AI Coding 使用心得：大型手写笔记 App 项目实战

最近入职新公司，有机会在陌生且复杂的大型公司级项目中，深度体验 AI Coding 工具的真实表现。

项目背景

项目是一款手写笔记类 App，已持续迭代维护超过 15 年，是我从业以来经历过规模最大、复杂度最高的项目。

使用感受：AI 在 Bug 修复上的准确度很高，对效率提升非常明显。

我累计解决了 8 个历史 Bug，基本每个 Bug 在 AI 协助下都能一次定位并修复。AI 不仅会给出具体方案，还会说明选择该方案的理由和依据，逻辑清晰。对于刚接手项目的开发者而言，我认为开发效率提升了约 70%。

在没有 AI 工具时，开发者接手陌生且复杂的项目，往往需要数周时间才能对代码全貌和核心流程建立基本认知。而现在，仅就修复 Bug 这一目标而言，几分钟内就能让 AI 完成相关代码的梳理与定位。

不过，Bug Fix 效率的提升也带来一个隐忧：开发者在修复过程中容易减少对项目整体的理解。这会导致后续开发新需求时，因缺乏深度认知，只能继续依赖 AI 做技术决策。一旦 AI 受上下文窗口限制，无法基于项目实际情况给出合适方案，就可能在新需求开发或重构中引发较严重的问题。

使用感受：AI 不能替代开发者做方案决策。

新需求开发时，我先让 AI 梳理相关历史代码和逻辑，并输出文档；再基于这些文档让 AI 制定修改方案。即便如此，AI 仍选错了方案。按该方案执行后，测试阶段不断暴露新问题。最终我评估后推翻 AI 方案，改用另一套方案开发，才顺利完成交付。后来与熟悉该项目的同事确认，他也认同我的方案。

这让我深刻意识到：AI 无法替代人对整体技术方案做最终决策，这一点必须有清醒认知。

及时止损：同一个 Bug 如果沟通两轮以上 AI 仍无法解决，就应人工介入，重新评估方向是否正确。
代码质量决定 AI 输出质量：AI 生成代码的质量高度依赖现有代码质量。AI 编码时代，公司级代码的准入标准需要更严格。
分优先级处理：用 AI 解决多个 Bug 时，先处理更明显或影响更大的问题。
常规工作自动化：对于根据测试 Bug 链接修改代码、处理 Code Review 意见等常规工作，可以封装成 Skill 或命令，后续直接提供链接让 AI 自动处理。
给足信息：对问题或者需求的描述要给充足的上下文背景。不用担心啰嗦多余，细节能给多少就给多少。
善用 Claude Code 的命令
- clear：及时开启新对话窗口，例如一个 Bug Fix 结束后准备处理下一个。
- btw：用于询问一些临时性问题。
- compact：及时压缩上下文。
- rewind：当沟通方向或代码修改出现偏差时，回滚到正确状态。
- add-dir：添加其他目录到当前上下文。