文章核心观点 - 文章介绍了一份由资深开发者撰写的AI编码实战指南，旨在通过三大关键策略提升AI辅助编程的效率与质量，其核心在于根据任务类型选择合适的AI模型、重构开发工作流以及明确人机分工 [1][3] 按任务类型选对模型 - 不应一个模型用到底，需根据任务复杂度选择模型：大型复杂任务（如几十页的工程规范落地、项目重构）适合使用Codex，因其在编码前会默读文件以理解项目逻辑，虽然耗时更长但对复杂需求的完成度更好 [5][6] - Codex在重构Opus 4.0旧代码时，花费数小时读透整个项目，不仅未遗漏关键逻辑，还修复了2个隐藏Bug [7] - 小型零碎任务（如小范围修改）适合使用Opus，其响应迅速，通常几分钟就能出结果，无需长时间读取文件 [8] - 进阶选择是GPT-5.2-Codex（尤其是high模式），它能够兼顾速度与准确率，适用于前端开发（如Chrome扩展）或后端工具（如Go语言CLI工具）等多种场景，无需在Codex和Opus间切换 [10] 重构工作流 - 建立定制化工作流是高效管理多项目并行的关键，作者可同时推进8个项目 [14] - 将新想法直接放入AI编码工具的排队列表，而非备忘录，系统会按优先级自动处理，避免遗忘并解放开发者精力，例如在开发“YouTube视频总结Chrome扩展”时，将“加浏览器弹窗提醒”、“支持本地存储”等想法塞入队列 [15] - 开发过程中应避免回滚决策以节省时间，秉持“构建软件就像爬山，绕路或后退都正常，但不要在‘要不要回滚’上浪费时间”的理念 [16] - 遇到相似功能时，无需从头编写，可指示AI参考旧项目代码或结构进行快速适配，例如参考VibeTunnel项目的“字符流输出”功能为Clawdis添加类似功能，仅用10分钟；或按旧项目（如Sparkle项目）目录格式搭建新工具 [17] 人机分工 - 基本原则是AI负责执行，人类负责决策 [18] - 必须由人类决策的事项包括：选择依赖库、设计系统架构、排列功能优先级等 [19] - 可以交给AI执行的事项包括：编写基础代码、修复已知bug、生成GUI界面、更新项目日志，甚至“注册域名”、“改DNS配置”等琐事 [19] - 实践案例：在开发Go语言CLI工具前，作者花费半天研究Go语言类型系统对AI生成的适配性及可复用库，决策后再让AI编写，有效减少了返工；在开发数据可视化工具时，则直接让AI用20分钟编写核心代码并负责测试 [20][21] 实用小技巧 - 开发新项目应从命令行界面工具开始，先验证核心逻辑，再扩展功能，例如开发“YouTube视频总结Chrome扩展”时，先构建能将视频转文字并总结成Markdown的CLI版本，确认可行后再让AI搭建前端和浏览器扩展，一天内完成 [23][24] - 利用项目文档帮助AI记忆上下文，减少重复沟通，例如在项目docs文件夹中写入“系统设计思路”和“功能说明”，并通过脚本让AI读取，之后添加新功能时无需反复提及兼容性等要求 [25][26] - 单人开发时可直接提交至主分支，避免使用复杂的特性分支或开发分支，因为分支过多易导致合并冲突，而AI工具（如Codex）可自动创建临时工作区处理混乱代码，改完后合并回主分支，比手动管理更简单 [27][28][29]