用了 AI 这么久，你用得很顺了吗

摘要：提效是真的，bug 也是真的。高星工作流搬过来就不好用，视频里的三十分钟背后删了不知道多少版。国内模型其实够用，只是你自己在替它兜底。知道和做到之间隔着几十次实操，没有一劳永逸这回事。

作为一名程序员，过去一年，你用 AI 写了多少代码？

这个问题我最近问了自己好几遍。答案是含糊的：写了不少，但说不清哪些是它真帮上忙的。

再往下问一层：你真的把 AI 用好了吗，AI 编程用得非常顺手吗？

我还是答不利索。

今年以来，AI 编程确实把我的工作方式改了。以前一个 CRUD 磨半天，现在把表结构和接口约定说清楚，几分钟能出一版。提效是真的，不是错觉。

但 bug 也是真的多。

提效是真的，坑也是真的

这些 bug 有个共同点：长得不丑。

命名规范、分层清楚、注释齐全，编译能过，静态扫描也过，你 review 的时候甚至觉得它写得比你自己干净。问题出在语义和边界上——少判一个空，漏一次幂等，把本该失败的分支写成默默成功。

人写的烂代码，你一眼能看出来。AI 写的烂代码，得跑起来才知道。

麻烦就在这儿：你原来那套看着不对劲的直觉，对它基本失效了。

那你还靠什么拦住它？

不是它写错了，是它错得太体面。

那些高星工作流，搬过来就不好用

GitHub 上那些几十 K、上百 K 星的工作流，我试过不少。

用起来总感觉哪里不对头，做出来的东西也总差点意思。

后来想明白了一点：那是人家团队自己沉淀下来的东西。里面写的是他们的目录结构、命名习惯、团队规矩，还有他们自己踩过的那些坑。

你把它原封不动搬过来，等于拿别人的答案去配自己的题。

我看到的情况大概有三种：大部分人用几次，发现不是那么回事，就扔了；有一部分人硬着头皮接着用，其实没起作用，只是不好意思承认；还有一部分人搬过来了，但根本不知道怎么用——里面那些规矩为什么这么定，他不知道，也就不知道什么时候该改。

第三种最麻烦。前两种至少知道自己没成，第三种连自己没成都不知道。

那你是哪一种？

工作流不是不能借。借之前得先把自己的题面写出来：你的模块边界在哪，哪些改动必须过测试，哪些目录 AI 不许碰。这三条没想清楚，再高星的东西也只是给你换了个更体面的乱法。

视频里的三十分钟，背后是多少版

短视频平台上那些效果，我也看过不少。

可那些效果是怎么来的？

说实话，没有一个是视频里那短短几分钟、半小时就能做出来的。背后微调了多少个版本、重来了多少次，只有作者自己知道。

这不是骗人，是展示本身的偏差：能给你看的，是跑通过至少一遍的那一版。没跑通之前那些，都剪了。

所以你看到的是终点，学到的也是终点的样子。

终点和路径差在哪儿，只有自己动过手才知道。照着流程走一遍，多数人的体验大概就是那句：纸上得来终觉浅，绝知此事要躬行。

你感觉不到模型差距，因为你在替它兜底

很多人说 Claude Code 和 Codex 强。

我不否认。但对绝大多数日常工作来说，国内的模型与智能体也都能做到，有些活甚至更顺手——指令是说中文的，报错能直接问，来回也快。

这话要成立，有个前提：你接的活得在你能验证的范围里。

改一个文件、需求说得清楚、后面还有测试兜着的活，对模型能力的要求本来就不高，谁上都差不多。可一旦变成跨文件重构、长链路推理、要它自己发现这儿还藏着一个约束，那点差距立刻显出来。

换句话说，你觉得够用，很大程度是因为你自己在替它兜底：你会把任务拆小，会把需求写清楚，会在它交活之后验一遍。

这份能力才是你的位置。别把它让出去。

至于换成外部工具，还有一层账要算。使用外部模型与智能体，流程更繁琐，很多能力受限，安全也不能不放在心上——你的代码、你的密钥、你的业务上下文，都要流经别人的管道。便利和风险，得一起称。

知道和做到之间

作为一名普通开发者，要清楚自己的定位。

知道和做到之间的鸿沟，比大多数人以为的都宽。差在哪儿？知道一个技巧，五分钟；把它变成手上的东西，中间隔着几十次真实使用，还得搭上几次被它坑。

所以别停在知道这一步。多动手去实践，实践是检验真理的唯一标准。

收尾

最后一件：没有一劳永逸的事。

今年管用的招式，明年可能就过时了，工具差不多一季一换。所以真正要维护的是自己的 skill，和经常更新自己工作流这个习惯。

活到老，学到老。这话听着老气，落到实处其实很具体——下个月，你还愿意推翻自己上个月的用法。

作者：唐悦玮 | 公众号同名
从后端出发，用 AI 拓展到全栈的工程师。