摘要：2. 建立"经验文档"，让 AI 越用越懂你 参考 Claude Code 创建者 Boris Cherny 的做法：建一个 Claude.Anthropic 《教练的常识》（Becoming a Coach: The Essential ICF Guide），[英] 乔纳森·帕斯莫尔（Jonathan Passmore）、[英] 特雷西·辛克莱（Tracy Sinclair） 著，中国人民大学出版社。《CCF中国教练联盟核心能力解读（通用能力版）》，FDCL五维教练团 著，中国法制出版社，2021年。

前言

近年 AI 发展迅猛，经常看到 AI 要取代这个、取代那个的消息，让人颇感焦虑。我想通过做一款高度复杂的应用，看下 AI 编程的能力边界。最复杂的应用莫过于操作系统。我认为如果未来存在所谓的“AI 操作系统”，那么它必然是开源的。因为对于任何闭源系统，借助 AI 编程都能被迅速复刻并开源。此外，该系统必然拥有前端界面以降低使用门槛，既能深度融合文本、图片、视频等模型能力，也能完美呈现这些多模态内容。

基于这些判断，我利用 drawnix 进行二次开发，创作了 Opentu（开图）。虽然 Opentu 距离真正的 AI 操作系统还有很长的路要走，但目前已具备许多功能：AI 图片生成、视频生成、图片预览、图片编辑、素材库、云端同步、Agent、Skill 等。所有代码均由 AI 编写，主要使用的 AI 编程工具包括：Claude Code、Cursor、Codebuddy、Trae，核心模型为 Claude Opus。

体验链接：opentu.ai/

GitHub 地址：github.com/ljquan/aitu

为什么说人人都能学会 AI 编程

AI 确实很强，但目前仍只是一个高杠杆工具，需要人的引导。玩过杠杆的人都知道，提升 1% 的正确率意味着什么。如果是 10 倍杠杆，有经验的人可能带来 10 倍收益，而缺乏经验的人可能制造出 10 倍的“屎山”代码。但有了 AI 之后，非专业人员也能开发应用，经过学习同样能引导 AI 写出优质代码。如果员工的价值与产出成正比，那么会用 AI 写代码的员工价值会最大的。因为 AI 是杠杆，软件应用也是杠杆。因此，我认为人人都应该学习 AI 编程。基于此判断，我让妻子学习了 AI 编程。她从零经验开始，经过 2 周摸索，已经可以给 Opentu 提交 PR 了。她并非突然掌握了所有语法、框架和工程化细节，而是学会了三件事：

1. 会用一个 AI 编程工具（能把需求说清楚、能让它改到正确）
2. 了解最基本的 Git 流程（commit / PR）
3. 会跑起来并调试（至少会看浏览器 DevTools）

更关键的是，她学会了一个“新手也能复制”的技巧：

像镜子一样把看到的反馈给 AI，它就能改对。

AI 编程的核心技术：洞察与反馈

现在的 AI 编程工具基本能做到“指哪打哪”：你给需求，它很快能写出一版实现。

但只要需求足够复杂，几乎不可能一次性 100% 正确。初次实现达到 60%～80% 很常见，剩下的 20%～40% 才是主要成本所在。

所以 AI 编程的流程大体是：

1. 你说需求：告诉 AI 你想要什么。（我常用的提示词是：在 A 模块新增/修改/删除 xxx [关键逻辑或验收标准]，不确定的地方先问我）
2. AI 动手写：它大概能做对 60%～80%
3. 你来验收：找出剩下 20%～40% 的问题，反馈给 AI 修正（循环此过程）。

因此关键问题是：你能否看到所有的这 20%～40% ？

为什么需要人来验收？

因为 AI 无法自查。如果它能意识到自己错了，它早就改对了。作为人类，我们的核心价值不是“写代码”，而是“发现问题”和“指引方向”。

这就像教练与运动员的关系：AI 是那个天赋异禀但偶尔犯错的运动员，而你是教练。你的任务不是替它上场跑，而是像一面镜子，帮它发现自己看不到的问题，激发其潜能。

什么是教练式编程

ICF（国际教练联合会）对教练的定义是：在一个发人深省和富有创造性的过程中与客户合作，激励客户最大限度地发挥个人和专业潜能。教练式编程就是指在 AI 编程中，我们通过深入洞察问题与反馈，将 AI 的潜能发挥到极致。在腾讯教练俱乐部的多次大咖分享中，我听到最多的一句话是：“教练是一面镜子”。教练像镜子般让客户看到真实的自己，并通过这种观察让客户更全面地看待待解决的问题，从而启发更多可能性。我有幸听过一次吴咏怡博士的分享，她的“六维认知模型”深受启发。所谓六维，即通过多个角度的“镜子”让客户看到问题全貌并深挖细节，逐步逼近问题本质。

[图 1] 六维认知模型，图片来源：吴咏怡博士朋友圈

六维反馈法

受吴咏怡博士的启发，我在 AI 编程中也总结了 6 个验收时洞察问题的维度：

问题反馈的提示词模板：xxx 目前是什么情况，预期是什么情况，修复这个问题

对于界面（UI）问题，可以截图反馈给 AI，告诉它当前 UI 是什么情况，预期是什么情况。 “界面”和“交互”这两个维度，即便没有编程经验也能直观看出。这部分比较容易上手，大部分情况下反馈给 AI 后都能解决。 而对于“逻辑”，可能无法直观发现。可以让 AI 将相关逻辑提取为公共模块，并完善单元测试，通过单测来辅助发现问题。 如果前 3 步发现了问题，反馈给 AI 后仍未解决，则需要深入细节。

可以添加日志来辅助分析。我常用的提示词是：xxx 实现不正确，添加日志帮助分析。加上日志后，复现对应场景，将输出的日志连同问题描述发送给 AI，通常都能修正。

如果仍未修正，就需要进一步放大细节。有编码经验的朋友可以查看代码细节，若能定位到问题代码，大概率能修好。当然，我们也可以利用工具来查看细节。在 Opentu 中，我专门制作了一个“日志/调试”页面来辅助收集详细信息。

总而言之，AI 编程写出正确代码的关键在于：我们通过多维度，更敏锐、精确地洞察到问题所在，并反馈给 AI。在这个过程中，我们就像教练一样。虽然编程经验丰富的人在 AI 编程中更有优势，但前 4 个维度无需编程经验也能轻松掌握。因此，零基础的人也可以通过多维度反馈，引导 AI 写出正确的代码。

让 AI写出好代码的4 个最佳实践

写对代码只是及格线。对于复杂应用，需求会不断叠加。如果代码质量差，后续每加一个功能都是在“屎山”上堆砖，越堆越危险。

1. 基于模板项目起步，别从零开始

大模型有一个天然倾向：用最低成本实现需求。如果你让它从空白目录开始，大概率会得到一堆简陋的脚本文件。基于成熟模板，既可以减少生成公共代码的 Token 消耗，又能利用模板中包含的最佳实践和代码规范来约束 AI。基于模板开发，AI 编程工具能更好地遵循规范。我在用 AI 编码时也会不断沉淀和优化模板代码，目前模板项目尚未完善，暂不发布。

2. 建立"经验文档"，让 AI 越用越懂你

参考 Claude Code 创建者 Boris Cherny 的做法：建一个 Claude.md 规则文件，每次开发完新功能，把踩过的坑和总结写进去。AI 编程工具每次启动时会读取这个文件，相当于给 AI 装上了“项目记忆”。

我写了一个自动化命令来做这件事：update-claude-md，每次代码变更后执行一下就行。

3. 持续重构，定期"打扫卫生"

AI 不会主动复用已有代码，经常重复造轮子。你需要定期提醒它：A 页面的 xx 功能和 B 页面类似，提取成公共模块复用。在 Opentu 中，我将可复用的 UI 组件置于 components 目录，工具函数置于 utils 目录，以保持结构清晰。

4. 用严格的类型检查当"安全网"

对于前端项目，建议使用 TypeScript 的严格模式。类型检查就像一张安全网，能在代码运行前拦截许多低级错误，减少你和 AI 之间的“返工”次数。

零基础入门指南

如果你完全没有编程经验，想开始 AI 编程，只需要学三样东西：

1. 一个 AI 编程工具（必学）：Claude Code、Cursor、Codebuddy、Trae 任选其一，找视频教程跟着操作一遍即可上手。
2. Git 基本操作：知道怎么保存代码（Commit）和提交代码（PR）就够了。
3. 项目运行和调试：知道怎么把项目跑起来（就前端而言，需了解 npm 命令和 Chrome 浏览器 DevTools 的常用功能）。

对于 2 和 3，都可以找相关视频学习，了解基本概念；记不住命令也没关系，可以让 AI 编程工具代劳。如果你还想学习一门编程语言，我建议选择 JavaScript。Jeff Atwood 曾提出过著名的“Atwood 定律”：“任何可以使用 JavaScript 编写的应用，最终都会由 JavaScript 编写。”去年，Anthropic 收购了热门开发者工具初创公司 Bun，而 Bun 正是一个基于 JavaScript 的运行时环境。

参考文献

1. Boris Cherny: Claude Code Best Practices
2. Jeff Atwood: The Principle of Least Power (Atwood's Law)
3. Bun is joining Anthropic
4. 《教练的常识》（Becoming a Coach: The Essential ICF Guide），[英] 乔纳森·帕斯莫尔（Jonathan Passmore）、[英] 特雷西·辛克莱（Tracy Sinclair） 著，中国人民大学出版社。
5. 《CCF中国教练联盟核心能力解读（通用能力版）》，FDCL五维教练团 著，中国法制出版社，2021年。