AI辅助开发的完整提问与验证流程
用AI的回答来说：当前开发者的核心能力正在从"写代码"迁移到"定义问题 + 约束问题 + 验证结果 "的闭环能力，编码正在从核心技能变成执行技能。
用人类的话来说，现在AI基本上能指哪打哪，新时代码农需要锻炼高效判断下一步该"指哪" 的能力。
如何着手解决一个陌生领域的问题？以下是我自己结合近几天的实践理解，再加上AI补充润色后的结果：
先用 AI 建立问题轮廓，再通过最小 demo 验证关键假设，在运行反馈中不断修正认知，并逐步扩展系统边界。
一、建立问题地图
避免陷入细节
目标：知道有哪些路，而不是选哪条路
我正在解决一个关于【问题/场景】的任务。
请帮我建立这个问题的整体认知：
- 这个问题通常有哪些主流解决方案？（按类别划分）
- 每种方案的核心思路是什么？
- 各自适用于什么场景？主要优缺点是什么？
- 实际工程中最常见的坑或失败点有哪些？
请尽量用结构化方式回答，而不是长篇解释。
二、选最小方案 + 生成 demo
尽快进入真实反馈
需要让 AI 说明这个 demo 的假设和限制，以免带歪自己的认知
基于上面的方案，我想先实现一个"最小可运行版本"。
请帮我：
- 选一个实现成本最低、最容易跑通的方案
- 给出一个最小 demo（可以简化，但要能运行）
- 明确说明：
- 这个 demo 忽略了哪些问题？
- 在什么情况下会失败或不适用？
我现在的目标不是最优解，而是快速验证。
三、理解代码
不要问"这行代码什么意思"这种细节（可以单开会话问）
这段实现中，我更关心的是"整体设计"而不是语法细节。
请帮我解释：
- 这个实现的核心思路是什么？
- 数据/状态是如何流动的？
- 哪些地方是关键决策点？
- 如果我要修改或扩展，应该重点看哪里？
四、主动找问题（关键）
不要等运行时测出bug再问，先提前验证假设
基于当前这个实现，请帮我从工程角度分析潜在问题：
重点关注：
- 并发/多用户情况下会不会出问题？
- 数据一致性是否有风险？
- 性能瓶颈可能在哪里？
- 异常情况（错误输入/失败场景）如何处理？
请尽量具体，而不是泛泛而谈。
五、针对"关键问题"深入问（核心）
跑了代码，发现问题后问
我在当前实现中遇到一个关键问题：
【描述具体问题】
我希望你不要只给出解决代码，而是：
- 这个问题的本质原因是什么？
- 常见的几种解决思路有哪些？
- 各自的 trade-off（代价/风险）是什么？
- 在什么情况下应该选择不同方案？
最后再给出一个推荐方案，并说明理由。
六、扩展边界
代码基本跑通后
当前系统已经可以跑通基础功能。
我希望把它往更真实的工程场景扩展，请帮我：
- 如果用户量扩大10倍/100倍，会出现什么问题？
- 哪些地方需要重构？
- 应该优先优化哪些部分？
- 有没有更适合扩展的架构方案？
请按"优先级"排序，而不是全部一起讲。
七、每一轮都可以加的"元问题"
防止ai跑错方向
基于我们当前的进展，请帮我判断：
- 我现在的理解有哪些可能是错误的？
- 我有没有忽略关键问题？
- 下一步最值得验证的关键假设是什么？
请直接指出问题，不需要迎合我。