谋定而后动：规划流程

• 制定周详计划：先别急着动手，让 AI 帮你写一份详尽的实施方案，存成 Markdown 文件。

• 评审与优化：仔细审阅方案，删掉不必要的项目，如果某个功能过于复杂，要勇于砍掉。

• 严控范围：把那些灵光一闪的新点子记到另一个地方，以免打乱当前节奏，保持专注。

• 小步快跑，逐步实现：一次只做一个部分，而不是试图一蹴而就，避免搭建空中楼阁。

• 追踪进度：每完成一个部分，就在实施方案文档里打个勾。

• 频繁提交：确保每个部分完成后，都稳稳当当地提交到 Git，然后再开启下一段征程。

版本控制：你的安全网

• Git 是你的生命线：绝对不要把希望寄托在 AI 工具自带的撤销功能上。

• 另起炉灶：每开发一个新功能，都从一个干净的 Git 分支开始。

• 陷入僵局？果断重来：如果 AI 开始胡言乱语，带你跑偏，别犹豫，直接用 git reset --hard HEAD 回到最初的美好。

• 避免滚雪球：多次失败的尝试会层层叠叠，留下一堆烂代码。要及时清理。

• 净室实现：当你终于找到解决方案时，回滚代码，在一个干净的状态下重新实现它。

测试为王

• 高屋建瓴，抓大放小：把重心放在端到端的集成测试上，而不是单元测试。

• 模拟真实用户场景：让测试模拟用户在网站或应用上的真实点击行为。

• 警惕“暗度陈仓”：大语言模型（LLM）常常会画蛇添足，在不相关的逻辑上做出些意想不到的改动。测试能帮你揪出这些问题。

• 测试是最好的护栏：一些开发者甚至从测试用例写起，用它来给 AI 的行为划定清晰的边界。

高效 Debug 心法

• 善用报错信息：很多时候，你只需要把错误信息原封不动地扔给 AI 就够了。

• 动手前先分析：在动手改代码之前，先让 AI 分析一下所有可能的原因。

• 失败后就重来：一次修复尝试失败后，就从一个干净的状态开始下一次。

• 巧用日志：引入策略性的日志记录，能帮你和 AI 更清楚地了解到底发生了什么。

• 换个模型试试：一个 AI 搞不定时，不妨换个别的 AI，或许就豁然开朗了。

• 净室修复：一旦你确定了问题所在，就回滚代码，在一个干净的版本上实施修复。

优化你的“AI 程序员”

• 创建指令文件：把你的详细要求、规则和偏好，写进 cursor.rules、windsurf.rules 或 claude.md 这类文件里，给 AI 立好规矩。

• 本地文档不可少：把 API 文档下载到你的项目文件夹里，确保 AI 能读到最准确的信息。

• 多工具联合作战：有些高手会同时开着 Cursor 和 Windsurf，让它们在同一个项目上并肩作战。

• 人尽其才，物尽其用：Cursor 在前端开发上速度更快，而 Windsurf 则想得更深更远。

• 货比三家：同时让多个方案并行，然后挑选最好的那个。

复杂功能开发之道

• 先搭个原型：先把复杂功能在一个干净、独立的代码库里构建出来。

• 提供参考范例：直接把可用的代码示例甩给 AI，让它照着学。

• 边界清晰：在允许 AI 进行内部重构的同时，保持 API 的外部一致性。

• 模块化架构是王道：基于服务的架构，因为其边界清晰，比庞大的单体仓库（monorepos）更适合 AI 发挥。

技术栈选择的考量

• 成熟框架更胜一筹：像 Ruby on Rails 这种身经百战、约定俗成的框架，AI 理解起来毫不费力。

• 训练数据是关键：像 Rust 或 Elixir 这类较新的语言，AI 可用的训练数据就相对匮乏。

• 模块化至关重要：小而美的模块化文件，无论对人还是对 AI 都更加友好。

• 远离超大文件：别让 AI 处理成千上万行的代码文件，它会头晕的。

编码之外，大有可为

• 自动化运维：让 AI 帮你配置服务器、DNS 和托管服务。

• 设计辅助：生成网站图标（favicon）和其他设计元素。

• 内容创作：起草文档和市场营销材料。

• 变身学习利器：让 AI 逐行解释它不理解的实现细节。

• 活用截图：利用截图来报告 UI 错误或激发设计灵感。

• 语音输入：借助像 Aqua 这样的工具，实现每分钟 140 个单词的语音输入。

持续进阶

• 定期重构：一旦测试就位，就应该频繁地重构代码。

• 寻找重构机会：主动问 AI，代码里有哪些地方可以优化。

• 拥抱最新模型：每个新模型发布了都去试试。

• 扬长避短：认识到不同的模型在不同任务上各有千秋。