我们正悄然步入一个软件构建的新时代，AI 工具如 GitHub Copilot、Cursor 等，不再仅仅是辅助手段，而是成为了真正的协作者。从函数建议、测试用例生成到文档编写，AI 正被直接整合到开发环境，成为我们编码方式的自然延伸。这种新的开发者范式令人兴奋，但也带来了一系列需要认真思考的问题：如何正确使用 AI，才能加速开发，而非制造新的障碍？
Greenfield 项目中的 AI 优势：心流般的“Vibe Coding”
在全新的 Greenfield 项目中，AI 的优势尤其明显。你只需设定目标，给出一些架构上的指导，它就能生成干净、模块化的代码。这种被称为“Vibe Coding”的方式，让人沉浸于流畅的开发体验中。无论是使用 Copilot 自动补全函数，还是使用 Cursor 生成完整的模块脚手架，AI 所带来的速度和信心都极具诱惑力。
例如，在创建一个新的 API 服务时，你可以仅仅用自然语言描述需求：“创建一个用户注册 API，接收用户名、密码和邮箱，进行验证并保存到数据库。” 然后，利用 AI，你可以快速生成 API 接口定义、数据模型、验证逻辑以及与数据库交互的代码。这意味着开发者可以将更多精力集中在业务逻辑和架构设计上，而无需花费大量时间编写重复性的代码。
根据 GitHub 的数据，使用 Copilot 的开发者完成代码的速度提高了 55%，这意味着 AI 辅助可以显著缩短 Greenfield 项目的开发周期。此外，AI 还可以帮助开发者快速生成单元测试用例、进行 API 堆栈的流程检查，甚至生成文档、OpenAPI 规范和错误处理脚手架。在这些场景下，AI 确实是提高生产力的倍增器。
Brownfield 项目的 AI 困境：陷阱与挑战
然而，当项目进入 Brownfield（已有代码库）阶段，情况就变得复杂起来。在充满遗留系统和“部落知识”的 Brownfield 项目中，AI 可能会成为一种阻碍，而非助力。
如果我们把现有的代码库视为一个黑盒，向 AI 抛出一些宽泛的提示，例如：
- “让这个服务更高效”
- “修复 UserService 中的这个 Bug”
- “重写这个模块，使其符合最佳实践”
那么，我们很可能面临的是开发效率下降，而不是提升。因为 AI 并不了解代码的复杂性，它缺乏上下文信息。在缺乏具体、明确的指导下，它会自信地做出错误的假设。最终，你可能需要花费更多的时间来审查、调试和清理 AI 生成的代码，而不是自己编写。
举个例子，假设你试图用 AI 优化一个已经运行多年的订单处理系统。这个系统可能包含复杂的业务规则、历史遗留问题以及各种难以理解的依赖关系。如果你简单地告诉 AI “优化订单处理流程”，它可能会引入新的问题，破坏现有的功能，甚至导致数据不一致。
上下文提示：与 AI 协同，而非对抗
解决 Brownfield 项目中 AI 困境的关键在于上下文提示。如果你正在处理一个不熟悉的代码库，应该向 AI 提供以下信息：
- 高层次的业务逻辑
- 文件夹或模块范围
- 具体的文件或函数
- 预期的输入/输出
要把 AI 当作一位新入职的初级开发人员。你的指令越清晰，结果就越好。
例如，如果你想让 AI 修改一个特定的函数，你可以这样提示它：“在 OrderService.java 文件中的 calculateDiscount 函数中，添加一个根据用户等级计算折扣的逻辑。如果用户等级为 VIP，则额外享受 5% 的折扣。” 这样的提示能够帮助 AI 更好地理解你的意图，并生成更准确的代码。
测试驱动开发（TDD）：应对 Brownfield 项目的有效策略
一个能够弥合 AI 在 Brownfield 项目中知识鸿沟的有效策略是回归到经典的测试驱动开发 (TDD)。首先，让 AI 编写测试用例。这能够强制 AI 遵循一个受约束的结构。然后，你可以自己或让 AI 编写代码，使其通过这些测试。
通过这种方法：
- 你给 AI 设定了一个明确的目标。
- 你保留了对设计的控制权。
- 你可以尽早发现逻辑错误。
例如，你可以先编写一系列单元测试用例，来验证订单处理逻辑的正确性，包括各种边界条件和异常情况。然后，你可以让 AI 根据这些测试用例，自动生成订单处理的代码。这样做可以确保生成的代码符合你的预期，并且能够通过所有的测试。
虽然 TDD 并不是一个新概念，但在 AI 时代，它却出奇地有效。它不仅能够提高代码的质量，还能够帮助 AI 更好地理解代码库，并生成更符合需求的解决方案。
未来展望：AI 的进化与开发者的角色
AI 正在快速发展。毫无疑问，它最终会学会更好地理解遗留代码。代码索引、上下文窗口、嵌入和代理检索等工具正在不断改进。
但在此之前，我们作为开发者的角色是精确地指导 AI：
- 提供严格的上下文。
- 有意识地使用提示工程。
- 避免过度依赖 AI 处理不熟悉或抽象的系统。
因为一旦你过度放权，缺乏足够的指导，AI 就会成为你的瓶颈，而不是加速器。
例如，在提示工程中，我们可以使用 Few-shot learning 的方法，为 AI 提供一些示例代码和对应的输入输出，帮助它更好地理解任务的需求。 此外，我们还可以利用工具链（Tool Chain） ，让 AI 结合代码分析工具、静态分析工具和安全漏洞扫描工具，生成更健壮、更安全的代码。
结论：AI 的未来取决于我们如何明智地使用它
我们正进入一个令人兴奋的新 范式，在这个 范式 中，AI 可以放大开发者的创造力、速度和质量——但前提是明智地使用它。
诚然，AI 可以编写你的测试、记录你的代码，并帮助你快速进行原型设计。但在现实世界中，现有的系统、复杂的代码和生产限制仍然需要一位资深开发人员的指导。善用 AI，你会惊讶于它所能达到的高度。它能够极大的提升 Greenfield 项目的速度，但是更需要谨慎的使用在 Brownfield 项目中，避免造成效率反噬。
例如，在大型互联网公司中，利用 AI 代码生成工具，可以极大的提高新功能的迭代速度。但同时也需要建立完善的代码审查机制和自动化测试体系，确保 AI 生成的代码质量符合要求。 通过不断学习和实践，我们可以掌握与 AI 协同工作的方法，充分发挥 AI 的潜力，推动软件开发领域的进步。