程序员把需求扔给 AI,按回车,几百行代码立刻顺着屏幕往下淌,光标跳得像有人在替你加班。三分钟,一个能跑的接口就躺在编辑器里了。复制,粘贴,运行,接口返回 200。上线。
接着呢?
先讲个亲身经历的事。
某公司的后端接口是 AI 生成的,写的时候图省事,直接拿用户输入拼 SQL。功能测试全绿,全部测试用例一次性测试通过。上线没多久,有人在参数里塞了半句 SQL,整库数据被拖走。
复盘会上所有人都在推责任,最后签字的人担责。问题是:这段代码上线之前,到底有没有人看过?
看过。看了一遍,跑了一下,没报错。
这大概是这两年最常见、也最贵的一次 "看过"。
AI 编程提效没什么可争的,十倍速写出来大家都认。可事故复盘里反复出现的那行字也一直没变:能跑,不等于能用。
AI 写得越快,烂代码产出的速度也跟着越快,审核跟不上,交付出去的就全是雷。
比方:AI 写代码像装修队给你装房子。
干活是真快,墙面刷得也漂亮,可水电走线全埋在墙里。隐蔽工程不出事则已,出了事,砸墙返工的是你,因为验收单上签字的是你。
所以没人验房只扫一眼 ------ 先核图纸,再查隐蔽工程,测水路电路负荷,看施工工艺,最后签字担责,一步不跳。
AI 代码的验收也是这么一条链。下面一个个说。
一、先对需求
AI 最贵的错误不在语法,在理解。
你要的是 "下单后扣库存",它给你写了个 "下单后发消息"。方向歪了,后面每一行都白看。
拿到代码先别急着逐行读,把接口签名、参数、返回值拎出来,跟业务需求一条条对,对不上直接打回重写。
二、再核对边界条件
AI 写正常流程特别顺,写完就像舞台剧谢幕,掌声一响就退场了 ------ 可演出中途有人闯上台、停电、道具塌了怎么办,它不演。
参数为空、数值越界、除零、超时、并发、第三方接口抖动,这些异常场景它不会主动考虑。
拿着清单逐项校验:
空值、异常捕获、重试机制、并发控制、事务回滚,缺一项补一项。
三、严格排查安全漏洞
AI 不是安全专家,生成的代码常常功能完好、暗门大开。
逐条自查:
- SQL 是字符串拼接,还是使用参数化查询?
- 用户输入有没有做校验与转义?
- 数据库密码是否明文写在配置文件?
- 日志会不会打印手机号、账号、明文密码?
涉钱、涉数据、涉权限的模块,必须人工逐行复核。前面拖库的那家公司,栽的就是这一环。
四、评估线上性能
功能对不对是一回事,扛不扛得住流量是另一回事。
AI 特别容易写出低效代码:
- 循环里查询数据库,产生 N+1 问题
- 一次性读取全表数据,不分页
- 热点数据不加缓存,裸奔访问数据库
- 锁粒度过大,直接锁住整张表
- 线程池参数随意填写
测试环境只有几十条数据跑得飞快,一旦上线面对千万级数据,系统直接崩溃。
看代码时必须自问:这段逻辑放到线上大数据量下会怎么样?会不会出现慢查询、内存暴涨、资源争抢?
五、保障可维护性(最容易被忽略)
AI 起的变量名经常匪夷所思,方法臃肿冗长,注释残缺不全。
当下勉强能看懂,三个月后连自己都看不懂,接手的同事更是无从下手。
重点检查这几项:
- 变量、方法命名是否清晰规范
- 单个方法职责是否单一,不堆砌逻辑
- 重复代码有没有抽离成公共方法
- 有没有过度设计、炫技式写法
长期维护代码的始终是人,AI 不会替你接锅。
六、守住测试这道闸门
没有测试的 AI 代码,坚决不许上线。
单元测试、边界用例、异常场景、集成测试、回归测试,一项都不能少。
AI 可以自动生成测试用例,但千万不能全盘信任:
它经常写出 "看似在执行,实则没有断言" 的空测试,还会漏掉并发、高并发这类高危场景。
还记得开头的事故吗?当时功能测试也是全线通过。
七、上线不等于结束,必须做好预案
真正的考验,从流量涌入那一刻才开始。
提前确认:
- 核心链路有没有埋日志?
- 关键指标有没有监控?
- 异常告警能否及时推送到手机?
- 故障几分钟内可以完成回滚?
- 回滚之后,脏数据如何清理?
这些内容 AI 一概不会设计,应急预案只能自己落地。
最好上线前演练一次回滚,别等到出事才发现回滚脚本早已失效。
八、认清责任:签字的永远是人
这一环最重,也最容易被含糊过去。
AI 只是工具,上线审批单上签字的是你。一旦发生线上事故,复盘报告的责任人一栏,只会写你的名字,不会标注模型。
就像装修:工人施工再快,验收也要你亲自签字;隐蔽工程出问题,追责只找签字人。
八个环节走完,流程确实繁琐。
但装修师傅从来不会省略隐蔽工程验收,省下的每一道工序,最后都会由业主买单。
写代码的人心里都该有这样一个画面:
凌晨三点,告警电话突然响起,屏幕铺满堆栈日志。你顶着睡意、捧着冷咖啡逐行排查。
查到这段代码时,你希望能坦然说出:我看过,我测过,我签过字。
而不是一脸茫然:这段代码是谁写的来着?
三分钟写完的代码,值得花三天认真验收。