前端团队 3 个月 AI 实践复盘：哪些场景 ROI 最高，哪些是伪需求

用 AI 辅助开发 3 个月了，5 人团队，每个人都在用。有些场景效果炸裂，有些场景投入产出完全不成正比。

这篇是一个诚实的复盘------不吹不黑，按 ROI 排序，帮你判断该在哪里投入精力。

ROI 排行榜

场景                    投入        产出         ROI
────────────────────    ────────    ────────     ────
1. Steering/规范配置     2h          持续收益     ★★★★★
2. 重复性表单页开发      0           节省 60%     ★★★★★
3. Code Review          1h 配置     持续收益     ★★★★☆
4. 提测文档生成          30min       节省 80%     ★★★★☆
5. 组件重构              对话时间    质量提升     ★★★☆☆
6. 接口联调              对话时间    节省 30%     ★★★☆☆
7. 写单元测试            对话时间    覆盖率提升   ★★☆☆☆
8. 复杂业务逻辑          大量对话    效果不稳定   ★☆☆☆☆
9. 调试线上 bug          大量对话    几乎无效     ☆☆☆☆☆

第一梯队：配一次、受益永远

Steering 配置（ROI 最高）

花 2 小时写好项目的 steering 文件，之后每次 AI 生成代码都自动遵守规范。

投入：
├── 技术栈描述：30min
├── 项目结构约定：30min
├── 代码风格禁忌：30min
└── 常用命令/接口文档引用：30min

产出（每天都在生效）：
├── 新增页面不再需要"改成 dayjs"
├── 不再需要提醒"用 CSS Modules"
├── 路由注册位置自动正确
└── import 路径自动使用 @ 别名

重复性表单页（节省 60% 时间）

B 端后台 70% 的页面是"表格 + 表单 + 搜索"。这类页面 AI 生成准确率极高：

输入：
├── 指定一个现有页面做范例
├── 给出新页面的字段列表
└── 给出接口地址

AI 输出：
├── 完整的 CRUD 页面
├── 搜索条件
├── 表格列定义
├── 新增/编辑弹窗
└── 基本可用，微调 20min 上线

第二梯队：值得投入但需要技巧

Code Review（持续收益）

配置 AI CR 脚本后，每个 MR 自动审查。核心价值不是"找 bug"，而是：

AI CR 实际发现的问题分布：
├── 规范问题 (60%)：命名不规范、缺少类型、不一致的写法
├── 潜在风险 (25%)：未处理的边界、遗漏的 null check
├── 逻辑错误 (10%)：条件判断反了、循环退出条件错误
└── 架构建议 (5%)：可提取公共逻辑、建议拆分组件

最大价值：把 CR 中 60% 的"格式/规范"问题自动化
          → 人工 CR 聚焦在"设计合理性"上

提测文档（节省 80% 时间）

以前写提测文档要 30-60 分钟，现在：

给 AI：
├── 需求文档链接
├── 改动的文件列表 (git diff --name-only)
└── 提测模板

AI 生成：
├── 功能清单
├── 影响范围
├── 测试建议
├── 风险点
└── 准确率约 80%，花 5min 补充细节即可

第三梯队：有效果但 ROI 一般

组件重构

AI 能给出好的架构建议（如之前的 ImageUpload），但实现过程需要大量对话来对齐细节。

AI 擅长：
├── 架构设计（分层、分模块）
├── 接口设计（Props 定义）
└── 模式推荐（策略模式、管道模式）

AI 不擅长：
├── 理解现有业务背景（为什么这里要特殊处理）
├── 兼容历史代码（不知道哪些调用方不能改）
└── 处理"政治正确"的需求（产品说"先这样"的临时逻辑）

接口联调

帮你生成 TypeScript 类型定义和 mock 数据很快，但真正联调的问题往往是：

AI 能解决的：30%
├── 根据后端文档生成请求函数
├── 根据 JSON 示例生成 TS 类型
└── 生成 mock 数据

AI 解决不了的：70%
├── "后端说这个字段有时候不返回"
├── "测试环境接口挂了"
├── "文档和实际不一致"
└── "这个枚举值后端新加了但没告诉前端"

第四梯队：伪需求（投入大于产出）

复杂业务逻辑

AI 对"需要理解完整业务上下文"的逻辑表现不稳定：

示例：营销活动的优惠叠加计算

需要理解：
├── 6 种优惠类型的优先级
├── 不同渠道的互斥规则
├── 历史遗留的特殊 case
├── 产品口头约定但没写在文档里的逻辑
└── 这些信息分散在 10+ 个文件和 3 个会议纪要里

AI 的输出：
├── 技术上正确但业务上错误
├── 需要逐个 case 修正
└── 修正时间 ≈ 自己从头写的时间

线上 bug 调试

AI 无法 access 线上环境，不知道实际数据长什么样：

AI 能做的：
├── 根据报错信息猜测原因
├── 提供排查方向
└── 写修复代码（如果原因确定了）

AI 做不到的：
├── 看不到线上日志
├── 不知道触发 bug 的具体数据
├── 不理解"为什么只有这个商户出问题"
└── 调试效率 ≈ 0

团队最佳实践总结

第一周：配好 steering（30min/人）
         → 所有人立刻受益

第二周：沉淀 3-5 个页面范例
         → 新页面开发提速 60%

第三周：配置 AI CR + 提测文档模板
         → CR 效率提升、文档自动化

之后：   按需优化，不要过度投入
         → 接受 AI 有边界，用在 ROI 高的地方

数据对比（5 人团队，3 个月）

指标                    使用前       使用后       变化
─────────────────       ──────       ──────       ────
周均需求完成数           3.2          4.8         +50%
CR 规范问题数/周         12           3           -75%
新页面开发时间           8h           3h          -62%
提测文档编写时间         40min        8min        -80%
Bug 率                  持平         持平         ±0

Bug 率没变是因为：AI 减少了低级错误，但不减少业务理解错误。后者才是 bug 的主要来源。

给想推广 AI 的团队的建议

Do：
├── 从 steering 和范例开始（成本低、见效快）
├── 先让 1-2 人试跑，再推广
├── 量化数据说话（需求完成时间、CR 问题数）
└── 承认边界（别吹"10x 效率"）

Don't：
├── 一上来就要求全员用
├── 期望 AI 解决所有问题
├── 忽略"配置维护"的隐性成本
└── 用 AI 生成时间来考核开发（会导致质量下降）

---

💬 你们团队用 AI 辅助开发多久了？最大的收益和最大的坑分别是什么？

---

🔗 完整 Skills 源码已开源 ：github.com/sleepyccat/...，欢迎 Star ⭐ 和 PR。