AI 编码助手如 Cursor、Windsurf、Lovable 和 GitHub Copilot 正在改变开发者写代码的方式，几分钟内通过输入一些提示就能将想法转化为可用应用，但这既令人兴奋也有风险，许多新开发者能构建功能却不理解代码原理。

目前大多数 AI 编码工具存在问题：

• 误解意图：不能完全理解开发者的意图，给出半正确的解决方案，若要求详细提示则成本高且费力，还易陷入循环或遗忘提示，导致更多调试时间。
• 不解释选择：大多数工具只提供输出而不给出理由，使高级开发者难以理解代码背后的假设和权衡，影响代码的长期可维护性。
• 缺乏任务结构和规划：只是生成代码块，未将工作分解为逻辑步骤，缺乏任务进度仪表盘，开发者处于被动状态。
• 测试太晚或根本没有：很少进行测试或只是表面测试，导致更多 bug 和风险，让高级开发者感觉 AI 像初级实习生。

高级开发者从 AI 中真正需要的是：

• 计划：在编码前明确范围、分解工作并制定任务计划，解决 AI 编码中的最大痛点——不一致。
• 编码与验证：不仅生成代码，还要通过单元测试和功能测试进行验证、调试和重写，直到代码通过所有测试，形成“编码-验证循环”。
• 拥有代码：生成的代码应带有上下文，如与目标的联系、选择方法或库的原因、与现有实现的变化及权衡等，输出应包含内联注释、代码差异和简单的变更日志。
• 安全沙盒环境：对于企业和专业开发者，信任不仅来自输出质量，还来自输出的生成方式，代码应在安全沙盒中运行和测试，避免上传源代码到外部服务器。

AI 编码的未来是协作的，高级工程师需要可靠、可解释和自主的队友，即能在编码前计划、测试每一步、解释决策并适应项目上下文的智能体，目前还需重新思考整个 AI 编码体验并构建这样的智能体。同时作者希望了解读者对 AI 助手在编码工作流中的期望、使用过虽有效但不合理的 AI 生成代码的经历、在实际项目中如何平衡速度和理解、希望现有 AI 编码工具具备但没有的功能以及是否认为 AI 工具应参与架构决策等。