AI 工具真正的价值不是“偶尔帮你写一段代码”，而是把一些重复劳动变成稳定流程：
- 需求澄清更快
- 代码审阅更仔细
- 笔记沉淀更容易
这篇文章分享一套我自己日常会用的工作流，偏实操，拿来就能用。
1) 提示词别追求万能，追求可复用
我常用的提示词结构很固定：
- 目标：你要它做什么（输出是什么）
- 上下文：项目背景、约束、已有方案
- 标准：什么算“好”（验收条件/风格/边界）
- 格式：用什么格式输出（Markdown/JSON/表格）
示例（需求澄清）：
你是资深后端架构师。请把下面的需求拆成可实现的技术方案。 输出：接口清单、数据模型、边界条件、风险点、里程碑。 约束：必须兼容现有数据库，不允许停机迁移。
2) 代码生成：让 AI 写“骨架”，人写“关键点”
更靠谱的分工：
- AI：生成脚手架、样板代码、单测框架、重复性 glue code
- 人：数据模型、核心逻辑、关键路径性能、最终接口设计
好处是你不会把“系统设计责任”外包给模型。
3) 代码审阅：用清单驱动，而不是让它随便看看
我会让 AI 按一个固定 checklist 看：
- 逻辑正确性（边界条件、空值、并发）
- 安全（注入、鉴权、泄漏）
- 可维护性（命名、抽象、重复）
- 性能（N+1、缓存、批量）
- 可观测性（日志、指标、trace）
然后要求输出：
- 高风险问题（必须修）
- 中风险建议（最好修）
- 可选优化（有空再做）
这样输出会稳定很多。
4) 笔记沉淀：把对话变成“可以检索的知识”
对话内容如果不落地，很快就丢。
我建议固定两个产物：
- 项目 README / ADR：决策与理由（为什么这么做）
- 博客/知识库条目：踩坑与解法（怎么做）
并且每篇笔记尽量包含：
- 现象（症状）
- 原因（根因）
- 解决方案（步骤/代码）
- 验证方法（怎么确认修好了）
这其实就是给未来的自己省时间。
5) 例行复盘：每周把“高频问题”固化成模板
最有收益的一步：
- 回看一周里反复出现的问题
- 把最常用的提示词/检查清单/脚本变成模板
久了之后，你会发现 AI 变成了你工具链的一部分，而不是一个随机的“灵感来源”。
结语
AI 工具不缺，缺的是流程。
当你把它们嵌进“可复用、可验收、可沉淀”的工作流里，收益会非常稳定。