AI Coding 能力评估：三个维度看清开发者的 AI 协作水平
| 技术对 AI 说"帮我写个用户注册功能"，它给出了一套完整的注册、登录、验证码、邮箱验证、数据库迁移脚本——然后你发现，你其实只想要一个接口。
同样是使用 AI Coding，不同开发者之间的表现差异巨大。有人能让 AI 在几分钟内完成一天的工作量，有人却总是在 AI 的错误方向上浪费半天。
本质差异不在于 AI 工具，而在于使用者的能力。 本文从三个维度评估：需求分析与拆解、编程基础与工程实践、AI 协作与交互。
一、需求分析与拆解能力
1.1 需求理解
模糊需求是 AI Coding 的第一道坎。
对 AI 说"帮我写个排序算法"，AI 给标准答案。但对 AI 说"帮我优化一下这个模块的性能"，AI 往往给出多个方向——加缓存、改架构、换算法、上并行。每个方向都有道理，但你很难判断哪个是真正的瓶颈。
糟糕的需求描述充满模糊量词：“把这个函数改得更好看一点”、“让接口快一些”、“加个容错机制”。这些对人类理解成本不高，但对 AI 打开了过大的解空间——AI 会选择它认为最"主流"的解法，而非你真正需要的那个。
能把模糊需求转化为清晰约束的开发者，具有决定性优势。 好的需求描述包含：输入输出、约束条件（性能/兼容性/安全性）、已知技术限制。
1.2 需求拆解
实用策略：把一次性大需求拆解成多轮小任务。
比如做图片上传功能，不要一次性要求 AI"完成图片上传、前端展示、缩略图生成、水印添加、CDN 同步"。而是分步进行：先设计接口契约，再逐步实现每个功能。
好处：逐轮校正方向、降低试错成本、保持人的参与感。
能力强的开发者知道什么时候该让 AI 自由发挥，什么时候该收紧约束。
二、编程基础与工程实践能力
2.1 方案设计
AI 可以在几秒钟内调研大量资料，给出一个时下流行的架构方案。但方案选择从来不是纯技术问题——它涉及团队技术栈积累、现有系统约束、业务发展预期、运维团队能力边界。AI 很难完整获取这些信息，给出的往往是局部最优，而非全局最优。
AI 倾向于推荐更"现代"的方案——用 Go/Rust 重写、用 Kafka 替代传统消息队列。这些建议技术可行，但忽略了团队是否有能力维护新引入的技术栈。
能力强的开发者的价值在于判断：这个方案适合当前团队吗？迁移成本与收益比是多少？
2.2 代码质量
AI 代码有一个容易被忽视的问题：过度设计。
让 AI 实现一个简单列表查询，它可能写出一个完整的 Repository 模式、带着 DTO 转换、事务管理、一整套错误处理链路。这套东西在大项目里是好的工程实践，放在简单脚本里就成了噪音。
AI 代码风格还往往受训练数据影响——某家大厂的内部规范，移植到你的项目可能出现风格不一致。
能力强的开发者懂得"刚刚好"原则：追求 AI 代码恰好满足当前需求，而非形式上的完整。
2.3 代码审校
让 AI 审校自己生成的代码，通过率并不高。原因：AI 生成时遵循"完成指令"的目标，审校需要"质疑精神"——两种思维模式存在内在张力。AI 往往会默认自己生成的代码正确，只是在形式上做风格建议。
真正有价值的审校来自另一个独立的 AI 或有经验的人类工程师。
能力强的开发者保持怀疑精神：不会因为 AI 输出的确定性而放松警惕。
三、AI 协作与交互能力
3.1 提示词设计
好的提示词包含几个层次：
角色设定。“你是一个拥有十年后端开发经验的工程师”——这句话为 AI 提供了筛选知识的锚点，让它更倾向于特定技术栈的方案。
约束条件。“QPS 要求 10 万，延迟控制在 10 毫秒以内，团队使用 PostgreSQL”——这些约束帮助 AI 在正确解空间搜索。
上下文管理。这是最容易被忽略的一点。AI 没有记忆，每次对话独立。当你在第二轮说"改成异步的"，AI 只能根据第二轮上下文理解。维护上下文、主动补充历史信息，是开发者在协作中的核心职责。
3.2 迭代优化
第一轮给方向，第二轮做收敛。 第一轮让 AI 自由发挥，了解它的理解角度；第二轮基于输出，给出具体改进要求。
明确拒绝比模糊否定更有效。 “不用 A 方案，因为运维成本太高"比"这个方向不对"更有助于 AI 理解。
接受不完美是成熟心态。 追求让 AI 一次性给出完美代码，往往比接受"80 分代码 + 20% 优化空间"更浪费时间。
3.3 知识的边界
能力强的开发者懂得什么时候该质疑 AI。
当 AI 对冷门框架的边缘行为给出非常确定的答案时，需要警惕。AI 的确定性来自于训练数据中高频出现的模式，而非对正确性的验证。越是细分领域、越是新技术，AI"一本正经胡说八道"的概率越高。
判断 AI 何时在胡说，比判断 AI 何时在说真话更重要。
结语
三个维度指向同一结论：AI Coding 能力的上限，由使用者的判断力决定。
AI 把执行的门槛降到了足够低，但把判断的门槛提到了前所未有的高度。
未来属于那些既能理解 AI 能力边界、又能保持独立判断力的开发者。他们知道什么时候该让 AI 主导，什么时候该让 AI 配合，什么时候该推翻 AI 的结论。
这种判断力，才是 AI 时代工程师最核心的竞争力。