如何更好使用 AI 辅助编程

目前主流的 ai 编程有哪些

chatGPT：小规模的代码迭代适合 claude/claude code：小项目的代码修改非常适合，搭配着 codemcp 可以实现本地代码的直接修改操作，相当于免费版的 cursor 及 claude code。 cusor：用下来还是效果不好，需要不能得到很好的满足 replit：适合小型原型的网站制作，发布可以一键式操作，不适合比较复杂功能的网站制作。

全局项目意识薄弱，不知道上下文，有时改动会破坏原来的逻辑。 ** 调试能力几乎为零 ** 它不会像人那样 “跑一下看看报什么错”，只能靠你自己测试。

ai 的局限性：

• 调试能力几乎为零：它不会真的执行代码、观察报错、断点调试。它是靠 “语言预测”（预测下一个合理的 token）来模拟代码逻辑的，所以：它只能 “根据你提供的上下文和报错信息” 做出推理；它 ** 不会主动执行代码去试错 **，更不会 “点调试” 看变量的值。
• 帮你加的不是你想要的：它倾向于 “写完整的答案” 缺乏 “风格偏好” 和 “项目语境”
• llm 只是预测并不理解
• AI 强在 “生成草稿”，弱在 “最终定稿”。
• AI 为什么在视觉执行上表现差：视觉审美是感性 + 理性结合，AI 目前只擅长 “理性模板”，漂亮的 ui 需要的是视觉语法比如：留白，对比等，不是 “语言模型语法”。
• AI 的 “审美突破” 不会靠单一的 LLM，而是靠 ** 感知、对比、表达、进化 **（强化学习 RL）四个能力协同。 未来真正 “懂审美” 的 AI，一定不是 “光会说话的模型”，而是 “能看、能比、能选、能改” 的多模态智能体。
• 🧠 AI 审美四力法则 → 感知 | 对比 | 表达 | 进化
  • 📍 感知：ViT / 图像分割 / 视觉注意
  • 📍 对比：CLIP / 对比学习 / 多模态嵌入
  • 📍 表达：多模态模型 / 视觉语言融合
  • 📍 进化：强化学习 RL / RLHF + 用户反馈

如何应对局限性

• 出问题时一定要 ** 把报错信息贴给它 **；
• 明确告诉它 ** 你的目标 **
• AI 不是真正 “理解你” 的人，它只是 “猜” 你可能想要什么，猜得多了、错的也多。
• 不是 “理解” 代码在干什么，而是 “根据上下文推测下一个最合理的代码片段”。
• AI 经常会写得 ** 太复杂、太满、太安全 **，这时你要自己动手 ** 删掉、精简成符合自己风格的代码 **。

如何更好的使用 ai

• 好的 prompt 就是在 “喂它正确的猜题环境”，让它 “猜得准”

• 不同场景下的提问，确实需要不同的 Prompt 模板。

  场景	提问目的	重点
  💻 写项目	让 AI 帮我写代码、改 bug、重构模块	讲清 ** 功能目标 、 已有上下文 、 风格偏好 **
  📚 学语言	学习语法、概念、应用场景	要求 ** 类比解释 、 不要代码也能懂 **
  🐞 Debug	解决某个报错、运行错误、类型不匹配	提供 ** 报错信息 、 期望行为 、 尝试过什么方法 **
  🧪 原型验证	快速出 demo、能跑就行	明确 **MVP 要求 **，强调 “不要加花”

• 好的 prompt 要包含以下内容：目角料规产

  • 我要干什么（目）
  • 你是干什么的（角）
  • 背景信息有啥（料）
  • 要求 / 不要（规）
  • 给我什么结果（产）

• 增强提问能力 - 语言学习：多读哲学书

• 提高审美 - 视觉学习：人的大脑天生擅长从大量视觉信息中 ** 自动提取规律 ，哪怕你没学过专业术语。感知学习，多看优秀的东西，自然就会有感觉。总是在 Dribbble、Behance、优秀品牌官网上看作品，你内心的参考系就越来越高；你喂给大脑什么，它就产出什么。 你看得多，就会 “形成判断力”；你看得精，就会 “形成审美力”。** 哪怕你说不清原理，但你知道 “什么是对的”。这就是感知学习的力量。