《AIGC辅助软件开发》读书笔记：瓶颈从写代码移到了说清楚
阅读方式：微信读书网页版，从版权页翻到第 13 章末，共 679 屏、13 章、13 分 36 秒。 覆盖面很全：工具、提示工程、技术文档、Android/iOS、前端、后端、测试、性能优化、疑难杂症、游戏、产品、架构师、求职。
先说我的结论：这本书最值钱的地方不在"AI 能写代码"，而在它无意间证明了——写代码这件事里，最难的部分从来不是写。
书名里的"10 倍效率"，我读完全书后的判断是：局部成立，整体打折。 后面细说。
一、全书最好的一个标题：写 Prompt 就是逐步明确需求
第 2 章第一节的标题是这个。我认为它比书名准确得多。
作者开篇讲了一段很朴素的话，但这段话把 AI 编程的真实成本说清了：
"在写程序前应有一个明确的目标……如果是别人的想法，你希望最好能写成明确的需求文档，正常逻辑和异常逻辑都能事先考虑清楚，而不是在写程序过程中反复沟通确认，甚至最后还要返工。"
注意"异常逻辑"三个字。
这就是 AI 编程和传统编程最大的行为差异所在。以前需求模糊一点没关系——程序员写着写着会问："这里如果用户没登录怎么办？" 这个追问，是人的常识在兜底。
现在你把模糊的需求丢给模型，它不会问。它会假定一切顺利，然后给你一段只能跑通正常流程的代码。 你运行成功，交付，上线，第三天出了事故。
所以"写 Prompt"这件事，本质上不是学话术，是逼自己把异常逻辑想完。这件事以前是被程序员的经验掩盖着的，现在被 AI 剥出来了，露出了它本来的样子——它一直是软件开发里最贵的那部分工作。
第 2.2 节给了提问的三条要求：清晰明确、给可参考的格式和案例、提供上下文。这三条听着像常识，但配上上面那个"异常逻辑"的视角，就变成了具体动作：
说清楚 = 说清正常流程 + 说清边界 + 说清出错怎么办。
二、它先帮你把想法说清，然后才帮你写
第 2.3 节的标题是"让 ChatGPT 在每个环节都发挥作用"，列了五件事：一起讨论商业计划、做产品 demo、找相似的开源项目、设计数据库、协助写商业计划书。
这五件事里，没有一件是写代码。
我觉得这个安排是这本书真正的洞见所在——它把 AI 的位置放在了"动手之前"。一个想法从模糊到能开工，中间要过的坎是：值不值得做、有没有人做过、数据怎么存、怎么讲给别人听。这四关，以前要靠经验或者找人问，现在可以先跟模型过一遍。
第 3 章接着讲技术文档：架构设计文档、技术方案文档（含技术调研、选型、系统架构、模块设计、数据库设计、接口设计、安全策略、部署方案、维护升级十个部分）、技术标准文档。
这一章我一开始觉得水——文档谁不会写。但读到那十个部分才反应过来：它不是教你写文档，是把一份完整技术方案的检查清单摊给你看。 大部分人写方案，漏的正是其中几项（通常是安全策略和部署方案）。
把它当清单用，比当教程用有价值。
三、13 章是一条完整的流水线
这本书的章节编排，其实就是软件公司的一条产线：
客户端（第 4 章，Android 与 iOS）、前端（第 5 章，Vue3 源码阅读、JS 方法查询、代码优化、TS 类型补全、正则表达式、Vue 组件生成）、后端（第 6 章，一个生鲜小超市，从建表到支付到上线，11 个功能走完）、测试（第 7 章）、性能（第 8 章）、疑难（第 9 章）。
其中我认为投入产出比最高的两段，恰恰不是写业务代码。
第一段是文档。 它一次能出十页，你审十分钟。而且文档错了代价小，改起来快。
第二段是测试。 第 7 章从测试策略、测试计划、测试用例，一直到接口测试脚本和 Web 登录页自动化脚本。这一段被严重低估了——因为写用例比写代码更适合交给模型：用例有模板、有格式、对错好判断，正好落在它的强项区。
反过来，最难替代的是第 9 章那种"疑难杂症"。原因下一节说。
四、全书最诚实的一节：它会一本正经地骗你
第 9.4 节标题叫「警惕小众场景下的误导性回答」。这一节，是我认为全书最有价值的三页。
"ChatGPT 作为一个问答式的大数据模型，本质上是通过大量的数据集训练而成的，但是在某些偏门的问题上，一般很少有什么'准确答案'，加上此类问题稀少，数据集也少，导致 ChatGPT 给出的不少偏门问题的回答有很强的误导性。尤其是在软件开发领域，一个错误的方向可能就会浪费掉软件工程师一天的时间去定位和排查。"
然后作者没有停在"提醒"上，他给了两个自己踩过的坑。
坑一：Pixi JS 4.x 版本的纹理坐标范围。 他用 shader 做特效，发现传入的纹理坐标和计算结果对不上。查了 GLSL 代码没问题，最后怀疑是引擎默认的坐标范围，才去问模型。注意这个顺序——他是先自己排查到只剩一个疑点，才去问的。
坑二：部分安卓浏览器里禁止滚动失效。 也是一个特定环境下的兼容性问题。
两个坑的共同特征是：问题足够小众，小众到训练数据里几乎没有。 而模型的应对方式不是沉默，是生成一个看起来合理的答案。
这就是我读完这一节最想记住的一句话：它从不说"我不知道"。
所以判断法则是反直觉的：越是你熟悉的领域，越要验它的答案（因为你能验，且错了代价大）；越是你陌生的领域，越不能直接信（因为你验不了，而它照样答得流利）。
作者那句"一个错误的方向会浪费一天"，说的是排查成本——被误导的代价不是写错一行代码，是把时间花在错误的路上。
五、"10 倍效率"要打个折
书名承诺 10 倍。我按书里的案例估一下，这个数字在不同环节差别很大。
文档、用例、样板代码、正则表达式、类型定义——这些确实可能有 5 到 10 倍。因为它们有明确模板，产出可校验，返工成本低。
业务逻辑、架构设计、疑难排查——大概 1.5 到 2 倍。因为瓶颈不在打字，在判断。而判断这件事，模型只能给选项，不能替你负责。
接手陌生代码、跨版本兼容、性能调优——可能是负的。第 9 章那两个坑就是例子：你花在验证它答案上的时间，可能超过自己查的时间。
所以"10 倍"更准确的说法是：在那些"有模板、可校验、错了不致命"的环节上，接近 10 倍；在需要判断和担责的环节上，倍数迅速衰减。
这本书的另一个短板是时效。它讲的是 GPT-4 时代的 ChatGPT、Copilot、Cursor、Bito、AutoGPT，工具名单变化很快，具体操作步骤现在照做大概率对不上。但第 2 章那套"把需求说清"的方法论，和第 9 章那个"警惕误导"的判断力，是不随版本变的。
六、一句话
AI 编程真正改变的不是"写代码的速度"，是把"想清楚"这件事从隐性成本变成了显性成本。以前你可以糊里糊涂地开工，让代码在试错中长出来；现在你糊里糊涂，它就糊里糊涂地给你写完，然后你在错误的方向上跑一整天。所以学会用 AI 编程，本质上是学会在动手之前把话说清楚。
这门手艺，跟 AI 没关系。它一直是软件开发里最难、也最没人愿意练的那部分。
阅读记录：微信读书网页版逐页翻阅，679 屏 / 13 章 / 13 分 36 秒。
本书知识图谱见文中配图，原图地址：https://www.jiangtian.top/zb_users/upload/kg/aigc-dev-map.png
发表评论: