“技术是工具，智慧是方向。” ——《三体》

在当前人工智能代码生成技术快速发展的时代，开发者们对于这项技术的认知和态度呈现出截然不同的三种倾向。正如刘慈欣在《三体》小说中描绘的地球三体组织存在“降临派”、“拯救派”、“幸存派”三个派别一样，AI 代码生成领域也存在着相应的三种典型派别，每种派别都有其独特的认知误区和思维模式。

AI 代码生成降临派：过度依赖的盲从者

主要误区

误区一：做非常详细的传统设计文档

降临派开发者往往认为，只要编写出足够详细的传统设计文档，AI 就能够生成完美的代码。他们会花费大量时间撰写冗长的需求文档、架构说明和技术规范，期望 AI 能够直接将这些文档转换为可运行的代码。然而，这种做法忽略了 AI 代码生成工具的实际能力限制。AI 并不能完全理解复杂的业务逻辑和架构设计，过度详细的文档反而可能导致生成的代码偏离实际需求。

误区二：做非常完美的 Rules

这类开发者试图为 AI 制定完美无缺的规则集，认为通过精确的约束条件就能确保代码质量。他们会花费大量精力编写详尽的编码规范、命名约定和代码模板，期望 AI 严格按照这些规则生成代码。但实际上，AI 生成的代码往往存在难以预测的变化，过于严格的规则可能限制了 AI 的创造性，同时也无法保证生成代码的实际可用性。

误区三：追求最新的大模型以及最新的 AI 代码生成工具

降临派开发者对新技术有着盲目的追求，认为最新的大模型和工具就能解决所有问题。他们会不断地尝试各种新发布的代码生成工具，如 GitHub Copilot、Cursor、Claude Code 等，期望通过工具的升级获得质的飞跃。然而，这种做法往往导致时间和精力的浪费，因为工具的更新并不能根本性地改变代码生成的局限性。

深层根因

降临派的根本问题在于一气呵成的幻想和盲目追新的浮躁。他们期望通过一次完美的输入就能得到完美的输出，这种”一步到位”的思维方式导致了过度设计的倾向。同时，他们将技术工具视为万能的解决方案，忽略了开发过程中人的主观能动性和创造性思维的重要性。

AI 代码生成拯救派：理性质疑的保守者

主要误区

误区一：过大的项目不适合 AI 代码生成

拯救派开发者往往认为，AI 代码生成只适用于简单的代码片段或小型项目，对于复杂的企业级应用或大型系统架构，AI 无法胜任。这种观点源于对 AI 技术能力的低估。实际上，现代 AI 代码生成工具已经能够处理相当复杂的业务逻辑和系统架构，关键在于如何合理地拆解问题和设计合适的提示词。

误区二：AI 代码生成无法把控

这类开发者担心 AI 生成的代码不可预测、不可控制，认为无法保证代码的质量和安全性。他们过分夸大了 AI 生成代码的不确定性，忽略了通过适当的代码审查、测试和验证机制可以有效控制代码质量的事实。

误区三：AI 代码生成无法满足复杂业务需求

拯救派认为 AI 无法理解复杂的业务逻辑和特定领域的专业知识，因此生成的代码无法满足实际的业务需求。这种观点低估了现代大语言模型的理解能力和适应性。通过合适的上下文提供和领域知识输入，AI 可以生成符合特定业务需求的代码。

误区四：AI 生成的代码质量不高，主要还是代码提示

拯救派开发者认为 AI 生成的代码质量较低，只能作为代码提示或参考使用，无法直接用于生产环境。虽然 AI 生成的代码确实存在质量问题，但这种观点过于绝对化。通过适当的后处理和人工审查，AI 生成的代码可以达到相当高的质量标准。

深层根因

拯救派的根本问题在于缺乏对一流 AI 代码生成工具的实际体验。他们的质疑往往基于对旧版本工具的印象或道听途说的信息，而没有真正深入使用过最新的高质量 AI 代码生成工具。这种信息不对称导致了他们对 AI 技术能力的系统性低估。

AI 代码生成幸存派：务实平衡的实用主义者

幸存派代表了一种更加务实和平衡的态度。他们既不盲目崇拜 AI 技术，也不完全排斥其价值，而是基于实际需求和项目特点来选择合适的工具和方法。

主要特征

理性认知技术边界

幸存派开发者对 AI 代码生成技术有着清晰的认知，他们了解技术的优势和局限性，不会对 AI 抱有不切实际的期望。他们认识到 AI 是一个强大的辅助工具，但不是万能的解决方案。

注重实际效果

这类开发者更关注 AI 工具在实际项目中的表现和效果，而不是追求理论上的完美或技术上的先进性。他们会根据项目的具体需求、团队的技术水平和时间成本等因素来决定是否使用 AI 代码生成工具。

持续学习和适应

幸存派开发者保持着开放的心态，愿意学习新技术和新方法，但不会盲目跟风。他们会根据技术的成熟度和实用性来逐步采用新工具，确保技术选择与项目需求相匹配。

最佳实践

合理的工具选择

幸存派开发者会根据具体需求选择合适的 AI 代码生成工具。对于代码补全和简单逻辑生成，他们可能选择 GitHub Copilot 或 Tabnine；对于复杂的架构设计和业务逻辑，他们可能选择 Claude 或 GPT-4 等更强大的模型。

严格的代码审查

他们建立了完善的代码审查机制，确保 AI 生成的代码符合项目标准和质量要求。这包括功能测试、性能测试、安全性检查等多个维度的验证。

人机协作的开发模式

幸存派开发者倡导人机协作的开发模式，充分发挥人类的创造性和 AI 的效率优势。他们将 AI 作为编程助手，而不是替代品，保持人类开发者在关键决策和创新设计中的主导地位。

避免误区的建议

对降临派的建议

1. 避免过度设计：不要试图通过完美的文档和规则来约束 AI，而应该采用迭代式的开发方法，逐步完善代码。
2. 理性选择工具：不要盲目追求最新的工具，而应该根据项目需求选择成熟稳定的解决方案。
3. 保持人机协作：AI 是辅助工具，不是替代品，要保持人类开发者的主导地位。

对拯救派的建议

1. 实际体验新工具：不要基于传言或旧印象做判断，亲自尝试使用最新的 AI 代码生成工具。
2. 关注技术发展：AI 技术发展迅速，要保持对新技术的关注和学习。
3. 建立合适的评估标准：制定客观的评估标准来衡量 AI 代码生成的效果。

对所有开发者的建议

1. 持续学习：AI 技术发展迅速，要保持持续学习的态度。
2. 实践验证：通过实际项目来验证 AI 代码生成的效果，而不是仅仅依赖理论分析。
3. 平衡发展：在使用 AI 工具的同时，也要保持和提升自己的编程能力和思维水平。

个人经验

一些标准

• 文档及代码文件大小： 500行以下，这样一般的 AI 代码生成工具都能在2-3次以内读完，避免了过多的上下文丢失。
• 使用文档来代替Project Rules： Rules 的自更新至少现阶段很多的 AI 代码生成工具都做的不是很好，而文档可以更好地描述业务逻辑和数据结构，AI 代码生成工具不仅可以根据文档来生成代码，另外后续也可以成为一些规范文档。
• 谨防大模型的讨好性生成： AI 代码生成工具有时会为了迎合用户的期望而生成一些不切实际的代码，开发者需要保持警惕，确保生成的代码符合实际需求，躲让大模型做选择题。

项目开荒

1. 整体设计阶段：进行必要的PRD、概要设计、技术选型等前期工作，这部分可以使用GPT、Claude、Gemini、DeepSeek等工具来辅助，也可以直接使用国内的 AI 代码生成工具来协助生成这些文档，因为便宜，但是请注意不要完全依赖 AI 自动生成， 这部分我们需要搞清楚我们要做什么、如何做的大体框架，这些文档将大大降低你后续编写Prompt 的难度。
2. 初步实现阶段：在初步实现阶段，可以使用 AI 代码生成工具来生成一些基础的代码结构和模板，但仍需开发者进行必要的调整和优化。过度依赖 AI 生成的代码可能导致质量不高或不符合实际需求。
3. 模块拆分：在模块拆分阶段，可以使用 AI 代码生成工具来根据第一步的设计文档生成各个模块的设计文档，模块中最好能设计到具体的业务逻辑和数据结构，这样可以更好地指导后续的代码生成工作。
4. 模块代码实现：这个阶段我们需要根据根据模块设计文档来实现具体的代码逻辑。
5. 测试和验证以及修复：在代码实现完成后，使用 AI 代码生成工具来辅助编写测试用例和验证逻辑，确保代码的正确性和健壮性。
6. 提交Commit: 在完成代码实现和测试后，将代码提交到版本控制系统中，并记录相关的变更日志和注释，以便后续的维护和协作。
7. 代码审查和迭代（可选）：在提交代码后，进行代码审查和迭代，根据反馈进行必要的修改和优化，确保代码质量和可维护性， 通常我会加入一些架构设计和设计模式。
8. 再次测试和验证（可选）：在代码审查和迭代完成后，进行全面的测试和验证，确保代码的功能和性能符合预期要求。
9. 再次提交Commit（可选）：在完成测试和验证后，将最终版本的代码提交到版本控制系统中，并记录相关的变更日志和注释，以便后续的维护和协作。
10. 开始下一个模块的开发工作。

老项目增加新需求

1. 设计阶段：
   • 有需求文档：可以使用 AI 代码生成工具来对文档进行拆分。
   • 无需求文档：需要告诉 AI 整个逻辑流程，你想要做成什么样，然后让 AI 生成设计文档。
2. 代码实现阶段：根据设计文档来实现具体的代码逻辑。
3. 测试和验证：使用 AI 代码生成工具来辅助编写测试用例和验证逻辑，确保代码的正确性和健壮性。
4. 提交Commit: 在完成代码实现和测试后，将代码提交到版本控制系统中，并记录相关的变更日志和注释，以便后续的维护和协作。
5. 代码审查和迭代（可选）：在提交代码后，进行代码审查和迭代，根据反馈进行必要的修改和优化，确保代码质量和可维护性。
6. 再次测试和验证（可选）：在代码审查和迭代完成后，进行全面的测试和验证，确保代码的功能和性能符合预期要求。
7. 再次提交Commit（可选）：在完成测试和验证后，将最终版本的代码提交到版本控制系统中，并记录相关的变更日志和注释，以便后续的维护和协作。

工具使用频率

Claude Code > Gemini cli = Cursor > Windsurf > Copilot

MCP 使用频率

Context7 > Sequential Thinking > Notion > 21st.dev

结语

记住：AI 是工具，思维是核心，实践是王道。

你在使用 AI 代码生成时属于哪一派？有什么心得体会？评论区聊聊吧～