AI编程的范式探索

使用 AI 从头编写应用项目的核心范式可以概括为 "人类负责架构与决策，AI 负责实现与迭代"，但根据项目规模不同，具体工作模式有显著差异。

范式：Vibe Coding / 单会话生成

流程：需求描述 → AI 一次性生成完整项目 → 人工微调 → 部署
特点：
- 允许 AI 自主决定技术栈和目录结构
- 通过多轮对话直接修改代码
- 人类角色偏向"产品验收员"而非"代码作者"
最佳实践 ：
- 在第一条 Prompt 中提供完整需求（功能、目标用户、部署环境）
- 要求 AI 生成 README.md 和项目结构说明，确保可维护性
- 使用 Cursor / Windsurf / Claude Code 等 IDE 集成工具

范式：模块化 AI Pair Programming

流程：
1. 人类设计系统架构和模块边界
2. 为每个模块编写接口定义（Interface/Schema）
3. AI 逐个模块实现（一次一个模块，保持上下文聚焦）
4. 人类进行集成和端到端测试
关键控制点 ：
- 接口契约：先写 API 定义或数据库 Schema，再让 AI 实现业务逻辑
- 编码规范 ：提供 .cursorrules 或 CONVENTIONS.md 文件约束 AI 风格
- 测试驱动：人类写测试用例，AI 写通过测试的代码（TDD 模式）

范式：AI 辅助的规范驱动开发（Spec-Driven + Agentic）

流程：
1. 架构阶段：人类主导，AI 辅助调研技术方案
2. 规格阶段：人类编写详细 PRD（产品需求文档）和架构文档，AI 转化为技术 Task 列表
3. 实现阶段 ：AI Agent 模式（如 Claude Code、Devin、OpenAI Codex CLI）自主执行多步骤任务：
  - 读取相关文件 → 理解需求 → 修改代码 → 运行测试 → 提交 PR
4. 审查阶段：人类 Code Review + AI 辅助审查（静态分析、安全扫描）
必备实践 ：
- 上下文分层 ：使用 docs/ 目录维护架构决策记录（ADR），AI 实现新功能前必须读取相关 ADR
- 模块隔离：微服务/单体模块化，确保 AI 修改一个模块时不会破坏其他模块
- 自动化护栏：CI/CD 流水线必须在 AI 提交代码后自动运行（测试、类型检查、Lint）
- 版本控制：AI 的每次修改必须作为独立 Commit/PR，方便回滚

复制代码

角色：你是一位资深 [技术栈] 工程师
上下文：本项目是 [一句话描述]，使用 [架构]，目录结构如下...
任务：请实现 [具体功能]，需满足：
- 输入/输出：[接口定义]
- 约束：[性能要求、安全要求]
- 参考：[类似实现或现有代码路径]
输出：仅返回代码和必要注释，不要解释

AI 自测 ：要求 AI 在提交代码前运行 npm test / pytest 等，确保测试通过
人类审查重点 ：
- 安全性（SQL 注入、XSS、密钥硬编码）
- 业务逻辑正确性（AI 常生成"看起来对但实际错"的代码）
- 性能陷阱（N+1 查询、内存泄漏）
快照对比：使用 Git 严格管理，AI 修改前后必须 diff 审查

反模式	后果	正确做法
完全放任 AI 架构	生成过度工程或耦合混乱的代码	人类必须先画架构图，再让 AI 填代码
超长上下文一次性生成	AI 遗忘前半部分，代码前后矛盾	拆分为独立模块，逐一生成
无测试直接部署	AI 代码表面运行正常，边界情况崩溃	强制要求 AI 生成单元测试
频繁切换 AI 模型	不同模型风格差异导致代码不一致	同一项目固定使用一个模型（如 Claude 3.7 Sonnet）
让 AI 直接修改生产环境	不可控的线上事故	AI 只操作本地/开发环境，部署必须经过人工审批

环节	工具推荐
IDE 集成	Cursor、Windsurf、VS Code + Copilot、JetBrains AI Assistant
AI Agent	Claude Code、OpenAI Codex CLI、Devin（复杂任务自主执行）
架构设计	Mermaid（AI 生成架构图）、Excalidraw
上下文管理	项目内 `docs/` + `.cursorrules` 文件
审查辅助	GitHub Copilot Code Review、CodeRabbit

AI 编程的范式正在从 "工具辅助" 向 "协作共创" 演进：

无论规模如何，清晰的规格定义 + 严格的模块边界 + 自动化测试护栏 是 AI 开发成功的三大支柱。人类的价值越来越体现在问题定义、架构设计和质量判断上，而非代码敲击。