用 ChatGPT 辅助编程：代码生成、调试与重构全攻略

AI 编程的真实水平

先说结论：AI 已经能承担程序员 60% 的「体力活」，但替代不了「脑力活」。

它擅长的：

写常规业务代码（CRUD、接口调用、数据转换）
解释报错信息、定位 Bug 方向
生成单元测试、写注释和文档
语言/框架的语法咨询（"Python 怎么读 JSON 文件"）
代码翻译（把 Python 脚本改成 Go）

它不擅长的：

系统架构设计（该拆几个服务、用什么中间件）
复杂业务逻辑的边界情况
需要理解整个项目上下文的改动
最新框架的 API（训练数据截止日期之后的）

正确的使用姿势是：你负责设计和判断，AI 负责打字和查资料。

场景一：从零生成代码

关键：描述清楚输入、处理、输出三要素。

用 Python 写一个函数：

输入：一个 Excel 文件路径，文件包含「姓名」「部门」「工资」三列
处理：按部门分组，计算每个部门的平均工资和人数
输出：打印一个按平均工资降序排列的表格

要求：
- 使用 pandas
- 文件不存在时抛出友好的中文错误
- 附上调用示例

AI 会返回可直接运行的代码。注意提示词里的每个要素都不能少——少了「文件不存在时怎么办」，它就默认文件永远存在，运行时才会暴雷。

进阶技巧：先让它出方案，再让它写代码。

我要做一个「爬取某网站新闻标题并保存到数据库」的脚本。
先不要写代码，列出实现方案：需要哪些库、分几个函数、
可能遇到什么坑。我确认后再写代码。

这一步能避免 AI 一上来就给你 200 行跑偏的代码。

场景二：调试报错（最高频用法）

遇到报错，把三样东西一起发给 AI：报错信息、相关代码、你做过什么。

这段代码报错了：

【代码】
import pandas as pd
df = pd.read_csv("data.csv")
print(df.groupby("city")["sales"].mean())

【报错】
KeyError: 'city'

【背景】
data.csv 是我从系统导出的销售数据，第一行是表头。

AI 大概率会告诉你：CSV 里的列名可能是「City」（大小写问题）或者列名带了空格，让你先 print(df.columns.tolist()) 确认。

反例：只发一句「KeyError 怎么解决」——AI 只能给你泛泛而谈的所有可能原因，你还得自己挨个试。

场景三：代码重构

把能跑但写得丑的代码扔给 AI，指定重构方向：

下面这段代码能运行，但很难维护，请重构：

【代码】
def process(data):
    result = []
    for item in data:
        if item["type"] == "A":
            result.append(item["value"] * 1.1)
        elif item["type"] == "B":
            result.append(item["value"] * 0.9)
        elif item["type"] == "C":
            if item["value"] > 100:
                result.append(item["value"] * 0.8)
            else:
                result.append(item["value"] * 0.95)
    return result

重构要求：
1. 消除嵌套 if-else，用策略模式或字典映射
2. 每个调整系数定义为常量并注释业务含义
3. 保持函数签名不变，调用方不用改代码

要点：一定要说「保持函数签名不变」这类约束，否则 AI 可能顺手改了接口，调用方全部报错。

场景四：写单元测试

AI 写测试的质量比写业务代码还高，因为测试代码模式非常固定：

为下面的函数写 pytest 单元测试：

def divide(a: float, b: float) -> float:
    if b == 0:
        raise ValueError("除数不能为0")
    return a / b

要求覆盖：
- 正常除法（含浮点数精度处理）
- 除数为 0 抛异常
- 负数相除
- 边界值：0 除以任何数

场景五：读别人的代码

接手老项目时，AI 是最好的「翻译官」：

请解释这段正则表达式，逐部分说明含义：
^(?=.*[a-z])(?=.*[A-Z])(?=.*\d)[a-zA-Z\d]{8,20}$

这是项目里的一段 SQL，请用中文解释它在做什么，
并指出有没有性能问题：
【贴 SQL】

场景六：代码审查

提交代码前让 AI 当一次 reviewer：

请以资深后端工程师的视角审查这段代码，按严重程度列出问题：
1. 安全漏洞（SQL注入、XSS等）
2. 性能问题（N+1查询、不必要的大数据拷贝）
3. 可维护性问题
4. 代码风格问题（仅提示）

【贴代码】

按严重程度排序能避免被「变量命名不够优雅」这类意见淹没重点。

三个避坑指南

1. 永远运行一遍再提交

AI 写的代码可能有：不存在的库函数、编造的 API 参数、逻辑上差一位的边界。它写得越自信，越要警惕。编译/运行/测试，三步缺一不可。

2. 别发公司机密代码

粘贴代码前做脱敏：删掉真实的密钥、密码、内网地址、数据库连接串。涉及核心业务逻辑的代码，先确认公司是否允许使用外部 AI 工具。可以选择本地化部署的开源模型（DeepSeek、Qwen）处理敏感代码。

3. 大改动要分批喂

一次扔 500 行代码让它「优化一下」，输出质量会很差。正确做法是按函数/类拆分，一次处理一个模块，改完确认没问题再处理下一个。

工具选择建议

工具	形态	特点
ChatGPT/DeepSeek 网页版	对话	适合问答、调试、代码审查
Cursor	AI 编辑器	深度集成代码库上下文，适合大项目
GitHub Copilot	IDE 插件	实时代码补全，写 boilerplate 极快
Trae	AI 编辑器	国产免费，中文体验好