AI辅助编程系统工程的注意事项-程序员从“农耕”走向“魔法”的时代
目 录
1..... 项目实践依据... 2
2. 前言：软件工程的范式转移，从“关注过程”到“关注意图”... 4
3..... 需求明确及AI审核：人与AI双向的需求验证... 4
4..... 更需要系统化思维：科学拆分业务单元... 4
5..... 受第三方组件影响：生成代码不一定正确... 5
6..... AI的补丁思维：局部修改可能引入全局问题... 5
7..... 需要Review代码：业务逻辑审核与把控... 5
8..... 更重视系统测试：小模块的bug可能隐藏很深... 6
9..... 最终需要人工验收：人始终是系统的负责人... 6
10... 结束语... 6
1. 项目实践依据
项目实践：基于Ai Coding,20天完成一个基于大模型的医学分析系统：Ai体征分析助手。
项目试用：https://www.aineuos.net。微信小程序：Ai体征分析助手。
应用系统界面：
项目工程代码：
AI应用请求分析：
在传统软件工程中，通过严谨的过程来控制质量：需求分析、详细设计、编码规范、代码审查、测试流程……每一个环节都有明确的文档和检查点。这种“关注过程”的方式，主要是在人力成本高昂时代，最大限度地降低风险。
随着AI辅助编程工具的普及，软件工程的底层逻辑正在发生根本性变化。当AI自动生成大量代码时，关注点从“如何写代码”转向“如何表达意图”。开发者不再需要亲手开发每一行代码，而是需要清晰地描述需求、拆解业务、验证结果。
这种从“过程”到“意图”的转变，对系统工程提出了全新的挑战。
在传统模式下，需求文档（PRD）是人写给人的说明书，难免存在歧义和遗漏。而在AI辅助编程中，需求文档同时成为了AI的“输入”。这就要求需求必须明确、无二义性。
假定需求已经是明确的，仍然需要AI来审核需求。将初步需求输入AI来验证逻辑和细节的合理性，迭代和完善需求。通过这种“人写需求→AI尝试实现→人根据AI反馈修正需求”的循环，可以大幅提升需求的准确性和完整性。
在AI辅助编程中，开发者必须对业务有深刻的理解，并具备科学拆分功能的能力。定义好模块边界、接口协议、数据流向等，甚至编写好核心的架构骨架，然后让AI在限定的上下文中填充具体实现。系统化思维不再是架构师的专利，而是每个参与AI协作的开发者的基本功。
AI的训练数据来自海量开源代码，它生成的代码会引用各种第三方库和框架。这带来两个问题：一是引用的库可能已经过时、存在安全漏洞，或者许可证不兼容；二是AI可能错误地使用API，导致功能异常。
尽管可以通过编译，但是不代表不会出现异常提示。也有可能编译后的代码可以运行，但它不一定是最佳的实现方式。
这类问题通常比较容易修正，更换库版本及调整参数，往往就能解决问题。
在与AI交互时，我们常常会针对某个小问题要求AI进行完善，例如针对某个问题进行修正，AI更多的时候会在其他地方“打补丁”来响应指令，为了快速修复一个bug，AI生成了临时方案，这种“补丁思维”容易导致代码逐渐偏离原有设计，并且产生冗余代码。
开发者需要识别这种补丁式增补代码是否合理，最终决定是否要增补代码。
AI生成的代码必须经过严格的代码审查（Code Review）。这一点与传统开发并无不同，审核代码粒度视业务复杂度影响。
首先，关注逻辑正确性：AI是否理解了你描述的意图？边界条件处理了吗？异常分支覆盖？
其次，要根据业务复杂度决定代码审核粒度。例如针对工业控制需要逐行审核，针对增删改查需要代码块审核。但无论如何，代码审查是不可省略的环节，是AI产出代码质量最后防线。
AI辅助编程，测试的重要性不降反升。因为代码生成速度变快，bug的引入速度也可能变快。我们需要更完善的自动化测试套件，包括单元测试、集成测试、端到端测试，以及持续集成流水线，确保每次AI生成的代码都能被快速验证。测试不再是开发完成后的收尾工作，而是与编码并行。
人工验收不仅是对功能的确认，更是对非功能需求的检查：性能、安全性、可维护性、用户体验等。AI可能生成一个“能用”的系统，但不一定是“好用”“可靠”的系统。
AI是工具，人是决策者，验收不是终点，而是人机协作持续优化的起点。
AI辅助编程正在重塑软件工程的实践方式，从“会写”到“会用”的转变。
物联网&大数据技术 QQ群：54256083
物联网&大数据项目 QQ群：727664080
QQ：504547114
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。