AI 结对编程一年的故事
大约一年多前，我开始把 AI 工具带进日常开发流程——最开始是 GitHub Copilot，后来换成 Cursor，再后来是 Claude Code。
这篇文章是一个记录，不是教程。我想写下这段时间里真实发生的事：什么时候 AI 帮了大忙，什么时候让我差点出事，以及最终我的工作方式变成了什么样子。
一、第一个月：什么都想让 AI 写
刚开始用 Cursor 的那段时间，有点像刚买了一把锤子——什么都想砸。
第一周，我让 AI 帮我写了一个 FastAPI 的用户认证模块。30 分钟内，代码出来了，测试通过了，我提交了 PR。当时的心情是：这玩意真的太强了，以后我的效率要飞天了。
然后 code review 的时候，我的同事问：“这个 JWT 签名用的 secret 是从哪里来的？”
我打开代码一看——SECRET_KEY = "your-secret-key-here"。AI 生成的默认占位符，我根本没注意到，直接提交了。
当然那只是测试环境，没有真的泄漏什么。但这件事让我第一次意识到：AI 输出的代码，每一行都需要你真正看明白，不是说跑通了就完事。
关于这类 AI 生成代码中的常见陷阱，AI 编程常见错误与避坑指南里有更系统的整理。
二、第三个月：开始怀疑自己在退化
兴奋劲儿过去之后，我开始有点担心。
有一天，我需要写一个简单的字符串处理函数，脑子里刚想到逻辑，手已经在打开对话框了。等等，我以前可以直接写出来的，为什么现在第一反应是”问 AI”？
这种感觉让我停下来想了一段时间。我做了一个小实验：把 AI 工具关掉一周，只用文档和自己的脑子。
结果很有意思：写代码变慢了大概 20%–30%，但我明显更清楚自己在写什么了。遇到不确定的地方，我会认真读文档，而不是让 AI 给我一个”可能对”的答案。
一周后重新打开工具，我对它的使用方式有了明显变化：AI 是我的第二意见，不是我的第一反应。
三、第五个月：发现了 AI 真正的”甜蜜区”
用了几个月之后，我开始摸出规律——AI 工具不是对所有任务同样有用，有几类任务让我觉得”缺了 AI 简直是折磨”：
正则表达式和格式转换
写一个精确匹配特定日志格式的正则，手写的话我可能要花 20 分钟反复测试。现在我直接描述格式，AI 给出初版，我验证一下就可以了。节省的不只是时间，还有大量的心智负担。
不熟悉的框架的第一步
每次上手新框架，我最怵的是”第一个 Hello World 怎么跑起来”——环境配置、依赖版本兼容性、文件结构……这些 AI 处理得很好，能快速帮我越过”入门门槛”。
进了门之后，深度功能还是得自己啃文档。
重复性代码的生成
数据库的 CRUD、API 接口的 Pydantic schema、单元测试的 fixture——这类代码逻辑不复杂，但写起来枯燥且容易出笔误。AI 在这里的命中率极高，我能把精力留给真正需要思考的部分。
解释代码而不是写代码
有时候接手别人写的代码，逻辑很绕，注释又少。让 AI 解释一遍比自己慢慢读快多了。这个用法其实比”让 AI 写代码”更稳——因为 AI 解释的是已有代码，不是凭空生成。
四、第七个月：一次让我印象深刻的”协作失败”
大概七个月的时候，我在做一个数据处理任务：从外部 API 拉取数据，做清洗和转换，写入数据库。
我把整个任务描述给 AI，让它帮我设计方案。方案出来了，看起来很合理。我开始按照这个方案实现。
实现完一半的时候，我发现方案里有一个根本性的问题：它假设外部 API 的数据量是固定的，而实际上数据量可能超过内存限制。如果按这个方案跑，迟早会 OOM。
回过头来想，问题出在哪里？出在我把任务描述给了 AI，但没有给它关键的约束条件——数据量可能是 GB 级别的。AI 没有任何理由知道这一点，它给出的方案在它的信息范围内是合理的。
这次之后，我养成了一个习惯：在让 AI 做方案设计前，先列出所有约束：
- 数据规模：单次任务 10万–500万行
- 内存限制：容器 2GB
- 延迟要求：允许跑 2–6 小时
- 依赖限制：不能用 Spark（运维成本）把约束写清楚之后，AI 的方案质量明显提升了。
五、第九个月：切换到 Claude Code，工作流的一次重塑
大概第九个月，我把主要工具切换到了 Claude Code（用 API 中转接入，因为直连网络有时候不稳定）。
和 Cursor 最大的体感差别：Claude Code 更像一个可以执行任务的同事，而不是一个代码补全工具。你可以说”帮我把这个模块的所有函数都加上类型注解”，它会真的去做，不是提示你怎么做。
这个能力让我把一类任务彻底从自己的工作清单里移出去了：机械性的批量修改。
重命名一批变量、统一代码风格、给遗留代码补注释、把 Python 2 语法升级到 Python 3——这些任务我以前会做、但每次都很烦。现在直接交给 Claude Code，我去做别的事。
Claude Code 的 Agentic 工作流和任务执行能力，Claude Code 真实场景任务实践里有具体案例。
六、第十一个月：终于找到我的节奏
到大概第十一个月，我觉得自己摸到了一个稳定的节奏。
AI 工具做什么：
- 所有新功能的初稿（我会重写，但有初稿比从空文件开始快很多）
- 正则、格式转换、算法题的第一版（高命中率场景）
- 批量机械修改（节省大量枯燥时间）
- 代码解释和文档生成
- 单元测试脚手架
我自己做什么：
- 所有涉及安全的代码（认证、权限、加密）必须自己写，或至少逐行审查
- 系统设计和架构决策
- 数据库 schema 设计
- 性能敏感路径的优化
两者协作的节点：
- 我提需求和约束，AI 给初稿
- 我做 review 和修改，AI 根据我的意见迭代
- 最终决策（接受/拒绝/重写）永远是我的
这套分工不是”最优的”，它是”适合我的”。不同人、不同项目类型，最优节奏会不同。
七、对比一年前后的变化
一年过去，我尝试客观地总结一下：
| 维度 | 一年前 | 现在 |
|---|---|---|
| 写代码的速度 | 基准 | +20%–40%（任务类型高度相关） |
| 对 AI 输出的信任度 | 盲目信任 | 有分辨地信任 |
| 代码 review 的习惯 | 跑通就提交 | 看完每行再提交 |
| 工具切换频率 | 频繁 | 稳定在 Claude Code |
| 遇到问题时 | 先问 AI | 先想一下，再决定是否问 |
最大的变化可能是思维方式：我不再把 AI 工具当成”能帮我省事的黑盒”，而是把它当成一个需要你给清晰指令、需要你检查输出的工具型同事。
这个定位转变之后，失望少了很多，也不再觉得”AI 没有帮上忙是因为工具不行”——通常是因为我没有给出足够好的指令或足够完整的约束。
八、相关阅读
如果你也在寻找稳定的 Claude API 接入方式，YoTradeApi 提供国内可用的 Claude 全系列中转，让你专注于写代码而不是折腾网络。