🔧 阿川の電商水電行
Shopify 顧問、維護與客製化
💡
小任務 / 單次支援方案
單次處理 Shopify 修正/微調
⭐️
維護方案
每月 Shopify 技術支援 + 小修改 + 諮詢
🚀
專案建置
Shopify 功能導入、培訓 + 分階段交付

自從 2022 年 AI 程式設計開始流行以來,我一直對它持懷疑態度。後來,我改變了主意:我不再手動編寫大部分程式碼,而是讓 AI 產生 90% 的程式碼。說實話,我喜歡這種速度。

2023 年,我使用 ChatGPT 產生了大約 40% 的程式碼。這種體驗令人沮喪。我花在向 ChatGPT 解釋程式碼庫的時間比實際編寫程式碼的時間還多。LLMs (LLM) 給出的解決方案幾乎無法適應我的專案結構。我主要複製貼上樣板程式碼並調整數值。

然而,ChatGPT 在後端工作方面表現出色。當我建立我的第一個 Python 套件drf-api-key時,ChatGPT 處理了大約 60% 的工作。它搞清楚了 Fernet 加密,合理地建立了程式碼結構,為我節省了數小時的研究時間。

真正的突破發生在我八個月的休假期間,當時我發現了Cursor 。我接觸了這個工具,它幫助我快速建立了樣板化的啟動後端並處理了基礎設施工作。最初的那些體驗感覺就像魔法一樣。

Cursor 能夠以 ChatGPT 無法企及的方式理解現有程式碼庫。它可以讀取模式、保持一致性,並真正改進程式碼,而不僅僅是產生程式碼。

但即使是 Cursor 也有局限性。它難以相容於較新的框架,也無法存取更新的文件(現在Context7已經可以實現這一點)。我仍然會手動編寫配置,因為 Cursor 會產生完全錯誤的設定。

然後到了2024年11月。 MCP伺服器上線,Anthropic改進了他們的編碼模型,Claude Code問世, Gemini 2.5也確實非常有效率。現在我90%的程式碼都來自AI,而且我已經找到了除了寫函數之外的其他使用方法。

如果您尚未充分利用 AI 進行編碼,那麼您應該從以下方面開始。

在我們深入探討之前,我想先說一下:我寫的文章主要涉及 AI 輔助開發、產品建置和軟體工程。如果您想了解更多類似的內容,請訂閱我的電子報

人工智慧編碼感覺像魔術,但你就是魔術師

在使用人工智慧進行編碼並觀察其他開發人員為此苦苦掙扎的 12 個月後,我意識到了一些令人不安的事情:你在人工智慧編碼方面的經驗反映了你作為軟體工程師的實際水平。

史蒂夫哈維搖頭 GIF - Steve Harvey Scared Nope - Discover & Share GIFs

我不僅僅談論你的編碼技能。我談論的是一切:

  • 如果你沒有條理,你給人工智慧的指令就不會起作用。人工智慧會產生垃圾,因為你的要求是垃圾。

  • 如果你不了解自己的程式碼庫,就無法引導人工智慧保持一致性。你得到的只是孤立執行的程式碼,卻破壞了其他一切。

  • 如果你忽略了準備和規劃,AI 就會完美地建構出錯誤的東西。你會浪費數小時去除錯那些你從未正確定義過的問題的解決方案。

  • 如果您沒有耐心並且想要立即得到結果,那麼您會在第一次提示失敗後就放棄,而不是反覆尋找正確的解決方案。

  • 如果您的程式碼審查習慣較差,您就會發送 AI 生成的錯誤,因為您認為 AI 做對了。

一開始我靠「魔眼」打轉,以為AI應該知道我想要什麼。結果卻讓我很沮喪。我申請LLMs的時候,結果平平無奇,然後就怪罪工具。

現實情況:AI 代理就像初級開發人員,速度極快,但需要明確的方向。你不會告訴初級開發人員「讓這個功能實現」然後就走人。你會解釋程式碼庫,向他們展示模式,並提出具體要求。

80/20 規則在這裡完美適用。軟體工程通常 80% 的準備工作,20% 的編碼工作。大多數開發人員會跳過準備工作,直接跳到提示。然後他們就會懷疑為什麼 AI 會產生垃圾程式碼。

我的工作流程正好相反:我使用人工智慧來幫助完成 80%(規劃),這使得 20%(編碼)變得微不足道。

當我接到一個任務時,我不會直接開始寫程式碼。我會讓人工智慧參與準備階段。我會給它關於問題、程式碼庫和約束條件的背景資訊。然後,我會讓它幫我起草一份詳細的計劃,幫我思考具體方法。

我請代理商幫我起草詳細的產品需求文件 (PRD)。我不用自己寫 PRD,而是向代理商提供背景訊息,然後由代理商制定計劃。這迫使我思考我真正需要什麼,而代理商會以一種讓實施變得顯而易見的方式組織它。

我的工作流程:

  1. 向代理商提供您的票證描述、Figma 設計和文件。

  2. 讓其起草PRD和實施計劃。

  3. 共同審查並完善計劃。

  4. 讓代理人做飯,並重複工作。

PRD 起草工作流程

在準備階段,你其實是在扮演魔術師的角色。你要教導人工智慧你需要什麼、如何思考、什麼是好的。之後的編碼幾乎就變成機械式的了。

改變我一切的工具

我目前的 AI 編碼堆疊:

游標

我的主要編碼環境。它擅長理解大型現有程式碼庫。

我使用 Claude Sonnet 4.5進行實際編碼,使用 Gemini 2.5 Pro 進行 PRD 起草或除錯複雜問題。 Cursor 在某些方面表現不佳,例如跨多個檔案的大規模重構,它可以修改程式碼,但並非總是考慮更廣泛的架構影響。

MCP 伺服器

這是 2025 年的遊戲規則改變者。 MCP(模型上下文協定)將LLM連接到外部工具和 API,賦予它們超越文字生成的真正能力。

我的 MCP 設定:

  • Figma MCP - 代理直接讀取設計並了解元件結構。

  • Context7 - 讓代理可以存取任何框架的最新文件。

  • AWS CloudWatch、Sentry、Resend - 用於基礎設施監控和通知。

克勞德·科德

它負責基礎設施和部署工作。

我在專案根目錄中儲存了一個CLAUDE.md文件,它定義了我的基礎架構標準和部署工作流程。文件頂部如下所示:

# Deployment Workflow
- Create timestamped database backup in /root/.backups-db/
- Pull latest changes from git (main branch)  
- Rebuild and restart Docker containers
- Run Django migrations and collect static files
- Verify all containers are healthy and services respond

## Critical Rules
- Never expose secrets in code or commits
- Always backup before deployment
- Use placeholders in documentation

當我部署時,Claude Code 會讀取這個檔案並嚴格遵循工作流程。它會備份資料庫、部署必要的更新、執行健康檢查,並透過電子郵件向我發送報告。

我還設定了一個 cron 任務,每 6 小時執行一次健康檢查。整個可觀察性管道由 Claude 程式碼和 Markdown 指令管理。

人工智慧的優勢(以及劣勢)

後端:人工智慧的最佳點

LLM 非常擅長處理後端開發。 API、資料庫模式、業務邏輯:這些都是具有清晰模式的結構化問題,而這正是 AI 的優勢所在。

關鍵在於為你的 AI 代理提供關於程式碼庫的完整上下文。記錄你的模式、程式碼標準和架構決策。當代理商理解你的專案結構時,它就能在各個功能之間保持一致性。

對於集成,我將 API 文件提供給我的編碼代理。它會讀取文件,理解身份驗證流程,並實現整合。如果供應商提供 MCP 伺服器(例如 Sentry),代理可以直接研究實作模式。否則,Context7 會允許代理程式存取任何框架的文件。

注意事項

務必檢查代理程式產生的內容。它可能會建立可以執行但無法擴展的程式碼,或者在未設定明確約束的情況下過度設計簡單的任務。

告訴代理該做什麼,更重要的是,不該做什麼。否則,它們往往會變得過於複雜,並產生不必要的解決方案。具體說明你的限制:“使用現有的身份驗證中間件,不要建立新的”,或“控制在 50 行以內”。

前端:很棒,但還不夠好

人工智慧的前端開發很複雜。我現在的前端編碼速度提高了 5 倍,但編寫不可維護程式碼的風險也更高了。

我的方法

我從小處著手。我讓代理建立單一元件,而不是整個功能。建立一個按鈕元件,了解它的工作原理,然後將其組合成更大的結構。

對於複雜的功能,我使用 Figma 的 MCP 伺服器為代理提供視覺上下文。但不要指望它能從一張截圖理解完整的設計系統。應該將設計分解成元件,然後逐一實現。

帶有 AI 的前端比後端需要更多迭代。您需要仔細檢查產生的程式碼,並根據需要不斷優化提示。如果這聽起來很繁瑣,請堅持手動建立元件。

基礎建設:出奇的強大

這最讓我驚訝。 AI代理在基礎設施任務方面表現出色。

當我使用 Claude Code 或 Cursor 建立 VPC、配置安全性群組或編寫 CloudFormation 範本時,它們比我手動操作更能準確完成所有細節。基礎架構非常複雜,即使是經驗豐富的工程師也很少能一次部署成功。

我實際建造的東西

自動交易系統(7小時)

我從2018年開始研究市場走勢,最近還參加了演算法交易的課程。演算法交易的真正工作是製定自己的策略:理解指標、回測參數,並找到在真實市場中真正有效的策略。這需要數月的專注學習。

但我不會等六個月才開始交易。

我的方法如下:首先建立基礎設施(資金管理、執行、監控),使用第三方訊號作為訓練輪,然後在開發完成後換入我自己的演算法。

手動建立交易基礎設施的問題在於:整合數量之多。 Telegram API、訊息解析、 MetaAPI執行、電子郵件監控、資料庫追蹤以及部署自動化。每一項可能需要數天才能正確實施。

借助人工智慧,我花了7個小時就完成了所有搭建。現在,在系統執行外部訊號的同時,我還可以研究技術指標並制定自己的策略。準備好後,我只需插入我的演算法,整個基礎設施就已經經過了實戰檢驗。

我現在正在建立無聊的部分,以便我可以專注於有趣的部分:實際的交易策略。

它的作用:

  • 讀取來自交易頻道的電報訊息。

  • 使用 OpenAI 代理程式將訊號解析為我想要的格式。

  • 執行前驗證交易。

  • 透過 MetaAPI 自動進行交易。

  • 監控部位並調整停損/獲利水準。

  • 每 6 小時發送一次健康報告。

我的交易應用程式架構

人工智慧如何提供協助

Cursor 在幾個小時內建立了 Django 後端(PostgreSQL + Celery)。我提供了架構文件和需求,它產生了 API、資料庫模型和後台任務。

Claude Code 負責部署和監控。我有一個 cron 任務來執行健康檢查:

claude --dangerously-skip-permissions --print "Perform a health check for the trading application and send an email report. Read /root/MONITORING_EMAIL_PROMPT.md to understand the format and information required. Use the sender email [email protected] and recipient [email protected]. Important: Approve all file read operations and email sending automatically."

以下是我收到的電子郵件範例:

收到來自 Claude 程式碼的電子郵件

Claude Code 會閱讀監控指令,檢查系統狀態,並透過電子郵件向我發送詳細報告。整個可觀察性流程無需人工幹預即可運作。

我甚至在Gram上搭建了一個 MCP 伺服器。我只需要我的 OpenAPI 文件,其中包含我想要公開的端點,Gram 就會產生 MCP 伺服器。

Gram 工具集

現在我可以直接從 Claude Desktop 監控或進行交易。

Claude Desktop 回應

我必須解決的問題

讓 Claude Code 處理部署帶來了一些有趣的問題。我使用 Telethon 接收來自 Telegram 的訊號,這會建立一個會話檔案。每次部署時,該檔案都會被刪除,導致我的 cron 作業在嘗試讀取訊息時失敗。

原來是 Claude Code 清理了文件以保持乾淨狀態。除錯它花了大約一個小時。我的解決方案是:將會話檔案移出專案目錄,然後在容器建置時複製進去。

我遇到的其他問題:

  • 幻象函數: Cursor 偽造了不存在的驗證函數。我不得不強制它讀取 Context7 的實際文件並修復它。

  • 錯誤的環境配置: Claude 在生產環境中設定了USE_SQLITE=true ,所以我的資料被寫入檔案而不是 PostgreSQL。還好,我在每次部署前都執行了備份,並恢復了資料。

MCP 配置產生器(45 分鐘)

我建立了很多 MCP 伺服器,並且厭倦了手動為不同的工具編寫設定檔。

MCP 配置生成器專案

我把 MCP 規格和我寫的設定範例交給了 Cursor。它產生了一個工具,可以輸出我需要的任何 MCP 伺服器的有效配置。這 45 分鐘的工作量讓我每次啟動新專案時都能節省 15-20 分鐘。

我從不違反規則

我把人工智慧運用到各方面:建構技術寫作的POC、開發後端和前端,以及部署基礎架構。以下是我始終遵循的兩條規則:

規則 1:深入了解專案、程式碼庫和需求

如果你不知道自己要去哪裡,就無法給予正確的方向。人工智慧代理會增強你的理解力,但不會取代它。如果你不了解你的架構,你的程式碼代理就會產生今天能用,明天就崩潰的程式碼。

規則 2:永遠不要授予 AI 代理破壞性權限

我配置了 IAM 策略,以便我的編碼代理可以建立和更新資源,但絕不會刪除它們。當出現問題時(這種情況肯定會發生),代理人會先嘗試幾種解決方案。但多次嘗試失敗後,它會預設使用最核心的選項:刪除並重新建立。這就是資料遺失的原因。

我有一個例外:為了實現基礎設施自動化,伺服器上需要 sudo 存取權限。這雖然有風險,但對於部署腳本來說卻是必要的。不過,在生產環境中,我從來不會這麼做,因為在生產環境中我會建立特定的使用者角色並定義權限。

最後的想法

寫程式碼從來都不是我在軟體工程中最喜歡的一部分。我真正在意的是解決問題。人工智慧讓我可以花更多時間在這上面,而不是在樣板程式碼上浪費時間。

我花了7個小時建立一個交易系統,如果手動操作的話,這得花上幾週時間。現在,我把時間都花在完善策略上,而不是除錯Django模型。這就是人工智慧程式設計真正帶給你的好處:減少繁瑣的工作,更專注於真正重要的事情。

選一個你一直拖延的事情,因為它感覺設定工作太多了。讓人工智慧產生結構,然後把它變成你自己的。你很快就會明白人工智慧的優勢所在,以及你需要介入的地方。工具就在這裡。問題在於你是否願意改變你的工作方式。

如果您已經使用 AI 編寫了大部分程式碼,請在評論中分享您的經驗:您的方法、工具以及您學到的知識。

如果您喜歡這篇文章並希望獲得更多類似的見解,請訂閱我的時事通訊,每週都會將提示、教學和故事直接發送到您的收件匣!

資源

本文提到的工具:

  • Cursor-人工智慧程式碼編輯器。

  • Claude Code – 與 Claude 一起實現基礎設施自動化。

  • Context7 ——AI 代理程式的文件存取。

  • MCP 協定-模型上下文協定規範。

  • Gram – MCP 伺服器託管。

延伸閱讀:


原文出處:https://dev.to/koladev/i-think-you-should-let-ai-write-your-code-2jgj


精選技術文章翻譯,幫助開發者持續吸收新知。

共有 0 則留言


精選技術文章翻譯,幫助開發者持續吸收新知。
🏆 本月排行榜
🥇
站長阿川
📝21   💬9   ❤️4
601
🥈
我愛JS
📝4   💬13   ❤️7
258
🥉
御魂
💬1  
3
#4
2
評分標準:發文×10 + 留言×3 + 獲讚×5 + 點讚×1 + 瀏覽數÷10
本數據每小時更新一次
🔧 阿川の電商水電行
Shopify 顧問、維護與客製化
💡
小任務 / 單次支援方案
單次處理 Shopify 修正/微調
⭐️
維護方案
每月 Shopify 技術支援 + 小修改 + 諮詢
🚀
專案建置
Shopify 功能導入、培訓 + 分階段交付