目前的 AI 生成的代码，就像是在把刚印好的字直接打在自己刚洗好的衣服上，看起来挺干净利落，但仔细一摸全是浆糊味。我最近折腾过好几堆大模型，都发现它们最精通写那种“要是你写脏东西，你务必把代码写得漂漂亮亮”的废话文学。

要是遇到个需求写段复杂逻辑要么优化性能的难题，大模型反而把路走窄了，出于它只记得如何把难题包装得完美，却忘了如何真正干活。

有时候你让它写个爬虫，结局它给你扔了一堆用 SQL 就能解决的代码，显得特别像你自己在瞎找。 找靠谱的项目，第一招就是要把大模型当成“甲方”而不是“乙方”。别总想着让它直接给你出成果，你得先让它给你出个烂大街的方案，再让它挑毛病。

比如让它写个博客，让它启动写，写出一堆废话，然后你再说：“这段前言写得忒像 AI 了，如何把语气变成老白话的？”这时候大模型才启动思索如何改，它才会真正尝试去模仿人类的笔触。

要是它一启动就直接给你完美的成品，那这玩意儿大约率就是 Prompt Engineering 的成品，关你屁事。 二是要敢问“为啥”，而不是只想听“如何做”。当模型试图用“起初、其次”这种教科书式的话术来解释逻辑时，赶紧打个卡。别让它讲大道理，直接把它绕晕了。

比如刚刚那个爬虫，它可能给你写了一套看起来挺专业的 API 调用逻辑，但你得问：“这 API 回的数据格式是只给 JSON 还是得转成 Python 列表？要是后端不赞成 JSON 如何办？”这种直接挑战常识的难题，是逼模型去动脑筋、去搜索真答案的好机会。 第三个就是得给它喂点“脏数据”。专门找点有 Bug、字段缺失、就连故意写反的 API 文档给它，然后让它“修复”。

这时候它就不会再用那种完美的描述性语言，而是会启动依据毛病信息去推导对的代码逻辑。

比如它发现一个 API 回的是长字符串而不是 JSON，它可能会忍不住说：“别编 JSON 了，直接转成 list 吧，这样后端更好办处理。”这种带有主观判断和实际操作的回答，才算是真正懂业务。 还要特别注意它的输出格式限制。大模型有时候为了显得专业，会强制要求输出 Markdown 列表，里面全是"1.2.3."这种格式的东西。

这时候你就得在旁边批注：“不用如此整，改成段落叙述就行。”要么干脆让它用代码块包裹，然后自己再里面做点逻辑推导。别被那些漂亮的表格给骗了，有时候表格越复杂，里面的逻辑越好办出错，就连还会变成乱码。 最终，一定要学会给模型“戴高帽”要么供给具体的上下文背景。

要是它不知道你在用啥框架，它生成的代码可能连你目前的工具都配不上。你得在它写代码前先说清楚：“你目前用的是 Django 框架，后端有自定义的认证系统，数据库是 Postgres。”这种具体的输入，能让模型生成的代码直接挂上墙，而不是悬在半空等着你自己去试错。 找项目标时候，也别光看那些“金牌模板”。

那些全是现成的，用着也费事。真正的好项目，往往是那种没人愿意写、要么压根儿没人演示过的“脏活累活”，但通过合理的引导，让你也能搞定。

有时候项目本身就是一个坑，你得顺着坑去挖，看看能不能把它变成你自己的东西。 实际上说白了，别总指望 AI 能完美。它只是个工具，是个帮你提效的铲子，不是那个能给你兜底的瑞士军刀。你得有判断力，有对业务的理解，有对代码的直觉。还不如让 AI 给你完美的废话，不如让它给你一堆带着小瑕疵但能改的草稿。

毕竟，能改出来的代码，才是真正归于你自己的东西。