单概况。