AI 能做什么，不能做什么
使用 AI Coding 前，最重要的不是先记住多少提示词技巧，而是建立正确的能力边界：AI 很擅长快速生成候选方案，但不擅长独立确认真实需求、保证事实正确或承担最终责任。 如果把 AI 当成万能专家，容易盲目接受错误；如果把它当成只能聊天的玩具，又会错过大量效率提升。更合理的定位是：AI 是速度很快、知识面很广，但需要明确任务、充分上下文和持续审查的开发助手。先做一个判断
假设你对 AI 说：“帮我做一个安全、好用、性能优秀的登录系统。” AI 可以迅速生成页面、接口和数据库代码，但它并不知道：- 你的真实用户是谁；
- 公司采用什么安全规范；
- 项目现有架构和历史约束；
- “性能优秀”的具体指标；
- 哪些登录方式符合业务成本和法律要求；
- 生成的代码在真实环境中是否一定正确。
AI 擅长做什么
1. 解释代码与技术概念
AI 可以把复杂代码翻译成更容易理解的语言，说明函数作用、数据流和常见设计模式。 适合的请求包括：- “逐步解释这个函数做了什么”；
- “比较 REST 与 GraphQL 的区别”；
- “解释这条报错信息中的每一部分”；
- “用零基础能理解的方式说明异步编程”。
2. 生成代码初稿和样板代码
AI 对常见、结构清晰、重复性高的代码通常表现较好，例如：- 表单、列表、接口调用等常见功能；
- 数据结构、类型定义和基础配置；
- CRUD 接口和样板模块；
- 正则表达式、脚本和数据转换；
- 测试、注释、README 和接口文档初稿。
3. 协助调试
当你提供完整报错、相关代码、输入数据和期望结果时，AI 可以：- 解释错误信息；
- 列出可能原因；
- 建议添加哪些日志；
- 帮助构造最小复现；
- 比较不同修复方案；
- 根据测试反馈继续缩小范围。
4. 审查与改进代码
AI 可以从多个角度快速扫描代码：- 潜在逻辑错误和遗漏的边界情况；
- 重复代码和可读性问题；
- 常见安全风险；
- 不一致的命名和风格；
- 可能缺失的测试；
- 文档与实现不一致之处。
5. 拆解任务和提供方案
面对一个较大的需求，AI 可以协助：- 澄清模糊点；
- 把目标拆成可执行步骤；
- 对比技术方案及其优缺点；
- 生成实施计划和验收清单；
- 识别依赖关系和潜在风险。
6. 执行重复性工作
连接编辑器或终端工具后，AI 可以协助完成：- 批量重命名和格式调整；
- 迁移重复的 API 用法；
- 生成多组相似测试；
- 更新注释和文档；
- 运行构建、检查和测试命令；
- 根据明确规则修改多个文件。
AI 不能可靠地做什么
这里的“不能”不是指永远无法生成某种结果，而是指：不能在缺少人工监督的情况下稳定保证正确。1. 不能自动知道你没有提供的信息
AI 不知道你的隐含想法、口头约定、未打开的文件和真实业务背景。如果提示词里没有说明，它通常只能根据常见模式猜测。 错误期待：你应该知道我想要什么。正确做法：提供目标、环境、相关代码、限制条件和验收标准。
2. 不能保证输出一定正确
AI 可能生成：- 不存在的函数、库或参数；
- 与当前版本不兼容的写法；
- 语法正确但业务逻辑错误的代码；
- 只处理正常流程、忽略异常情况的实现；
- 表面修复报错但破坏其他功能的改动。
3. 不能独立定义真实需求
AI 可以帮助提问和整理需求，却无法替代真实用户、产品负责人或业务团队决定：- 功能到底解决什么问题；
- 哪些需求优先；
- 什么体验可以接受；
- 成本、风险和时间如何权衡；
- 功能是否真正有价值。
4. 不能承担安全、隐私和合规责任
AI 可以指出常见风险，却不能保证系统绝对安全，也不能替组织承担责任。 高风险领域必须由人严格把关，例如：- 身份认证与权限控制；
- 密码、密钥和隐私数据处理；
- 支付与财务计算；
- 医疗、法律和监管相关功能；
- 删除数据、生产部署和权限变更。
5. 不能用流畅表达代替真实证据
AI 的回答可能结构完整、语气肯定，但“说得像真的”不等于“已经证明”。 当 AI 声称“测试全部通过”“没有安全风险”或“已经兼容旧版本”时，应继续追问：- 实际运行了哪些命令？
- 测试结果在哪里？
- 修改了哪些文件？
- 依据的是哪段代码或哪份官方文档？
- 哪些情况尚未验证？
6. 不能替你承担最终决策
是否合并代码、发布功能、迁移数据或执行高风险命令，必须由有责任和权限的人决定。不同任务的适合程度
判断一个任务能否放心交给 AI
可以用下面五个问题做快速检查：- **任务是否清晰？**是否有明确输入、输出和验收标准？
- **错误代价多大？**失败只是页面样式不佳，还是会造成数据、金钱或安全损失？
- **结果能否验证？**是否有测试、日志、预览或人工检查方法？
- **修改能否回滚？**是否使用版本控制、备份和小步提交？
- **AI 权限是否合适？**它是否只能访问完成任务所需的文件和工具？
一个对比例子：同样是“删除”
低风险：删除测试项目中的临时日志
AI 可以搜索特定日志、列出修改计划、删除后运行测试，再由人查看差异。任务明确、可回滚、影响范围有限。高风险：删除生产数据库中的重复用户
AI 可以协助分析重复规则和生成查询草案，但不能直接执行。人需要确认识别规则、备份数据、预览影响行数、设计恢复方案，并经过授权后再操作。 两者都叫“删除”，但风险和验证成本完全不同，因此人机分工也不同。小练习：哪些可以多交给 AI？
请判断以下任务中，哪些可以让 AI 多做，哪些需要人重点把关：- 给一个学习项目生成 README 初稿；
- 根据明确接口生成数据类型定义；
- 决定是否将全部用户数据迁移到新数据库；
- 分析一条带完整堆栈的测试报错；
- 审核支付接口是否可以直接上线；
- 批量重命名项目中的一个内部函数。
参考答案
**判断原则：**低风险、规则明确、容易验证和回滚的任务，可以让 AI 多做；高风险、需求模糊、难以验证或责任重大的任务，必须由人主导。