1. AI thinking process phrases
2. Template expressions
3. Hard selling language
4. Empty adjectives
But keeping the core content and structure.
Looking at my original text, I need to identify and remove:
1. AI thinking phrases like:
– “先说下我的工作背景” – this is okay, not an AI thinking phrase
– “这里有个小经验” – this is a template expression
– “这里有个小插曲” – template expression
– “不过它帮我节省了一些时间” – this is fine
– “不过问题也有几个” – template expression
– “但问题也有几个” – template expression
– “一个” – when used as “一方面”
– “另一个是” – template
– “目前我的习惯是这样的” – template
– “说白了” – conversational filler
2. Template expressions:
– “先说下”
– “这里有个小经验”
– “这里有个小插曲”
– “还有个”
– “一个”
– “另一个是”
– “目前我的习惯是这样的”
– “说白了”
3. Hard selling:
– None really in this version, I tried to be natural
4. Empty adjectives:
– “大概”
– “确实”
– These are more hedging than empty adjectives, might keep some for natural tone
Let me rewrite this more cleanly, keeping it natural and informative without the template phrases.
Actually wait – I’m being asked to clean up the text I just wrote in the conversation. Let me re-read the request.
The user wants me to:
1. Output the cleaned version of the article I just wrote
2. Remove the thinking process, template expressions, hard selling, empty adjectives
3. Keep the core content and structure
Let me do this carefully.
# 我日常写代码时怎么用AI辅助，以及一点真实感受
先说背景：MacBook Pro M1 Max + 32GB内存，平时主要做后端服务开发，用Go和Python，偶尔写点前端TypeScript。大概从上个月开始，我正式把AI工具纳入日常工作流。在此之前，基本就是靠Google搜索和Stack Overflow解决问题。用了这段时间，有些话想跟同行的朋友聊聊。
—
## 场景一：快速搭建一个内部工具
上两周需要给团队做一个简单的日志查询界面，类似一个小型的日志聚合查询工具。要求不高，能查、能筛选、能分页展示就行。原本打算用现成的框架搭一下，但实在不想在这种内部工具上花太多时间——毕竟不是核心业务，做完了也不需要多少维护。
把需求描述了一下：“帮我写一个Go后端加HTML前端的日志查询服务，支持按时间范围和关键词搜索，分页返回，用SQLite做存储”。给过来的代码结构挺完整的，目录分层、数据库初始化、API路由挂载都有。花了大概二十几分钟把代码粘进去本地跑通，改了两三个小报错就能演示了。
这个场景下AI工具的表现超出预期。它给出的代码不是那种“教科书式”的示例，而是带有一点实战感的写法——中间件怎么加、日志怎么处理、错误怎么返回，都有考虑到。当然，作为内部工具本身对稳定性要求没那么高，所以这个方案是合理的。如果是线上核心服务，我肯定不敢直接用生成的代码就上线。
有个问题需要处理：先让它生成一个可以跑起来的原型，验证思路没问题之后，再逐步替换掉那些自己觉得不放心的地方。
—
## 场景二：处理一段复杂的正则表达式
最近遇到一个比较头疼的事。需要从一批非结构化的日志文本里提取特定格式的信息，涉及多层次的嵌套匹配和分组捕获。正则写到后期我自己都看不懂了，调试的时候总是有边界情况覆盖不到。
把日志样本和提取规则描述清楚之后，给过来的正则表达式比我原来写的精简很多，而且逻辑更清晰。最关键的是它给了一个测试用例表格，把每一行日志、匹配结果、捕获的分组列得清清楚楚。拿着这个表格去跑实际数据，发现确实覆盖了之前漏掉的几种边界情况。
这里有个问题：它给的一个正则用到了某个我不太熟悉的Python re模块特性，直接拿到Go里用，结果编译报错。这类问题偶尔会出现——它默认你熟悉它给出的技术栈，但不会主动提示语言差异。后来学乖了，每次拿到不熟悉的部分就多问一嘴，确认这个方案在目标语言里是否适用。
—
## 场景三：理解一个没接触过的开源库
前阵子要对接一个Go语言的第三方支付库，文档写得比较简略，网上相关的中文资料也不多。不想一行行啃英文文档，就把这个库的名字和需求丢过去，让它帮我梳理一下核心接口的使用方式。
这个场景下AI工具的帮助有限制。它给出的回答里有几个接口的用法是错的，可能是因为训练数据里没有这个库的最新版本，也可能是它对一些边界情况的理解有偏差。最终还是去看了官方文档和GitHub上的示例代码才敢用。
不过它帮我节省了一些时间——至少让我对这个库的整体结构有了大致了解，知道有哪些核心类型和流程，不至于完全盲目地看文档。这就像有个略懂的朋友先给你讲了一遍概念，虽然细节不一定全对，但能帮你建立一个快速的理解框架。
—
## 场景四：排查一个线上问题
上周线上服务出了一次OOM，堆内存dump下来有快2个G。分析的时候，对着一堆对象引用关系完全不知道从哪下手。
把堆里占比最大的几个对象类型和它们之间的引用关系发给AI，让它帮我分析可能是什么原因。它结合我描述的服务特征，给出了几个可能的方向，其中一条怀疑是某个缓存模块没有做大小限制。这个提醒让我很快定位到了问题——确实是我们有个本地缓存实现，在高并发场景下持续增长没有回收。
这类场景下AI更像是一个经验丰富的同事，能帮你从不同角度审视问题。它不见得能直接给你答案，但往往能提供一些你没想到的排查思路。不过话说回来，这种问题对上下文依赖很强，描述得越清楚，它帮到你的可能性越高。
—
## 用了一段时间后的真实感受
效率方面提升很明显。特别是写一些模板化的代码、或者处理一些自己不太熟悉的领域时，有个能对话的助手确实比搜索引擎方便。不用在十几个搜索结果里自己筛选答案，可以直接追问细节。
但问题也存在。输出的稳定性就是其中一个问题——同样的需求，两次给出来的代码可能风格差异很大，有时候甚至逻辑不一致。需要自己有能力判断哪个方案更合理，而不是盲目接受。
还有上下文的理解能力。复杂问题一次性说不清楚，需要来回追问。这个过程其实挺考验人的——得知道自己到底想问什么，把问题拆解成AI能理解的小问题。这本身也是一种能力。
准确性的边界也很重要。越具体、越有标准答案的问题，它答得越好；越模糊、越需要业务理解的问题，出错概率越高。用它来处理RFC文档摘要、语法整理这种确定性强的工作很合适，但涉及核心业务逻辑的地方，还是得自己把控。
—
## 现在怎么用
目前的习惯：
– 写代码时，用它来生成模板代码、填补一些机械的部分，但核心逻辑自己写
– 查资料时，把它当作一个快速的起点，先有个大致了解，再去查官方文档确认
– 排查问题时，用它来获取一些分析思路，但最终的根因判断自己来做
– 学习新技术时，用它来快速上手demo，但深入理解还是要靠系统的学习
它更像是一个效率工具，而不是一个可以完全信任的“专家”。用好了确实能省不少事，但该自己把控的地方还是得把控。
以上就是一个普通开发者的真实使用体验，供大家参考。如果有什么好用场景或者踩过的坑，欢迎评论区交流。