用 AI 写代码，也需要工程方法

原分享稿把工程师思维理解为使用工具解决现实问题。Vibe Coding 可以降低尝试的门槛，但一个想法成为可维护的工具，仍需要清楚的目标与检查方式。

从具体任务开始

先找到重复劳动，观察其中哪些步骤稳定，再判断是否值得做工具。需求应当能说明输入、输出和限制。进入设计时，再决定怎样实现这些行为。

把需求、设计、任务拆分和编码分开，有助于发现偏差发生在哪一层。用户要的行为没说明白时，继续生成代码未必有帮助。

调试要有证据

描述错误时，记录如何触发、发生在哪一步，以及预期与实际结果。若 AI 反复修改仍没有改善，可以先补日志，缩小调查范围，而不是继续让它猜。

日志也应当控制内容，避免把凭据或私人数据写进去。修复后重新执行原来的触发步骤，才能知道问题是否真正解决。

审查与任务相称

根据改动检查并发、资源使用、网络错误处理或敏感配置。重试次数和超时需要有边界；API 凭据不能因为方便演示就写进可公开的代码。

AI 可以协助审阅，但最终还要看实际检查结果。让工具生成更多代码，与确认这些代码值得保留，是两项工作。