阶段4(下):LangChain 1.x、提示词与注入防护、模型侧(路由/vLLM/LoRA)、AI 编程工具与验证、Dify/Coze 专题

This commit is contained in:
Shikui Wang committed 2026-10-23 16:15:33 +08:00
1 parent caaec830b3
commit 7a32d2c9a6
38 files changed
+3059 -67

No files matched your search

@@ -0,0 +1,95 @@
---
id: ai.ai-coding.workflow-rules-skills
title: AI 编程工具工作流:Claude Code / Cursor / Codex、规则文件、Skills 和 MCP
type: lesson
domain: ai
stack: [ai-coding]
tags: [AI 编程, Claude Code, Cursor, Codex, AGENTS.md, 规则文件, Skills, MCP, Vibe coding]
level: basic
prerequisites: []
est_hours: 2.5
related: [ai.ai-coding.verify-evidence, ai.agent-design.context-skills-multiagent, ai.mcp.protocol-server, ai.ai-coding.interview]
week: [1, 8, 10]
order: 1
---
# AI 编程工具工作流:Claude Code / Cursor / Codex、规则文件、Skills 和 MCP
> BOSS直聘 2026-10-23 的调研中,约 16 个岗位提到 AI 编程工具(Claude Code / Cursor / Codex / Vibe coding),不少岗位要求附上“用 AI 做过的项目 + 怎么确认它有效”,有的要求编写 Skills、沉淀开发工作流。工具更新非常快,功能和配置文件格式以各工具官方文档为准。
## 解释说明
### 工具形态
| 形态 | 代表 | 特点 |
| --- | --- | --- |
| IDE 内的 Agent | Cursor | 在编辑器里对话、改多文件、运行命令,结合代码补全 |
| 终端 Agent | Claude Code、Codex CLI | 在终端里读代码、改文件、跑测试,适合脚本化和大改动 |
| 云端 / 后台 Agent | 各工具的云端代理 | 在远程环境里异步完成任务,提交分支或 PR |
岗位关心的不是“用过哪个工具”,而是**能不能用它稳定地交付正确的代码**。
### 一个可靠的工作流
1. **先给上下文**:需求、相关文件、约定(规则文件)、完成标准。
2. **先计划后执行**:让 AI 先列出计划和要改的文件,你审核后再执行;大任务拆成小步。
3. **小步提交**:每完成一步就运行测试并提交,出问题容易回退。
4. **验证**:测试、类型检查、自己读代码、真实环境运行(见下一课)。
5. **沉淀**:AI 反复犯的错、团队的约定,写进规则文件或 Skill,下次自动遵守。
### 规则文件和 Skills
| 文件 | 作用 |
| --- | --- |
| `AGENTS.md`(Cursor、Codex 等支持)/ `CLAUDE.md`(Claude Code) | 项目说明:技术栈、常用命令、约定、完成标准。每次会话自动读取 |
| `.cursor/rules/*.mdc` | Cursor 的规则,可以按文件路径(globs)生效 |
| Skills(如 `SKILL.md`) | 某类任务的操作手册,按需加载:例如“新增接口的步骤”“发版检查清单” |
| MCP 服务 | 让 AI 工具访问外部系统:数据库结构、工单、文档、浏览器 |
Skills 的原理(只放描述、需要时加载全文)见 [Agent 设计专题](../agent-design/02-context-skills-multiagent.md)。写 Skill 的过程本身就是“把团队经验变成可复用工作流”,这正是部分岗位要求的能力。
### 什么时候不该让 AI 写
- 你自己完全不懂的领域的核心逻辑(无法验证就无法负责);
- 涉及密钥、生产数据的操作;
- 需要深度理解业务上下文、而上下文无法提供给 AI 的部分。
## 案例
为订单服务新增“优惠价格计算”接口:在 `AGENTS.md` 写明金额用 Decimal、新接口必须有测试;调用 `add-api-endpoint` Skill;AI 先给出计划(schema → service → route → tests),审核后执行。AI 的第一版在“优惠券大于订单金额”时返回负数——这是由补充的边界测试发现的。修复后把“金额计算必须测试边界值”加进规则文件。
## 代码示例
示例目录 [examples/ai-workflow](examples/ai-workflow/):
- [AGENTS.md](examples/ai-workflow/AGENTS.md):项目说明、命令、约定、完成标准
- [.cursor/rules/backend-api.mdc](examples/ai-workflow/.cursor/rules/backend-api.mdc):按路径生效的规则
- [skills/add-api-endpoint/SKILL.md](examples/ai-workflow/skills/add-api-endpoint/SKILL.md):新增接口的操作手册
`AGENTS.md` 的核心部分:
```markdown
## 常用命令
- 测试:`uv run pytest -q`
- 检查:`uv run ruff check . && uv run mypy app`
## 约定
- 新接口必须有 pydantic 请求 / 响应模型和至少一个测试。
- 不要在代码、测试、日志中写入真实密钥、内网地址、客户数据。
- 每次改动后运行测试;测试不通过不要说“完成了”。
```
## 易错点
- 一次让 AI 完成一个很大的功能,结果难以审查,出错难以定位。
- 不给上下文就让 AI 写,它会按“常见写法”猜你的项目约定。
- AI 说“已完成、测试通过”就相信:要自己运行确认。
- 规则文件写得太长、互相矛盾,或者长期不更新。
- 把公司代码、密钥、客户数据粘贴到未经公司允许的 AI 工具中:先确认公司的使用政策。
- 依赖 AI 写自己看不懂的代码,面试被追问时讲不清。
## 面试常问
- 你平时怎么用 AI 编程工具?讲一个具体的例子。
- 你怎么让 AI 遵守项目的约定?
- 你写过 Skill / 规则文件吗?
+101
View File
@@ -0,0 +1,101 @@
---
id: ai.ai-coding.verify-evidence
title: 验证 AI 产出:测试、审查清单、真实环境验证和会话记录作为作品证据
type: lesson
domain: ai
stack: [ai-coding]
tags: [AI 产出验证, 代码审查, 测试, 会话记录, 作品集, 脱敏]
level: intermediate
prerequisites: [ai.ai-coding.workflow-rules-skills]
est_hours: 2.5
related: [ai.ai-coding.scenario.ai-assisted-feature, devops.cicd.index, ai.ai-coding.interview]
week: [8, 15]
order: 2
---
# 验证 AI 产出:测试、审查清单、真实环境验证和会话记录作为作品证据
## 解释说明
**AI 写代码的速度很快,你的价值在于判断它对不对。** 面试官会追问“你怎么确认 AI 写的是对的”,回答“我看了一下”是不够的。
### 三层验证
| 层 | 做法 |
| --- | --- |
| 自动检查 | 测试(尤其是你自己补的边界测试)、类型检查、lint、CI |
| 人工审查 | 逐行读懂;按清单检查(见下表);不懂的地方查文档或让 AI 解释后自己验证 |
| 真实环境 | 在本地 / 测试环境真正跑一遍:调接口、看页面、看日志和数据库,而不只是跑单测 |
### AI 代码常见问题审查清单
| 类别 | 检查点 |
| --- | --- |
| 边界条件 | 空值、负数、超大值、并发、重复请求 |
| 过时 API | 使用了旧版本的写法(例如 LangChain 0.x、MCP SDK 1.x 的写法) |
| 编造 | 不存在的函数、参数、配置项、依赖包 |
| 安全 | SQL 拼接、未校验输入、日志打印敏感信息、硬编码密钥 |
| 错误处理 | 吞掉异常、只处理成功路径 |
| 测试质量 | 测试只验证了实现本身(同一个错误写进了实现和测试)、过度 mock |
| 范围 | 改了不该改的文件、顺手“重构”了无关代码 |
### 会话记录作为作品证据
部分岗位要求提交 AI 编程的会话记录或案例。建议每个项目保留 1~2 份**整理过的**记录:任务、给 AI 的上下文、计划、AI 出错的地方和你怎么发现的、验证结果、最终提交。**务必脱敏**:去掉公司名、内部系统名、内网地址、密钥、客户数据——用学习项目的记录最安全。
## 案例
优惠价格计算:AI 生成的代码和测试都“通过了”,但测试是 AI 自己写的,只覆盖了正常情况。人工补充了 4 个边界测试,发现“优惠券大于金额”时返回负数;修复后用 `verify.py` 生成验证记录,附在提交说明里;这个过程整理成会话记录,放进作品集的“AI 编程案例”。
## 代码示例
[examples/ai-workflow/verify.py](examples/ai-workflow/verify.py) 运行一组检查并生成验证记录:
```bash
python verify.py --task "新增优惠价格计算" --check "pytest -q sample" --out verification.md
```
生成的记录(节选):
```markdown
# 验证记录:新增优惠价格计算
- 时间:2026-10-23 16:12 CST
- 结论:通过
| 检查 | 退出码 | 耗时(秒) |
| --- | --- | --- |
| `pytest -q sample` | 0 | 0.54 |
## 人工审查要点
- 金额使用 Decimal,舍入方式与产品文档一致(四舍五入到分)
- 补充了“优惠券大于金额”的边界测试:AI 第一版在这里返回负数
```
人工补充的边界测试 [sample/test_pricing.py](examples/ai-workflow/sample/test_pricing.py):
```python
def test_coupon_larger_than_amount():
assert final_price(Decimal("5"), Decimal("10"), vip=True) == Decimal("0.00")
def test_negative_rejected():
with pytest.raises(ValueError):
final_price(Decimal("-1"), Decimal("0"), vip=False)
```
会话记录模板:[session-log-template.md](examples/ai-workflow/session-log-template.md)。
## 易错点
- 让 AI 同时写实现和测试,然后以“测试通过”作为证据。
- 只跑单元测试,从没在真实环境运行。
- 会话记录直接导出未脱敏的公司内容。
- 记录里只有“AI 帮我写了 xx”,没有你的判断和验证过程——这恰恰是面试官想看的。
## 面试常问
- 你怎么确认 AI 写的代码是对的?
- 讲一次 AI 写错、被你发现的经历。
- 用 AI 编程后,你的效率提升了多少?哪些地方帮不上忙?
@@ -0,0 +1,10 @@
---
description: 编写或修改 FastAPI 接口时使用
globs: app/**/*.py
alwaysApply: false
---
- 路由函数只做参数校验和调用 service,业务逻辑放在 `app/services/`。
- 错误统一抛出 `AppError(code, message)`,不要直接返回 500。
- 数据库写操作放在事务里;涉及金额用 Decimal。
- 新增接口时同步更新 `tests/api/` 下的测试。
@@ -0,0 +1,21 @@
# AGENTS.md(示例:给 AI 编程工具读的项目说明)
> Cursor、Codex 等工具会读取仓库根目录的 AGENTS.md;Claude Code 读取 CLAUDE.md(可以在其中引用本文件)。支持情况以各工具官方文档为准。
## 项目
- 后端:Python 3.12 + FastAPI,`app/`;测试 `tests/`;依赖用 uv 管理。
- 前端:Vue 3 + TypeScript,`web/`。
## 常用命令
- 安装:`uv sync`
- 测试:`uv run pytest -q`
- 检查:`uv run ruff check . && uv run mypy app`
## 约定
- 新接口必须有 pydantic 请求 / 响应模型和至少一个测试。
- 不要修改 `migrations/` 中已存在的文件,新增迁移。
- 不要在代码、测试、日志中写入真实密钥、内网地址、客户数据。
- 每次改动后运行测试;测试不通过不要说“完成了”。
## 完成标准
- `uv run pytest -q` 全部通过;新增代码有测试;说明改了哪些文件、怎么验证的。
@@ -0,0 +1,12 @@
"""一段“AI 生成”的代码:计算订单优惠后的金额。用于演示验证流程。"""
from decimal import ROUND_HALF_UP, Decimal
def final_price(amount: Decimal, coupon: Decimal, vip: bool) -> Decimal:
"""先减优惠券(不能减到负数),VIP 再打 95 折,结果保留两位小数(四舍五入)。"""
if amount < 0 or coupon < 0:
raise ValueError("金额和优惠券不能为负数")
price = max(amount - coupon, Decimal("0"))
if vip:
price = price * Decimal("0.95")
return price.quantize(Decimal("0.01"), rounding=ROUND_HALF_UP)
@@ -0,0 +1,24 @@
# requires: pytest
"""人工补充的边界测试:AI 第一版代码在“优惠券大于金额”时返回了负数,这些测试把它拦了下来。"""
from decimal import Decimal
import pytest
from pricing import final_price
def test_normal():
assert final_price(Decimal("100"), Decimal("10"), vip=False) == Decimal("90.00")
def test_vip_rounding():
assert final_price(Decimal("10.01"), Decimal("0"), vip=True) == Decimal("9.51")
def test_coupon_larger_than_amount():
assert final_price(Decimal("5"), Decimal("10"), vip=True) == Decimal("0.00")
def test_negative_rejected():
with pytest.raises(ValueError):
final_price(Decimal("-1"), Decimal("0"), vip=False)
@@ -0,0 +1,22 @@
# AI 编程会话记录(模板)
> 用于作品集和面试:证明“我会用 AI,而且知道怎么验证它”。**提交前务必脱敏**:删除公司名、内部系统名、内网地址、密钥、客户数据。
- 日期 / 工具:2026-xx-xx / Cursor(或 Claude Code、Codex)
- 任务:一句话描述目标
- 我给的上下文:相关文件、规则文件、需求说明
## 过程
1. 让 AI 先给出计划(贴计划摘要),我调整了:……
2. 分步实现:第 1 步……(关键提示词摘要)
3. AI 出错的地方:……(例如边界条件、过时的 API 写法)我怎么发现的:测试 / 审查 / 运行
## 验证
- 自动检查:测试、类型检查、lint 的结果(附 `verify.py` 生成的验证记录)
- 人工审查:逐行读过的部分、发现的问题
- 真实环境:在什么环境跑过、看到了什么结果(截图 / 日志)
## 结论
- 最终改动:文件列表、提交哈希
- 用时对比:大概节省了多少时间,哪些部分 AI 帮不上
- 下次改进:补充到规则文件 / Skill 里的约定
@@ -0,0 +1,12 @@
---
name: add-api-endpoint
description: 需要新增一个后端 HTTP 接口(含模型、服务、测试)时使用。
---
# 新增接口的步骤
1. 在 `app/schemas/` 定义请求和响应模型(pydantic),字段写清楚约束。
2. 在 `app/services/` 写业务逻辑,不依赖 FastAPI 对象,方便单测。
3. 在 `app/api/` 注册路由,使用依赖注入获取当前用户和数据库会话。
4. 在 `tests/` 写测试:正常、参数错误、无权限三类用例。
5. 运行 `uv run pytest -q`,全部通过后再报告完成,并列出验证结果。
@@ -0,0 +1,14 @@
# requires: pytest
import verify
def test_failed_check_marks_record(tmp_path):
(tmp_path / "test_bad.py").write_text("def test_x():\n assert 1 == 2\n")
out = tmp_path / "v.md"
code = verify.main(["--task", "t", "--check", "pytest -q test_bad.py", "--cwd", str(tmp_path), "--out", str(out)])
text = out.read_text(encoding="utf-8")
assert code == 1 and "结论:未通过" in text and "| `pytest -q test_bad.py` | 1 |" in text
def test_sample_passes():
assert verify.main(["--task", "sample"]) == 0
@@ -0,0 +1,64 @@
# 只用标准库
"""对 AI 生成的改动跑一组检查,并生成一份“验证记录”(Markdown),作为提交说明 / 作品集证据。
用法:
python verify.py --task "新增优惠价格计算" --check "pytest -q sample" --out verification.md
可以多次传 --check。记录里包含:任务、时间、每条命令的退出码和耗时、输出摘要、结论。
"""
from __future__ import annotations
import argparse
import datetime as dt
import shlex
import subprocess
import sys
import time
from pathlib import Path
def run_check(cmd: str, cwd: Path) -> dict:
t0 = time.perf_counter()
args = shlex.split(cmd)
if args and args[0] in ("pytest", "python"):
args = [sys.executable] + (["-m", "pytest"] + args[1:] if args[0] == "pytest" else args[1:])
p = subprocess.run(args, cwd=cwd, capture_output=True, text=True)
out = (p.stdout + p.stderr).strip().splitlines()
return {"cmd": cmd, "code": p.returncode, "seconds": round(time.perf_counter() - t0, 2),
"tail": "\n".join(out[-8:])}
def render(task: str, results: list[dict], notes: list[str]) -> str:
ok = all(r["code"] == 0 for r in results)
now = dt.datetime.now().astimezone().strftime("%Y-%m-%d %H:%M %Z")
lines = [f"# 验证记录:{task}", "", f"- 时间:{now}", f"- 结论:{'通过' if ok else '未通过'}", "",
"| 检查 | 退出码 | 耗时(秒) |", "| --- | --- | --- |"]
lines += [f"| `{r['cmd']}` | {r['code']} | {r['seconds']} |" for r in results]
for r in results:
lines += ["", f"### `{r['cmd']}` 输出摘要", "", "```text", r["tail"], "```"]
if notes:
lines += ["", "## 人工审查要点", ""] + [f"- {n}" for n in notes]
return "\n".join(lines) + "\n"
def main(argv: list[str] | None = None) -> int:
ap = argparse.ArgumentParser()
ap.add_argument("--task", default="AI 生成代码的验证")
ap.add_argument("--check", action="append", default=[])
ap.add_argument("--note", action="append", default=[])
ap.add_argument("--out", default="")
ap.add_argument("--cwd", default=str(Path(__file__).parent))
a = ap.parse_args(argv)
checks = a.check or ["pytest -q sample"]
results = [run_check(c, Path(a.cwd)) for c in checks]
md = render(a.task, results, a.note or [
"金额使用 Decimal,舍入方式与产品文档一致(四舍五入到分)",
"补充了“优惠券大于金额”的边界测试:AI 第一版在这里返回负数",
])
if a.out:
Path(a.out).write_text(md, encoding="utf-8")
print(md)
return 0 if all(r["code"] == 0 for r in results) else 1
if __name__ == "__main__":
sys.exit(main())
+38 -5
View File
@@ -1,15 +1,48 @@
---
id: ai.ai-coding.index
title: AI 编程工具与产出验证
title: AI 编程工具与验证
type: index
domain: ai
stack: [ai-coding]
tags: []
tags: [AI 编程, Claude Code, Cursor, Codex, Skills, 规则文件, 验证, 会话记录]
week: [1, 8, 10, 15]
---
# AI 编程工具与产出验证
# AI 编程工具与验证
Claude Code / Cursor / Codex 工作流、Skills 与规则、评审和测试验证、会话记录作为作品证据。
BOSS直聘 2026-10-23 的调研中,约 16 个岗位提到 AI 编程工具,并且越来越多地要求**证明你能验证 AI 的产出**:附上用 AI 做过的项目和验证方法,有的要求会话记录,有的要求会编写 Skills、沉淀开发工作流。本专题贯穿整个 16 周:从第 1 周开始就按这里的工作流使用 AI,并在第 15 周整理成作品集里的“AI 编程案例”。
> 本专题建设中:课程、企业场景、面试题和示例代码会陆续补充。
## 学习路线
| 顺序 | 课程 | 级别 | 预计 |
| --- | --- | --- | --- |
| 1 | [AI 编程工具工作流:Claude Code / Cursor / Codex、规则文件、Skills 和 MCP](01-workflow-rules-skills.md) | 基础 | 2.5 小时 |
| 2 | [验证 AI 产出:测试、审查清单、真实环境验证和会话记录作为作品证据](02-verify-evidence.md) | 进阶 | 2.5 小时 |
## 企业场景
- [团队引入 AI 编程:从“各用各的”到可验证、可复用的工作流](scenarios/ai-assisted-feature.md)
## 面试题
- [AI 编程工具面试题](interview.md)
## 示例代码
- [examples/ai-workflow](examples/ai-workflow/):`AGENTS.md`、Cursor 规则文件、`add-api-endpoint` Skill、会话记录模板、`verify.py`(运行检查并生成验证记录)、带人工边界测试的示例代码
## 在 16 周计划中
- 第 1 周起:每个项目根目录放 `AGENTS.md`,按工作流使用 AI;每个项目保留 1~2 份会话记录
- [第 8 周](../../../plan/week08-inventory-architecture.md):写团队 / 个人的 Skills
- [第 10 周](../../../plan/week10-agent-m1-tools-mcp.md):把自己的 MCP 服务接入 AI 编程工具
- [第 15 周](../../../plan/week15-package-resume.md):整理“AI 编程 + 验证”案例进作品集
## 官方资料
工具更新很快,以官方文档为准:
- Cursor:https://docs.cursor.com/
- Claude Code:https://docs.anthropic.com/en/docs/claude-code/overview
- Codex:https://developers.openai.com/codex
- AGENTS.md:https://agents.md/
+67
View File
@@ -0,0 +1,67 @@
---
id: ai.ai-coding.interview
title: AI 编程工具面试题
type: interview
domain: ai
stack: [ai-coding]
tags: [AI 编程, Cursor, Claude Code, 验证, 面试]
level: basic
related: [ai.ai-coding.workflow-rules-skills, ai.ai-coding.verify-evidence]
week: [15, 16]
---
# AI 编程工具面试题
## 基础
### 【基础】你平时怎么使用 AI 编程工具?
**参考答案**(按自己的实际情况讲):先提供上下文(需求、相关文件、规则文件),让 AI 先出计划,审核后分步执行;每一步跑测试并提交;最后自己审查和在真实环境验证。用得最多的场景:样板代码、测试用例、陌生 API 的初稿、重构、排查报错。
**追问**:哪些事情你不让 AI 做?→ 不能验证的核心逻辑、涉及密钥和生产数据的操作、需要大量业务背景的决策。
### 【基础】怎么让 AI 遵守项目约定?
**参考答案**:在 `AGENTS.md` / `CLAUDE.md` / 规则文件中写清技术栈、命令、分层、完成标准;高频任务写成 Skill;在提示中引用相关文件作为示例;把 AI 反复犯的错补进规则。
**追问**:规则文件写多长合适?→ 写关键约定和命令即可,太长会占用上下文且互相冲突;细节放在按需加载的 Skill 或文档中。
### 【基础】你怎么确认 AI 写的代码是对的?
**参考答案**:三层:自动检查(自己补的边界测试、类型检查、lint、CI);人工审查(逐行读懂,按清单检查边界、过时 API、编造的函数、安全问题);真实环境运行(调接口、看页面、查数据库和日志)。验证结果写进 PR 说明。
**追问**:AI 写的测试可以信吗?→ 不能直接信,AI 可能把同样的错误写进实现和测试;关键用例自己写,特别是边界和异常。
## 进阶
### 【进阶】讲一次 AI 写错、被你发现的经历。
**参考答案**(示例结构):任务是什么;AI 的输出哪里错了(例如边界条件返回负数、使用了旧版本 SDK 的写法、编造了不存在的配置项);你是怎么发现的(补的测试、读文档、运行报错);怎么修复;之后把什么经验补进了规则文件。
**追问**:如果你没有发现,会造成什么后果?→ 说明影响范围,以及之后在流程上做了什么改进(例如 CI 增加了某项检查)。
### 【进阶】写过 Skill 或团队工作流吗?
**参考答案**:例如把“新增接口”写成 Skill:定义模型、写服务、注册路由、写三类测试、运行测试后再报告完成;把“发版前检查”写成清单。效果:新成员和 AI 都按同样的步骤做,减少遗漏。
**追问**:Skill 和规则文件有什么区别?→ 规则文件是始终生效的约定;Skill 是某类任务的操作手册,需要时才加载,内容可以更详细。
### 【进阶】AI 编程有哪些安全风险?
**参考答案**:把公司代码、客户数据、密钥发给未经允许的工具;AI 生成的代码有漏洞(注入、越权);引入不存在或恶意的依赖包(包名幻觉被抢注);AI 工具执行了危险命令;第三方 MCP 服务或规则文件中藏有恶意指令。对策:遵守公司政策、脱敏、审查依赖、限制工具权限、CI 安全扫描。
**追问**:AI 推荐了一个你没听过的依赖包怎么办?→ 先确认包确实存在、来源可信、维护活跃,再决定是否引入。
## 场景题
### 【场景题】团队里大家都在用 AI,但代码质量下降了,你怎么改进?
**参考答案**:仓库级规则文件和团队 Skills 统一约定;PR 限制规模、必须写验证方式;CI 兜底(测试、类型、lint、密钥扫描);数据安全规定;定期复盘 AI 的典型错误并更新规则。详见[团队引入 AI 编程场景](scenarios/ai-assisted-feature.md)。
**追问**:怎么衡量改进效果?→ 线上缺陷数、回滚次数、PR 审查往返次数、CI 失败原因分布。
### 【场景题】面试要求提交一份 AI 编程的案例或会话记录,你会提交什么?
**参考答案**:选一个学习项目中的完整任务,提交整理过的记录:任务、上下文、计划、AI 出错的地方和发现方式、验证结果(测试、截图、验证记录)、最终提交链接。全部脱敏,不包含公司内部信息。
**追问**:为什么不用工作中的例子?→ 可以讲工作中的经验,但材料不能包含公司的代码和数据;提交的记录用学习项目,既安全又能完整展示。
@@ -0,0 +1,79 @@
---
id: ai.ai-coding.scenario.ai-assisted-feature
title: 团队引入 AI 编程:从“各用各的”到可验证、可复用的工作流
type: scenario
domain: ai
stack: [ai-coding, cicd, git]
tags: [AI 编程规范, 规则文件, Skills, 代码审查, CI, 数据安全]
level: intermediate
prerequisites: [ai.ai-coding.verify-evidence]
est_hours: 2
related: [ai.ai-coding.interview, devops.git.index]
week: [8, 15]
---
# 团队引入 AI 编程:从“各用各的”到可验证、可复用的工作流
## 业务背景与问题
一个 8 人的研发团队开始普遍使用 AI 编程工具,三个月后出现:
1. 代码风格和分层越来越乱,每个人的 AI 按不同的“常见写法”生成代码;
2. 有 PR 一次改了 40 个文件,审查者看不过来,直接通过,上线后出了问题;
3. 测试覆盖率看起来上升了,但很多测试只是重复了实现逻辑;
4. 有人把包含客户手机号的日志粘贴给了外部 AI 工具;
5. 同样的错误(例如时区处理)AI 反复犯。
## 约束
- 不禁止使用 AI 工具,要让它用得更稳。
- 公司有数据安全规定。
## 方案设计
1. **仓库级上下文**:`AGENTS.md` / `CLAUDE.md` 写明技术栈、命令、分层约定、完成标准;按目录的规则文件(前端、后端、迁移各一份)。
2. **团队 Skills**:把高频任务(新增接口、加数据库迁移、发版检查)写成 Skill,由资深成员维护,评审后合并。
3. **PR 规范**:单个 PR 限制规模;描述中必须写“验证方式”(跑了哪些测试、在哪个环境验证、截图),可附验证记录;AI 生成的大段代码要标注。
4. **CI 兜底**:测试、类型检查、lint、密钥扫描必须通过;关键模块要求人工审查者理解后再批准。
5. **数据安全**:明确哪些工具被允许、哪些数据不能发送(客户数据、密钥、未脱敏日志);提供脱敏脚本。
6. **错误沉淀**:每次 AI 犯的典型错误,在周会复盘后补充到规则文件或 Skill。
## 关键代码
PR 模板(`.github/pull_request_template.md`,平台不同路径不同):
```markdown
## 改了什么
-
## 怎么验证的(必填)
- [ ] 自动:测试 / 类型检查命令和结果
- [ ] 手动:在哪个环境做了什么操作,结果截图
- [ ] 边界情况:补充了哪些测试
## AI 使用说明
- 使用的工具:
- AI 生成的主要部分:
- 我重点审查 / 修改的地方:
```
验证记录脚本示例:[examples/ai-workflow/verify.py](../examples/ai-workflow/verify.py)。
## 取舍
| 选择 | 优点 | 缺点 |
| --- | --- | --- |
| **规则 + Skills + PR 规范 + CI(本方案)** | 稳定、可积累 | 需要有人维护规则 |
| 禁止使用 AI | 风险最低 | 效率损失,成员私下使用更难管理 |
| 完全放开 | 短期快 | 质量和安全问题累积 |
## 易错点
- 规则文件写一次就不维护,和实际代码不一致。
- 只要求“写测试”,不审查测试质量。
- 用 PR 规模限制来“拆”成很多互相依赖的小 PR,反而更难审查:按功能拆分。
- 数据安全规定只口头传达。
## 面试怎么讲
> “我在项目里用 AI 编程有一套固定做法:仓库里有 AGENTS.md 写清约定和完成标准,常见任务写成 Skill;让 AI 先出计划再执行,小步提交;每次改动跑测试和类型检查,边界测试我自己补,并在真实环境验证;PR 里写清验证方式。AI 反复犯的错误我会补进规则文件。比如有一次 AI 生成的价格计算在优惠券大于金额时返回负数,就是我补的边界测试发现的。”