AI Coding 实战
AI Coding 实战关注 AI 如何进入真实开发流程：读项目、改代码、写测试、做 Review、生成文档、分析网站和辅助运营。你可以从工具入门开始，也可以直接按具体任务查找可复制的工作流。
从这里开始
如果你刚接触 AI 编程，建议先理解 coding agent 的工作方式，再学习如何给项目补上下文，最后再尝试 MCP、Hooks 和 Skills 这类扩展能力。
认识 AI 编程助手
让 AI 读懂项目
扩展开发工作流
AI 开发与工具选择
- Codex、Cursor 等 AI 开发工具到底能帮多少忙
- AI 写代码之后，程序员真正需要做什么
- AI IDE 真的可以让一个人完成整个网站吗
- 我用 AI 从 0 开发一个网站，实际过程记录
- AI 现在到底能不能独立完成一个网站
- Codex 和 Cursor 到底有什么区别
- AI IDE 会不会改变个人开发者的工作方式
- 我测试了几个 AI IDE，最大的区别到底在哪里
- AI 工具越来越多，普通人到底应该怎么选
- AI 写代码越来越强，程序员还需要学习什么
本地模型与项目实践
- Docker + Ollama + Qwen3-Coder-Next 本地 AI 编程部署指南
- 提示词、MCP 和 Skills 区别详解
- 提示词工程教程
- 提示词工程最佳实践
- 提示词工具与实践
- 使用 AI 生成代码与接口文档
- AI 开发最大的坑，不是代码写错
- AI 生成的代码为什么经常“看起来正确”
AI 与网站运营
- AI 生成 SEO 文章，到底能不能用
- 我让 AI 一次生成 100 篇文章，会发生什么
- AI 做 SEO 最大的风险是什么
- AI 能不能帮一个人完成网站运营
- 我用 AI 做了一次完整的关键词研究
- AI 能不能自动分析竞争对手网站
- AI 能不能自动生成网站内容矩阵
- AI 能不能帮助一个工具网站生成 SEO 页面
推荐学习路线
- 先理解编码助手的工作方式：阅读 什么是编码助手，区分补全工具、聊天助手和能读写项目的 coding agent。
- 再建立项目上下文：从 项目设置 和 添加上下文 开始，把技术栈、命令、目录约定和注意事项写进项目文档。
- 然后练习小步修改：让 AI 先处理低风险任务，例如补测试、修文档、调整样式、解释报错，再逐步进入功能开发和重构。
- 最后接入扩展能力：需要访问外部工具时学习 MCP；需要沉淀团队流程时学习 Agent Skills；需要本地推理时再看 Ollama、Qwen Code 等方案。
真实项目工作流
AI Coding 不适合只用一句话“帮我改好”。在真实项目里，更稳定的方式是把任务拆成几个阶段：
| 阶段 | 你要提供什么 | AI 适合做什么 | 人需要检查什么 |
|---|---|---|---|
| 读项目 | 需求、入口文件、相关目录、运行命令 | 梳理现有实现、定位影响范围 | 是否漏掉关键模块或业务约束 |
| 定方案 | 目标行为、边界条件、验收标准 | 给出修改步骤和测试策略 | 方案是否过度设计，是否破坏现有约定 |
| 改代码 | 明确允许修改的范围 | 实现功能、补测试、更新文档 | 核心逻辑、错误处理、数据兼容性 |
| 验证 | lint、build、test、手动检查方式 | 运行命令并解释失败原因 | 失败是否来自本次修改，是否需要人工复现 |
| Review | 变更 diff 和风险点 | 总结改动、指出潜在问题 | 安全、性能、权限、线上回滚 |
常用任务模板
修改已有功能
请先阅读这个功能相关的文件，说明当前实现流程。
目标是：<写清楚用户能看到的行为变化>。
限制条件：不要改动 <不希望动的模块>，保持现有 API 兼容。
完成后运行 <项目中的验证命令>，并总结改动和风险。
这个模板适合修 bug、调整页面交互、补接口字段和小型重构。关键是让 AI 先解释现状，再进入修改。
生成测试和 Review 清单
请基于当前 diff 生成测试建议。
按单元测试、集成测试、手动验证、回归风险分类。
不要虚构已经存在的测试文件；如果需要新增测试，请说明放在哪个目录。
当项目已有测试体系时，可以让 AI 直接补测试；当项目测试较少时，先要它给出人工验证清单，避免为了“有测试”而写出不可靠的用例。
整理项目上下文
请阅读 package.json、README、构建脚本和主要源码目录，
整理一份给 coding agent 使用的项目说明。
内容包括：技术栈、常用命令、目录职责、代码风格、不要随意修改的文件。
这类文档可以放进 AGENTS.md、CLAUDE.md 或团队约定的上下文文件中。内容要短、准、可执行，避免把整份需求文档塞进去。
风险与检查清单
- 上下文不足：AI 可能只看到局部文件，因此复杂任务要明确入口、关联模块和业务规则。
- 看似正确的代码：能编译不代表行为正确，关键路径仍要人工 Review。
- 测试命令失败：先区分是本次修改导致，还是项目原有问题；不要让 AI 自动忽略失败。
- 权限和数据风险：涉及认证、支付、用户数据、文件删除、批量更新时，要把边界条件写清楚。
- 生成内容风险：AI 生成文档、SEO 页面和运营内容时，要检查事实、重复度和品牌语气。