在日常开发工作流中使用 AI
AI 并不能取代工程判断力。它缩短了从陷入困境到找到解决方案之间的时间。
不要再让 AI “优化代码”了。请尝试以下五种实用的方法。
- 寻找性能瓶颈 使用 AI 为你的审计工作创建检查清单。要求提供具体的测量指标，例如：
- 数据库调用次数
- 网络瀑布流 (Network waterfalls)
- 包体积 (Bundle sizes)
- RUM 和服务器耗时
- Lighthouse 分数
- 生成意想不到的测试用例 给 AI 一个函数签名或规格说明 (spec)。要求它提供：
- 边界情况
- 异常输入
- 竞态条件
- 基于属性的测试 (Property-based testing) 思路 将这些建议转化为真实的测试，以提高可靠性。
- 在约束条件下进行重构 模糊的提示词会导致糟糕的代码。请使用具体的指令：
- “在不改变行为的前提下，降低圈复杂度。”
- “提取纯函数并使副作用显式化。”
- “保持公共 API 不变，但优化命名。” 约束条件能让输出结果更易于审查。
- 请求特定上下文的解释 当你提供项目细节时，AI 能帮你学得更快。可以这样问：
- “为什么这个 React 渲染在 StrictMode 下会发生两次？”
- “根据这个 SQL 查询计划，延迟的原因是什么？”
- “在这个特定的代码库中，我应该把这个校验逻辑放在哪里？”
- 遵循验证闭环 AI 经常会以极高的自信度给出错误的细节。请遵循以下规则：
- 如果能编译通过，就去测试它。
- 如果涉及安全性，请进行两次审查。
- 如果它陈述了一个事实，请核实来源。
使用此提示词模板以获得更好的结果：
- 目标 (Goal)：你想要实现什么。
- 上下文 (Context)：你使用的语言和框架。
- 输入 (Input)：你的代码、日志或错误信息。
- 输出格式 (Output format)：列表、步骤或 diff。
- 约束条件 (Constraints)：性能、可读性或不引入新的依赖。
示例： 目标：降低 API 延迟。 上下文：Node.js 和 Postgres。 输入：端点代码和查询。 输出：5 项改进建议列表。 约束条件：本迭代 (sprint) 内不进行 Schema 变更。
你在日常工作中是如何使用 AI 的？
Source: https://dev.to/imkrunal/using-ai-in-your-daily-dev-workflow-without-the-hype-57b1
Optional learning community: https://t.me/GyaanSetuAi