# 编码交给AI之后 日期: 2026-05-15T00:00:00.000Z 摘要: AI时代编码已不是瓶颈，真正的价值在于定义问题、验证结果、决定交付。本文将多个项目中的验收实践整理为可复用的方法论框架。 关键词: - AI Agent - 验收方法论 - 代码审查 - 质量保证 - 智能体工程 - AI编码 --- 半年前，我的工作方式开始发生变化。 写代码这件事，大部分时间不再由我完成。我的角色从「写代码的人」变成了「判断代码是否正确的人」。 项目成败的关键在于我在哪些环节介入了判断。这篇文章探讨当编码由 AI 负责时，人到底应该做什么。 ## 验收者的三个环节 我把验收工作拆解为三个环节，定义问题，验证实现，决定交付。 验收者的工作区别于代码审查员和产品经理。验收者要做的事情更具体，知道要什么，判断对不对，决定行不行。 ### 定义问题 AI编码的前提是问题的清晰程度。模糊的需求必然产生模糊的输出。 一个合格的问题定义包含三个要素。第一，输入输出的边界。明确说「输入是一个CSV文件包含用户行为日志，输出是每个用户的留存率，格式是JSON数组」。第二，失败的样例。给AI提供失败样例，相当于提前划定验收的红线。第三，约束条件。性能要求、依赖限制、代码风格偏好。一旦明确说「不使用外部依赖、代码不超过200行」，生成结果的实用性会显著提升。 三个要素缺一个，验收就可能在后续环节出问题。缺少明确的输入输出边界时，AI可能生成一个在功能上正确但接口设计完全不同的模块，导致集成时才发现不匹配。缺少失败样例时，AI只会覆盖正常路径，异常情况全部留给验收者发现。定义问题不是一次性动作，在项目推进中也会迭代。 ### 验证实现 代码能跑只是最低要求。真正的验证是回答这个问题，这个实现在我未知的场景下是否可靠。 对比测试。给AI同一组需求的不同版本，看输出差异是否合理。如果同一需求两次生成的结果在核心逻辑上不一致，说明需求本身有歧义，需要回到定义问题环节重新澄清。 边界测试。异常情况——空输入、超大文件、并发请求——才是考验实现质量的场景。具体做法是枚举每个输入参数的边界值（0、1、最大值），逐一验证AI生成的代码能否正确处理。大多数AI生成的代码在正常路径上表现良好，但在边界处暴露出缺少校验、资源泄漏或死循环。 回归测试。AI生成代码的成本低，但重新生成不保证一致性，任何改动都需要回归验证。回归的关键是确定受影响的模块范围，AI生成的代码往往有隐含的跨模块依赖，仅凭代码diff难以识别全貌。 验证环节最容易被跳过的是记录。这些记录是下一次定义问题的输入。 ### 决定交付 这是验收者最核心的判断。 我看三个标准。第一，核心路径是否可靠。用户最常使用的功能链路必须经过验证，核心路径的每个环节至少手动验证一次。第二，失败是否可控。用三个问题检验，最坏情况下用户会看到什么？数据是否会丢失？系统是否能恢复？如果答不上来，返回验证环节补充对应场景的测试，直到三个问题都有明确答案。第三，是否超出必要范围。AI倾向于生成「功能完整」但超出需求的代码。如果它生成的比你需要的多，删减比新增更需要判断力。 我在几个项目中踩过类似的坑。AI生成的代码功能齐全测试通过，但某个输入阈值下处理时间飙升——缺少分批处理。另一次跳过回归验证，小改动破坏了隐藏的依赖。代码没有bug，但「完成」和「可用」之间存在盲区，这恰好是验收者需要填补的。 ## 两个具体示例 ### 博客改造 需求是三个 Agent 友好端点 llms.txt、Markdown 端点、结构化 JSON API，所有新增内容作为静态文件生成。验证阶段用 curl 确认格式正确，修改源文件后重新构建确认同步更新，模拟 Agent 使用场景确认所有链接存在。交付阶段评估三个指标，核心路径已验证、失败可控（端点不可用时返回 404）、没有超出范围。改造耗时半天，编码不超过两小时。 ### 数据处理微服务 需求是把上游推送的 JSON 事件流转换为结构化数据写入数据库。定义问题时明确了输入格式、失败样例（缺失必需字段的事件按格式错误丢弃而非写入）和约束（单条处理时间不超过 200ms）。验证阶段准备了三组数据，正常数据、边界数据（空事件流、单条极大记录）、异常数据（格式错误、字段缺失）。AI 生成的代码在边界数据上暴露了两个问题，单条极大记录导致 JSON 解析超时，空事件流让写入进程挂起。交付阶段确认核心路径稳定、失败时可优雅降级、功能范围没有膨胀。 ## 总结 人的价值体现在三件事，知道要什么，判断对不对，决定行不行。前两者依赖业务理解和经验积累，最后一个是风险判断。当AI负责了「怎么做」，人就更需要想清楚「要什么」和「好不好」。 如果只能记住一点，在AI时代，判断力比生成速度更稀缺。验收是编码的延续。 ## One More Thing 我准备了一份[验收检查清单](/tools/ai-code-acceptance-checklist/)。每次交付前对照过一遍，比凭感觉判断靠谱。 ## 相关文章 - [智能体时代人的位置](https://fanshikun.com/智能体时代人的位置/) - [从如何做到做什么](https://fanshikun.com/从如何做到做什么/) - [模型优先](https://fanshikun.com/model-first-then-agent/) - [简单需求自建](https://fanshikun.com/简单需求自建/) - [让博客对 Agent 友好](https://fanshikun.com/让博客对-agent-友好/) - [为什么我删除了技术文章](https://fanshikun.com/为什么我删除了技术文章/) - [效率悖论](https://fanshikun.com/效率悖论/)