AI编程做大型项目(一):会拆分的人+AI=10倍效率
AI编程做大型项目（一）：会拆分的人+AI=10倍效率
本系列共5篇，每天一篇：
– （一）会拆分的人+AI=10倍效率 ← 你在这里
– （二）从0到上线的完整流程
– （三）七道质量防线+人怎么把关
– （四）多Agent协作+三条实战路径
– （番外）为什么有了AI，你反而更需要软件工程
但把AI放到一个真正的大型项目里——前后端分离、上万行代码、多个模块协作——结果就是：改了A模块，B模块就报错；修了B模块，C模块的测试又挂了。改了三天，bug越改越多。
这不是个别现象。GitHub 2025年开发者调查显示，开发者每周花8.5小时在代码审查上，其中40%的时间在修复AI生成但没检查的问题。
会拆分的人 + AI = 10倍效率，不会拆分的人 + AI = 10倍混乱。
本文讨论的”大型项目”标准：前后端分离、代码量过万行、涉及多个功能模块、需要长期维护、有生产级质量要求。
多数人用AI编程时，过度聚焦编码环节——把AI当打字机，忽略了前期的设计和后期的验证。
传统软件工程有个经典规则：40%设计 — 20%编码 — 40%测试。AI编程不仅没过时，反而更重要了。
“`
40%时间 → 前期（写代码前）
需求分析 → 可行性验证 → 技术选型 → 数据模型设计
→ API契约设计 → 架构设计 → 风险识别 → 计划拆分
产出：/docs目录下的完整设计文档
20%时间 → 中期（编码阶段）
功能开发（TDD模式）→ 代码自检 → 规范提交
产出：功能代码 + 测试
40%时间 → 后期（测试上线）
集成/E2E测试 → 安全审计 → 性能优化 → 文档编写 → 发布
产出：测试报告 + 安全审计 + 完整文档
“`
半小时的前期调研，可以避免后续数天的返工。——CSDN（进击的阿三姐，2026-03-30）
为什么前期更重要了？ 因为AI执行速度极快，如果你方向搞错了，它会在错误的方向上飞速跑很远。传统开发中，手工编码慢，问题暴露得也慢；AI编码快，问题暴露得也快——但修复成本也更高，因为你可能在错误基础上又堆了几百行代码。
“`
Level 1: 项目级（Mega Plan）
“做一个任务管理SaaS系统”
↓ 拆解为
认证模块 + API模块 + 数据库模块 + 前端UI模块
Level 2: 功能级（Feature）
“认证模块”
↓ 拆解为
JWT认证 + 密码哈希 + Session管理 + OAuth登录
Level 3: 任务级（Story）
“JWT认证”
↓ 拆解为
[ ] 写JWT中间件（30分钟）
[ ] 写token刷新逻辑（45分钟）
[ ] 写单元测试（30分钟）
[ ] 更新API文档（15分钟）
“`
– Level 1 → 整体架构文档
– Level 2 → 每个模块的PRD + Design Doc
– Level 3 → 具体可执行任务（每个1-4小时）
不同层级可以选不同模型：架构理解用最强模型（Opus/GPT-5级别），执行编码用快模型（Haiku/DeepSeek级别），省钱又高效。
一位使用AI编程一年的开发者（掘金，NO只是大东，2025-10-17）总结：
每次开新会话前，必须将三个核心文档喂给AI：PRD.md（产品需求文档）、技术文档.md（技术选型说明）、Task.md（任务清单，实时更新）。任务要足够细，每个任务最好在1-2小时内完成。 越细越好。
– ❌ “帮我写整个后端”（太模糊）
– ✅ “实现用户注册接口，包含输入验证（Zod schema）、密码哈希（bcrypt）和JWT返回。参考/docs/api-spec.md中的认证模块设计。”
你的团队现在拆任务有多细？每次给AI的指令大概多少字？
“`
Step 1（1小时）：基础CRUD + 权限检查
→ AI写代码 → 跑测试 → 确认通过
Step 2（1.5小时）：前端页面 + 表单验证
→ 新会话 → AI写页面 → 跑测试 → 预览效果
Step 3（1小时）：高级功能（优先级、截止日期、标签）
→ 新会话 → AI写代码 → 跑测试 → 确认通过
“`
核心原则：一个会话只做一件事。 设计文档写入文件，不依赖AI的对话记忆。因为上下文压缩会丢失细节，但文件不会。这就是”Durable Context”思想——文档是项目的持久化记忆。
规则和规范写入项目的规则文件（CLAUDE.md/CODEBUDDY.md），每次会话自动加载。篇幅控制在200行以内，超过200行AI开始忽略后面的内容。
“`
传统串行：模块A(4h) → 模块B(4h) → 模块C(4h) = 12小时
并行开发：
Wave 1: [模块A] + [模块B] + [模块C] ← 同时进行
Wave 2: [集成测试]
Wave 3: [代码审查]
= 约4-5小时
“`
判断能否并行的原则：修改不同文件→可以并行；有数据依赖→必须串行。
答案是TDD（测试驱动开发）。在AI编程场景下，TDD的效果被放大了数倍：
| 开发方式 |
首次通过率 |
需要修改轮数 |
最终质量 |
| 无测试直接让AI写 |
30-40% |
4-6轮 |
~70% |
| 先写测试再让AI实现 |
70-80% |
1-2轮 |
~95% |
| TDD方式（红-绿-重构） |
85-95% |
0-1轮 |
~98% |
来源：TDD与Claude Code测试驱动开发（CSDN，Robot侠，2026-01-21）。*注：此数据来自社区实践经验汇总，非受控实验结果，实际效果因项目和AI工具而异。*
1. 🔴 Red（你来做）：先写测试用例，覆盖正常输入、边界情况、异常场景。用参数化测试覆盖大量输入组合。
2. 🟢 Green（AI来做）：”我定义了[功能名]的完整测试套件，请实现使所有测试都通过的代码。” AI基于测试约束生成最简实现。
3. 🔵 Refactor（协作）：所有测试通过后，让AI优化代码结构、可读性、性能。测试套件是重构的安全网。
⚠️ 覆盖率陷阱：高覆盖率 ≠ 高质量。断言准确性比覆盖率更重要。
1. 40-20-40法则——前期设计和后期测试各占40%，编码只占20%
2. 三层分解——项目级→功能级→任务级，每个任务1-2小时
3. 会话隔离——一个会话只做一件事，设计文档写入文件
4. TDD驱动——先写测试再让AI实现，首次通过率85-95%
下一步：明天发布第（二）篇——从0到上线的完整流程，包括项目初始化、Monorepo分层配置、国内AI编程工具选择指南。关注公众号，别错过。
*数据截至2026年4月。AI工具行业变化快，部分数据可能已有更新。*
来源：
– GitHub 2025开发者调查报告
– AI任务分解全景（lukaxiya.github.io，2026-03-22）
– 一年AI编程实战（掘金，NO只是大东，2025-10-17）
– Claude Code项目管理指南（CSDN，进击的阿三姐，2026-03-30）
– TDD与Claude Code（CSDN，Robot侠，2026-01-21）
– Claude Code手册第十九章（joeyyu23.github.io，2026-03-31）
夜雨聆风
