AI Coding Harness 系列 06:AI Coding 工作流——把 AI 嵌入真实开发流程

单独用 AI 写几行代码很容易，但如何把 AI 真正融入日常开发流程，提升整体效率而不是制造混乱？本篇给出可落地的标准工作流。

一、AI Coding 的五个阶段

如图所示，AI 辅助开发分为五个阶段，每个阶段有对应工具和关键原则。

二、阶段一：需求理解与任务拆解

这个阶段 AI 只做顾问，不做执行者。

你的任务：
- 读清楚需求文档/PRD
- 自己理解业务逻辑
- 拆解成可独立实现的子任务
- 确定技术方案

AI 的角色：
- "这个需求有哪些技术实现方案，各有什么取舍？"
- "这个功能用什么数据结构最合适？"
- "这个接口设计有什么问题吗？"

三、阶段二：构建上下文

在让 AI 写代码之前，先把"说明书"备好：

3.1 维护 .cursorrules / CLAUDE.md

# 项目上下文文件（二选一或都用）

.cursorrules    → Cursor 专用
CLAUDE.md       → Claude Code 专用
两者内容基本相同，维护一份，软链接另一份

3.2 用 Git 分支隔离

# 每个功能一个分支
git checkout -b feat/user-auth

# 这样 AI 生成的代码出了问题，直接丢弃分支
git branch -D feat/user-auth

3.3 准备参考代码

把相关的现有代码文件提前打开：

• 类似功能的已有实现

• 要修改的文件

• 相关的工具类和模型

四、阶段三：AI 生成代码

任务粒度选择

实时开发中的 AI 使用节奏

一个典型的功能开发流程：

1. Cursor Chat：确认实现思路（5 分钟）
   → "这个用 Redis 做缓存还是内存缓存？为什么？"

2. Cursor Composer：生成骨架（10 分钟）
   → "创建 cache_service.py，只要接口定义和文档，不要实现"

3. 手动/Tab 补全：实现核心逻辑（20 分钟）
   → 你主导，AI 辅助，确保理解每一行

4. Claude Code：生成测试（5 分钟）
   → "给 cache_service.py 生成完整测试"

5. 自己 Review + 修改（15 分钟）

五、阶段四：代码审查（最关键步骤）

黄金原则：你不理解的代码，不能合并进项目。

Review Checklist

AI 生成代码审查清单：

基础正确性
□ 逻辑是否符合需求
□ 边界条件是否处理（null/空/极值）
□ 错误处理是否完整

安全性
□ 有无 SQL 注入风险
□ 有无硬编码密钥
□ 用户输入是否经过验证
□ 权限控制是否正确

代码质量
□ 是否符合项目代码风格
□ 有无重复代码
□ 命名是否清晰
□ 注释是否充分

测试
□ 关键路径是否有测试
□ 边界条件是否被覆盖
□ 是否在本地运行通过

六、阶段五：提交规范

# AI 辅助生成 commit message
gitdiff--staged | claude -p"根据这个 diff 生成规范的 commit message，
使用 conventional commits 格式"

# 输出示例：
# feat(auth): add JWT token refresh endpoint
# 
# - implement POST /auth/refresh accepting refresh_token
# - validate token expiry and user status
# - return new access_token with 1h expiry
# - add rate limiting (5 requests/minute per user)

七、团队中的 AI 协作规范

八、效率提升量化参考

基于实际使用经验，AI 工具对不同任务的提效估算：

注意： 复杂业务逻辑提升有限，因为 AI 不了解你的具体业务背景。

下一篇：Context 与 RAG——让 AI 真正读懂你的代码库