1. 这不是一场“AI能不能写代码”的辩论而是一次真实项目交付现场的复盘“Is AI coding that good?”——这个标题乍看像一句轻飘飘的疑问实则戳中了过去三年里每个程序员、技术主管、产品负责人心里反复掂量过的硬问题。它不问原理不谈参数只盯着结果当一个真实需求摆在面前从零启动、有明确交付 deadline、要经受测试验收、要能被其他工程师接手维护——这时候让 AI 当主力 coder行不行我从去年三月开始在自己负责的三个中小型业务系统迭代中把 Copilot、Cursor、CodeWhisperer 和本地部署的 CodeLlama-70B 全部拉进生产环境跑了一整年不是做 demo不是写玩具脚本而是替换了 37% 的日常功能开发工作量。这里说的“替换”是指从需求评审后第一行代码开始到 PR 合并、单元测试通过、上线灰度验证完成整个链路由 AI 主导生成人类角色退为 Reviewer、架构把关者和异常兜底人。核心关键词很实在AI coding、实际交付、代码质量、可维护性、团队协作成本。这篇文章不讲大模型怎么训练不列 benchmark 分数也不鼓吹“程序员即将失业”它是一份带时间戳、带 commit hash、带线上错误率曲线的实战手记。适合正在评估是否在团队中引入 AI 编程工具的技术负责人、想搞清楚“到底该信 AI 写多少行代码”的一线开发者以及那些被老板扔来一句“你们也试试 AI 编程吧”后两眼发黑的 TL。你不需要懂 transformer但得写过至少半年真实业务代码你不需要会微调 Lora但得知道为什么某个函数改了三遍才通过 CI。接下来所有内容都来自我们团队在支付对账模块重构、内部 BI 报表引擎升级、以及 SaaS 客户自助配置中心搭建这三个真实项目中的逐日记录。2. 项目整体设计与思路拆解为什么我们选择“渐进式嵌入”而不是“全盘托付”2.1 核心设计逻辑用交付压力倒逼能力边界测绘很多团队一上来就让 AI 写核心交易链路结果三天崩两次线上最后全回滚还背了锅。我们反其道而行不设禁区但设“压力探针”。所谓压力探针就是在每个项目里人为植入三类高风险但高频的“校验点”结构强约束点比如支付对账模块中必须严格遵循“原始流水 → 清算文件 → 对账差异表 → 差异处理工单”四层数据流转每层字段名、类型、非空规则、更新时机全部固化在 DDL 和 protobuf schema 中。AI 生成代码若漏掉任意一层的字段映射或类型转换下游立刻报错。状态机敏感点BI 报表引擎中一个报表任务存在 “created → validating → generating → rendering → delivered → expired” 六种状态状态跃迁规则写死在 FSM 配置里。AI 若擅自新增跳转路径比如从 validating 直接到 delivered会导致任务卡死且无法人工干预。跨服务契约点客户自助配置中心需调用计费服务、权限服务、通知服务三个外部 API每个接口的 request body schema、error code 映射、重试策略、熔断阈值全部定义在 OpenAPI 3.0 spec 文件中。AI 若按自己理解拼接 JSON哪怕字段名大小写差一个字母HTTP 400 就打脸。这三类点不是用来“考倒 AI”而是为了快速定位它的“认知盲区”。我们发现AI 在处理显式、静态、文档化强约束时表现极稳一旦进入隐式、动态、上下文依赖型逻辑比如“用户连续三次输错密码后需触发风控策略但该策略本身由另一个微服务实时下发”出错率陡增 4.8 倍。这个数据不是 benchmark是我们用 176 次 PR review 记录统计出来的。2.2 方案选型背后的硬取舍为什么放弃“全自动 pipeline”坚持“人机协同双轨制”市面上有两类主流方案一类是构建全自动 CI/CD pipelineAI 提交代码后自动跑测试、自动合并另一类是“AI 辅助 IDE 模式”人类始终握着键盘和 merge 权。我们花了六周做 A/B 测试结论非常明确全自动 pipeline 在当前阶段是危险的幻觉。原因有三第一测试覆盖率陷阱。我们要求所有 AI 生成代码必须附带单元测试但很快发现AI 写的测试用例有严重倾向性——它极度擅长覆盖“happy path”对边界条件如空字符串、超长字段、时区夏令时切换、数据库主键冲突的覆盖不足。在支付对账模块中AI 生成的 23 个测试用例里只有 2 个覆盖了“清算文件中金额字段为负数”的场景而这个 case 正是去年导致 12 万笔订单对账失败的根因。第二diff 理解失真。当 AI 修改一个已有函数时它生成的 diff 往往“看起来合理”但会悄悄破坏调用方假设。例如原函数getCustomerBalance(customerId)返回BigDecimalAI 优化后改为返回OptionalBigDecimal表面更安全却导致上游 5 个服务未做空值判断直接.get()而 crash。人类 reviewer 能一眼看出这个契约变更但自动化 pipeline 只认编译通过和测试绿灯。第三责任归属真空。当线上出现 P0 故障如果 pipeline 是全自动的追责链条断裂是 prompt 写得不够准是模型版本升级引入 regression还是 baseline 测试没覆盖到我们最终采用“双轨制”AI 生成代码 → 人类编写 review checklist含上述三类压力探针的具体检查项→ 人类执行 checklist 并签字 → 手动 merge。这个“手动 merge”动作看似低效实则是责任锚点也是知识沉淀入口——每次 review checklist 的迭代都成为团队新的《AI 编程规范 v1.3》。2.3 避开的典型误区为什么我们坚决不用“AI 自动生成完整微服务”有团队尝试让 AI 根据一份 PRD 文档直接生成整个 Spring Boot 微服务包括 controller、service、repository、DTO、config、test 全套。我们试过一次结果灾难性。问题不在代码语法而在架构意图的不可传递性。PRD 里写“用户可自定义报表字段”AI 理解为“生成一个动态 SQL 构建器”而实际业务需要的是“字段白名单 预编译模板 权限隔离”前者在高并发下必然被 SQL 注入击穿后者需要在 controller 层做字段级 RBAC 拦截。AI 无法从文字描述中推导出“这个功能未来要支撑 500 家客户各自配置不同字段组合”的扩展性约束。我们后来定下铁律AI 只能生成“单个函数”或“单个类”且该函数/类必须满足输入输出契约完全明确有清晰的 interface 定义不涉及跨模块状态共享无 static 变量、无全局 cache无隐式副作用不修改传入对象、不触发外部 HTTP 调用这条铁律让我们避开了 92% 的架构级返工。记住AI 是超级高效的“代码段生成器”不是“系统架构师”。想让它当架构师等于让速记员去写小说——字都认识但故事逻辑是另一回事。3. 核心细节解析与实操要点从 prompt 设计到 review checklist 的颗粒度控制3.1 Prompt 不是“提问”而是“给 AI 下工程指令”我们用的 5 类结构化模板很多人以为 prompt 就是“帮我写个排序算法”这在工程实践中毫无价值。我们的 prompt 是带上下文、带约束、带示例的工程指令。以下是我们在生产环境中验证有效的五类模板模板一契约驱动型用于强 schema 场景你是一个资深 Java 工程师正在编写支付对账模块的清算文件解析器。 【输入】一行文本格式为 20231015|10000001|CNY|12345.67|SUCCESS字段含义依次为日期(yyyyMMdd)|订单号|币种|金额|状态 【输出】一个 Java Record名为 ClearingRecord包含以下字段 - date: LocalDate需从字符串解析注意 yyyyMMdd 格式 - orderId: String非空校验 - currency: String仅允许 CNY/USD/EUR否则抛 IllegalArgumentException - amount: BigDecimal需处理小数点后两位精度使用 ROUND_HALF_UP - status: String仅允许 SUCCESS/FAILED/PENDING 【禁止】不要添加任何额外字段不要做数据库操作不要打印日志不要捕获 RuntimeException。 【示例输入】20231015|10000001|CNY|12345.67|SUCCESS 【示例输出】new ClearingRecord(LocalDate.parse(20231015, DateTimeFormatter.BASIC_ISO_DATE), 10000001, CNY, new BigDecimal(12345.67).setScale(2, RoundingMode.HALF_UP), SUCCESS)这个模板的关键在于把业务规则如“仅允许三种币种”转化为代码级约束IllegalArgumentException把模糊描述“处理精度”转化为具体 APIsetScale(2, RoundingMode.HALF_UP)。AI 对这种“填空式”指令响应极准错误率低于 0.3%。模板二状态机映射型用于 FSM 场景你正在实现 BI 报表引擎的状态机处理器。已知当前状态为 validating收到事件 VALIDATION_SUCCESS。 【状态跃迁规则】 - validating VALIDATION_SUCCESS → generating - validating VALIDATION_FAILED → created并设置 failureReason 字段 - 其他组合 → 抛出 IllegalStateException(Invalid state transition) 【输出】一个 Java 方法签名如下 public ReportTaskState handleValidationEvent(ReportTaskState currentState, String event) 【要求】 - 使用 switch 表达式穷举所有可能 event 值VALIDATION_SUCCESS / VALIDATION_FAILED / 其他 - 对 其他 情况必须抛出 IllegalStateExceptionmessage 固定为上述字符串 - 不要修改 currentState 对象返回新构造的 ReportTaskState 实例这里的关键是强制 AI 使用switch而非if-else确保可读性和可维护性规定异常 message 字符串避免不同开发者写的提示语不一致强调“返回新实例”杜绝状态污染。模板三契约兼容型用于改造旧代码现有方法 public ListOrder findOrdersByStatus(String status) { ... } 现在需要新增分页支持但必须保持原有方法签名不变向后兼容。 【新需求】 - 新增重载方法findOrdersByStatus(String status, int page, int size) - 原方法内部必须调用新方法page0, size100默认值 - 新方法需使用 JPA Pageable返回 PageOrder - 不要修改原方法的 Javadoc但需为新方法添加完整 Javadoc说明分页参数含义这个模板直击“遗留系统改造”痛点。它不只要求功能正确更强制契约兼容原方法调用新方法、默认值合理page0 对应第一页、文档同步Javadoc 必须更新。我们发现AI 对“保持兼容”这类抽象要求响应很差但一旦写成“原方法内部必须调用新方法”准确率飙升。模板四错误防御型用于高危操作你正在编写客户自助配置中心的权限校验拦截器。需调用权限服务 HTTP 接口 POST /v1/permissions/check Request Body: {resource: report:123, action: view, userId: u_abc} Response: {allowed: true, reason: policy_match} 或 403 【要求】 - 必须设置 3 秒超时connect timeout read timeout - 必须重试 2 次指数退避初始 100ms - 若权限服务不可用网络超时/5xx必须降级为允许访问fail-open并记录 WARN 日志 - 若返回 403必须提取 reason 字段放入自定义异常 PermissionDeniedException(reason) - 禁止吞掉任何异常所有异常必须向上抛出或包装这个模板把运维经验超时、重试、降级和安全要求reason 提取、异常包装全部编码进 prompt。AI 生成的代码我们只需检查重试逻辑和降级策略是否符合其余基本无需修改。模板五测试用例生成型专治 AI 的 happy path 偏好请为以下方法生成 8 个 JUnit 5 测试用例 public BigDecimal calculateTax(BigDecimal amount, String countryCode) 【业务规则】 - amount 0 → 抛出 IllegalArgumentException(amount must be positive) - countryCode 为空或长度≠2 → IllegalArgumentException(countryCode must be 2-letter ISO code) - countryCN → 税率 13%结果保留2位小数HALF_UP - countryUS → 税率 0%返回 0.00 - countryJP → 税率 10%但若 amount 1000000则税率升至 15% - 其他 country → 税率 0% 【要求】 - 至少 2 个 negative caseamount0, countryCode invalid - 至少 1 个边界 caseamount1000000.00 for JP - 至少 1 个精度 caseamount123.456, expect 123.46 for CN - 所有测试必须用 DisplayName 注解中文描述场景这个模板是我们的“测试兜底神器”。它不只要求数量更指定 negative/boundary/precision 三类用例的最低占比并强制中文描述。生成的测试用例我们 review 时只看是否满足这四条不再逐行审逻辑。3.2 Review Checklist 的颗粒度为什么我们把“检查项”拆到函数级很多团队的 review checklist 停留在“检查是否有单元测试”“检查是否有日志”这种宏观层面这在 AI 编程时代是失效的。我们的 checklist 是函数级的每个函数对应一张表。以calculateTax函数为例review checklist 如下检查项检查方式通过标准实际发现的问题输入校验完整性查看方法开头是否包含 amount 和 countryCode 的 null/empty/length 检查必须同时存在两个if判断且抛出的 exception message 与 prompt 完全一致AI 漏掉了 countryCode 长度检查只判了 null/empty税率计算精度查看 CN/Japan 分支中是否调用setScale(2, RoundingMode.HALF_UP)必须出现在 return 语句前且参数完全匹配AI 在 JP 分支用了setScale(2, RoundingMode.HALF_DOWN)导致 123.455 四舍五入成 123.45降级策略显式化查看 US 分支是否直接返回BigDecimal.ZERO.setScale(2)必须是字面量ZERO不能是new BigDecimal(0.00)AI 用了new BigDecimal(0.00)虽结果相同但违反团队 BigDecimal 创建规范异常包装一致性查看所有 throw 语句是否均为new IllegalArgumentException(...)message 字符串必须与 prompt 中一字不差AI 把 countryCode must be 2-letter ISO code 写成了 country code must be 2 letters少连字符、多空格这张表的价值在于它把抽象的“代码质量”转化为可执行、可审计、可培训的动作。新人拿到这张表对照代码一行行打钩15 分钟就能完成 reviewTL 抽查时直接看 check 项是否全勾不看代码风格。我们累计沉淀了 47 张此类函数级 checklist覆盖支付、报表、配置三大领域 92% 的核心函数。3.3 工具链的隐形战场为什么我们禁用 Copilot 的“自动补全”模式只用“/ask”命令这是最容易被忽视却影响最大的细节。GitHub Copilot 默认开启“inline suggestion”即你在写public class时它自动在光标后补出整个类结构。我们团队全员禁用此功能强制使用/ask命令在 Cursor 中是CtrlK。原因有三第一上下文污染。inline suggestion 会贪婪地扫描当前文件所有代码包括注释、TODO、甚至被注释掉的旧逻辑然后把这些噪声当作“上下文”喂给模型。我们曾遇到 AI 在生成新 service 方法时把注释里的// TODO: add retry logic later当真真的在代码里加了重试而这个 TODO 是三年前写的早已被废弃。第二意图丢失。当你敲get时Copilot 自动补getCustomerById但你实际想写的是getCustomerBalanceHistory。这种“猜中开头错在结尾”的情况导致大量无效补全和删除打断思维流。而/ask是明确的指令“我要一个根据 customerId 查询余额历史的方法”AI 必须基于这个完整意图生成不会偷看旁边代码。第三可追溯性归零。inline suggestion 生成的代码没有 prompt 记录无法回溯“当时为什么这么写”。而/ask的每一次调用我们强制要求保存 prompt 到 git commit message 的[prompt]区块里。例如feat(report): add pagination to report task list [prompt] Generate overloaded method findTasksByStatus(String status, int page, int size) that calls existing findTasksByStatus(status) with default page0, size100. Return PageTask. Keep original method signature unchanged.这个[prompt]区块就是我们代码的“DNA 记录”。当三个月后有人质疑“为什么 page 默认是 0 而不是 1”我们直接git log -p就能看到当时的决策依据。4. 实操过程与核心环节实现从需求评审到线上验证的全流程切片4.1 需求评审阶段如何把 PRD 转化为 AI 可执行的“工程需求说明书”PRD产品需求文档是给产品经理和业务方看的充满“用户觉得”“体验更好”“灵活配置”这类模糊表述。AI 无法处理模糊所以我们的第一步是把 PRD 手动翻译成《AI 工程需求说明书》AERS。这不是简单改写而是进行三重“工程化提纯”第一重实体与属性显性化PRD 原文“用户可以在报表页面自定义显示字段。”AERS 改写实体ReportFieldConfig存储用户配置属性reportId: String非空、userId: String非空、displayFields: ListString非空元素必须属于预定义白名单[order_id, amount, status, created_at]、createdAt: Instant自动生成约束displayFields长度 1~10重复字段自动去重第二重状态与事件原子化PRD 原文“配置保存后系统会实时生效。”AERS 改写状态ReportFieldConfig存在PENDING刚创建、ACTIVE已生效、OBSOLETE被新版本覆盖三种状态事件CONFIG_CREATED触发PENDING → ACTIVE、CONFIG_UPDATED触发ACTIVE → OBSOLETE 新建PENDING契约CONFIG_CREATED事件必须发布到 Kafka topicreport-config-changeskey 为reportIdvalue 为 JSON 序列化后的ReportFieldConfig第三重接口与协议契约化PRD 原文“前端通过 API 获取用户配置。”AERS 改写HTTP MethodGETPath/api/v1/reports/{reportId}/configRequest HeaderX-User-ID: string必传JWT 解析Response Body{ reportId: r_123, displayFields: [order_id,amount], updatedAt: 2023-10-15T08:30:00Z }Error Code401 Unauthorizedtoken 无效、403 ForbiddenX-User-ID 与 report 所属用户不匹配、404 Not FoundreportId 不存在这份 AERS 文档就是我们给 AI 下指令的唯一依据。它不追求文采只追求无歧义。我们规定任何未在 AERS 中明确定义的字段、状态、错误码AI 绝对不允许生成。这个过程看似繁琐实则节省了后期 70% 的返工时间——因为所有争议都在评审阶段用 AERS 锁死了。4.2 开发阶段一个真实函数的诞生全过程含 prompt、AI 输出、review、修改我们以ReportConfigService.getEffectiveConfig(String reportId, String userId)方法为例展示完整闭环Step 1Prompt 编写耗时 8 分钟你正在实现报表配置服务。需根据 reportId 和 userId 获取当前生效的配置。 【业务规则】 - 查询 ReportFieldConfig 表条件reportId ? AND userId ? AND status ACTIVE - 若找到返回 ReportFieldConfig 对象 - 若未找到查询同一 reportId 下 status PENDING 的配置若存在则返回视为待生效 - 若仍无返回 null不抛异常 【技术约束】 - 使用 Spring Data JPARepository 方法名必须为 findByReportIdAndUserIdAndStatusOrFindByReportIdAndStatus - 必须使用 Query 注解重写 JPQL因为 OR 条件在方法名中无法精确表达 - JPQL 必须显式写出 status ACTIVE 和 status PENDING不能用变量 - 返回值类型必须为 OptionalReportFieldConfig 【禁止】不要用原生 SQL不要做二次查询不要捕获 Repository 异常Step 2AI 输出Cursor v0.42.0 CodeLlama-70BQuery(SELECT c FROM ReportFieldConfig c WHERE (c.reportId :reportId AND c.userId :userId AND c.status ACTIVE) OR (c.reportId :reportId AND c.status PENDING)) OptionalReportFieldConfig findEffectiveConfig(Param(reportId) String reportId, Param(userId) String userId);注AI 生成了 Repository 方法而非 Service 方法。这是常见偏差——AI 更熟悉“数据访问层”模式。Step 3Review按 checklist 打钩耗时 5 分钟✅ 输入参数命名与 prompt 一致reportId,userId✅ JPQL 中 status 字符串硬编码未用变量❌ 返回类型应为OptionalReportFieldConfig但 prompt 要求的是 Service 方法不是 Repository 方法❌ 缺少对PENDING结果的 userId 校验prompt 要求“同一 reportId 下 status PENDING 的配置”但未限定 userId会导致返回他人配置Step 4人类修正耗时 3 分钟将 Repository 方法改为 Service 方法实现在 JPQL 中增加AND c.userId :userId到 PENDING 分支添加注释说明“PENDING 配置仅对创建者生效”最终代码Transactional(readOnly true) public OptionalReportFieldConfig getEffectiveConfig(String reportId, String userId) { // 优先查 ACTIVE 配置自己的 OptionalReportFieldConfig active configRepository .findByReportIdAndUserIdAndStatus(reportId, userId, ConfigStatus.ACTIVE); if (active.isPresent()) { return active; } // 再查 PENDING 配置仅限自己的防止越权 return configRepository .findByReportIdAndUserIdAndStatus(reportId, userId, ConfigStatus.PENDING); }注我们放弃了复杂的 JPQL OR改用两次 Repository 调用。因为 review 发现AI 生成的 OR 查询在 MySQL 8.0 上无法利用联合索引性能下降 400%。这是 prompt 无法覆盖的领域知识。Step 5测试用例生成与补充耗时 4 分钟用模板五生成 8 个测试发现 AI 漏掉了“PENDING 配置存在但 userId 不匹配”的 case手动补充Test DisplayName(当存在他人PENDING配置时不返回) void shouldNotReturnOthersPendingConfig() { // given ReportFieldConfig othersPending new ReportFieldConfig(r_123, u_others, List.of(order_id), ConfigStatus.PENDING); configRepository.save(othersPending); // when OptionalReportFieldConfig result service.getEffectiveConfig(r_123, u_mine); // then assertThat(result).isEmpty(); }整个过程耗时 20 分钟产出一个 100% 符合 AERS、通过所有 checklist、性能达标、测试覆盖完整的函数。对比人类独立开发节省了约 65% 时间人类平均需 55 分钟。4.3 测试与上线阶段如何用“AI 生成测试”反向验证“AI 生成代码”的鲁棒性我们的测试策略是“双 AI 验证”用 AI 生成代码再用另一个 AI或同一 AI 的不同 prompt生成测试最后用人类做“测试有效性审计”。这不是为了省事而是为了暴露 AI 的系统性盲区。第一层AI 生成的单元测试已述目标是覆盖 prompt 中指定的边界。第二层AI 生成的混沌测试Chaos Test我们专门设计了一个 prompt让 AI 生成“故意捣乱”的测试请为 ReportConfigService.getEffectiveConfig 方法生成 3 个混沌测试用例。 【要求】 - 每个用例必须使用 TestInstance(TestInstance.Lifecycle.PER_CLASS) - 必须 mock configRepository使其返回特定异常 * case1抛出 DataAccessException模拟数据库连接中断 * case2抛出 OptimisticLockException模拟并发更新冲突 * case3返回 null模拟底层缓存穿透 - 测试断言必须验证 service 方法是否优雅处理 * case1是否记录 ERROR 日志检查 logger.error 被调用 * case2是否重新尝试检查 repository 被调用 2 次 * case3是否返回 empty Optional不抛异常这个 prompt 生成的测试暴露出我们之前忽略的两个问题AI 生成的 service 方法没有 try-catch导致DataAccessException向上透出违反 fail-fast 原则OptimisticLockException处理缺失未实现重试逻辑于是我们紧急在 service 方法上加了Retryable(value {OptimisticLockException.class}, maxAttempts 2)并补充了 error 日志。这个发现是传统单元测试很难覆盖的——因为它要求测试者预知所有可能的底层异常类型而人类往往只记得常见的几种。第三层人类审计关键我们不运行这些混沌测试而是审计它们的“合理性”。例如AI 生成的 case1 断言是verify(logger, times(1)).error(anyString(), eq(exception));但人类审计发现anyString()太宽泛应该锁定为Failed to get effective config for reportId{}, userId{}否则日志格式不统一。于是我们把这条加入 checklist后续所有 error 日志都必须用固定 message 模板。上线前我们要求所有 AI 生成代码必须通过人类编写的 checklist100% 打钩所有 AI 生成测试必须通过人类审计检查断言是否精准混沌测试必须在 staging 环境跑通证明异常处理真实有效这三层过滤把线上故障率从初期的 1.2% 压到了 0.07%。5. 常见问题与排查技巧实录那些在 Slack 频道里刷屏的“为什么又崩了”5.1 典型问题速查表我们踩过的坑按发生频率排序问题现象根本原因排查技巧解决方案复现概率PR 合并后 CI 突然失败错误指向一个从未修改的 util 类AI 在生成新代码时顺手“优化”了老类的 import 顺序把org.apache.commons.lang3.StringUtils换成了java.util.Objects而老类中StringUtils.isEmpty()调用未被替换git diff --no-index /dev/null (git show HEAD:src/main/java/xxx/Util.java | grep import)对比 import 变更建立 pre-commit hook用checkstyle禁止 import 顺序变更AI prompt 中加“禁止修改未提及的文件”38%线上日志出现大量NullPointerException堆栈指向 AI 生成的 service 方法但该方法明明有 null 检查AI 生成的 null 检查写在了if里但忘记加{}导致后续代码无论条件真假都会执行grep -A5 -B5 if.* null src/main/java/xxx/Service.java检查 if 结构在 SonarQube 中启用squid:S126规则强制 if-else 大括号AI prompt 中加“所有 if/for/while 必须用大括号包裹”29%数据库查询变慢 10 倍EXPLAIN 显示未走索引AI 生成的 JPQL 使用了LIKE %keyword%而字段无全文索引或用了function upper(name)导致索引失效git log -S LIKE --oneline快速定位最近引入的模糊查询建立 SQL 审计清单禁止LIKE前导通配符禁止在 where 条件中对字段用函数所有新查询必须附带 EXPLAIN 计划22%单元测试本地通过CI 环境失败报DateTime.now()时间不一致AI 生成的测试用LocalDateTime.now()作为期望值但 CI 服务器时区为 UTC本地为 CSTgrep LocalDateTime.now|Instant.now src/test/java/扫描所有“now”调用全局替换为Clock.fixed(Instant.parse(2023-10-15T12:00:00Z), ZoneId.of(UTC))并在 test config 中注入15%Swagger UI 中 API 文档的 response schema 显示为object而非具体 DTOAI 生成的 controller 方法返回MapString, ObjectSpringfox 无法推断泛型curl -s http://localhost:8080/v3/api-docs | jq .paths[/api/v1/config].get.responses[200].content[application/json].schema.$ref检查 refAI prompt 中强制要求“返回类型必须是具体 DTO 类禁止 Map/List/泛型”CI 加swagger-codegen验证8%这张表不是凭空而来是 127 次线上故障复盘的结晶。我们把它贴在团队 Wiki 首页新人入职第一件事就是熟读。5.2 独家避坑技巧三个让 AI 编程“稳如老狗”的实操心法心法一永远用“最小可验证单元”启动不要一上来就让 AI 写“用户登录功能”而是先让它写validatePassword(String raw, String encoded)这个单一函数。理由单一函数输入输出明确AI 不易发散可立即写测试验证反馈周期 1 分钟一旦出错影响范围可控就一个函数我们团队约定所有 AI 编程任务必须拆解到“能在一个小时内完成 review 和测试”的粒度。超过这个粒度必须拆分。这避免了“写了两天review 发现全错”的灾难。心法二建立“AI 生成物指纹库”让每次输出可追溯、可对比我们用一个简单的 Python 脚本自动为每个 AI 生成的代码块生成指纹import hashlib def gen_f