《让大模型替你写代码？先学会“反向教”它》

别再把AI当搜索引擎，把它当刚入职的实习生。

一、为什么你问出来的代码总是一堆Bug？

很多人打开对话框，第一句话是：

“帮我写一个Python爬虫。”

然后大模型噼里啪啦给你100多行代码，你复制、运行，报错。 你再问，它再给，你再报错。 来回五次，你得出结论：AI写代码不靠谱。

但真相是——你不会提需求。

你把大模型当成了“全知全能的代码生成器”，但它其实是一个擅长猜你心思的语文学霸。你给的信息越模糊，它猜得越离谱。

二、写代码前，先写“伪代码”给AI看

这是最容易被忽视的技巧。 你不是让AI凭空生成代码，而是让AI补全你的逻辑。

举个例子，你想写一个批量重命名文件的脚本。 普通人问法：

“帮我写个批量重命名的Python脚本。”

我的问法（只带少量代码骨架）：

# 我的伪代码骨架
import os
folder_path = "./files"
# 步骤1：遍历文件夹下所有 .txt 文件
# 步骤2：提取文件名中的日期部分，格式改为 YYYY-MM-DD
# 步骤3：重命名，保留原扩展名

然后把这段发给AI，说：请基于这个骨架，补全具体实现，并添加错误处理。

你会发现，AI给出的代码成功率直接翻倍。 因为你给了它结构，它只需要填空，而不是创作。

三、让AI“反问你”，而不是直接给答案

高级用法是——强制AI先提问，再写代码。

你可以这样问：

“我要写一个自动化报表邮件发送脚本。在写出完整代码之前，请先问我5个关键问题，帮我明确需求。”

这时候AI会问你：

• 邮件服务器用什么？SMTP还是API？
• 报表数据来自数据库还是Excel？
• 发送频率是每日还是每周？
• 附件格式要求PDF还是CSV？
• 失败重试策略怎么定？

你回答完这5个问题，AI再给代码，基本一次过。

这就像你带实习生：先讲清楚需求，再让他动手，而不是丢一句“做个报表”就走人。

四、最值钱的那段代码：让AI自己“解释”代码

当你拿到AI生成的代码后，别急着跑。 加一句：

“请用中文逐行解释这段代码的逻辑，并用注释形式添加到代码中。”

于是你会得到类似这样的输出（少量代码示例）：

def retry_request(url, max_retries=3):
    # 循环尝试请求，最多重试3次
    for attempt in range(max_retries):
        try:
            response = requests.get(url, timeout=5)
            return response.json()  # 成功则直接返回JSON
        except requests.exceptions.Timeout:
            # 超时则继续下一次重试，否则抛出异常
            if attempt == max_retries - 1:
                raise

这一步的价值不在于代码本身，而在于你被迫理解每一行的意图。 很多bug不是AI写错了，而是你用错了——你根本不了解那段代码的边界条件。

五、最终真相：AI写代码，你写“约束”

把上面所有经验浓缩成一句话：

AI负责把“意图”转成“语法”，你负责把“模糊”转成“约束”。

代码只是最后一步的产物。 真正值钱的是你对业务的理解、对异常的预判、对边界的定义。

下次再用大模型写代码，试试这个流程：

1. 先写中文伪代码骨架（带少量关键变量）
2. 让AI反问5个问题
3. 让AI补全并自动加注释
4. 你只做一件事：砍掉AI多写的部分，收紧输入条件

你会发现，代码量减少30%，可用性提升200%。