作者：Gwen Davis

排版：Alan Wang

学会指挥 AI 智能体，批判性地审查其输出，并在整个工作流程中始终将技术判断力置于核心位置。

AI 正在改变开发者的工作方式，以及他们运用自身技能的方式。编写代码依然至关重要，但开发者越来越需要掌握如何指挥 AI、评估 AI 的输出、沟通权衡取舍，并做出合理的技术决策。

好消息是，你今天就可以开始为此做准备。以下是值得重点关注的方向：

技巧一：学会指挥 AI，而不只是使用 AI。

AI 正在改变任务执行的方式。如今，高效执行越来越意味着：清晰地定义问题、提供恰当的上下文、评估 AI 生成的代码，并判断哪些成果已经达到交付标准。随着 AI 智能体承担越来越多的实现工作，这些技能也变得愈发重要。

例如，假设你接到了一项任务：新增一套身份验证流程。

传统的工作流程可能如下所示：

任务：新增身份验证功能

→ 创建分支
→ 编写代码
→ 运行测试
→ 创建拉取请求

随着 AI 工具能力不断增强，并更加深入地融入日常工作流程，这些技能可以帮助你协调多个 AI 智能体。你的工作流程可能更接近下面这样：

工作空间：新增身份验证功能

智能体 1 ✓ 身份验证功能已完成，等待审查
智能体 2 ✓ 文档草稿已就绪
智能体 3 ✓ 测试套件已就绪

注意其中的变化。你依然需要对最终结果负责，但不必再花费那么多时间亲自实现每一个部分。相反，你需要定义工作内容、审查输出结果，并做出相应的技术决策，将所有工作整合起来。

核心要点：学会指挥 AI 智能体。

开始你的第一次智能体会话 >

技巧二：不要轻信 AI 给出的第一个答案

AI 可以在几秒钟内生成令人印象深刻的解决方案，但第一个答案并不总是最好的。你在编写整洁、易于维护的代码方面积累的经验，可以帮助你评估 AI 的输出。

你可以让第二个 AI 模型评审第一个模型的成果，然后运用自己的判断力来评估两者的回答。

下面的提示词展示了这种做法在实际中的应用：

“编写一条 SQL 查询，返回每位客户最近的一笔订单。”
↓
AI 模型 #1
✓ 生成查询语句
↓
AI 模型 #2（评审）
⚠ 未处理时间戳重复的情况
⚠ 缺少索引方面的建议
⚠ 在大型数据表上可能表现不佳

不同的 AI 模型各有优势，也存在不同的盲点。因此，GitHub Copilot 内置的 Rubber Duck 智能体会利用第二个模型，在你继续推进工作之前，对计划、代码和测试进行评审。来自第二个模型的不同视角，往往能够发现第一个模型遗漏的问题。

核心要点：充分信任 AI，让它为你所用，但不要信任到省略审查环节。

技巧三：利用 AI 解决更大的问题

当 AI 帮你节省了实现功能所需的时间，开发者就可以将这些时间投入到更广泛的问题中，例如理解客户需求、评估不同方案的权衡、设计更好的系统，以及做出 AI 无法替你做出的技术决策。

例如：

问题 #4821
标题：添加深色模式

AI

✓ 完成功能实现
✓ 生成测试
✓ 更新文档

开发者检查清单

☐ 验证客户问题是否真实存在
☐ 审查架构方案的权衡取舍
☐ 检查无障碍访问能力
☐ 定义成功指标
☐ 批准解决方案

随着 AI 承担越来越多的实现工作，真正优秀的工程师所具备的差异化能力也会变得更加重要：做出合理的判断、权衡不同方案的利弊，以及解决真正值得解决的问题。

核心要点：让 AI 承担更多具体的实现工作，这样你就能投入更多时间培养判断力，帮助团队做出更好的决策。

总结

随着开发者的工作流程不断演变，学会高效地与 AI 协作，并持续提升自身的技术判断力，将有助于你更好地适应变化。

将这些理念付诸实践 >