AI Coding 最容易踩的坑,不是不会写代码

Codex 真不缺写代码的能力,真正拉开差距的是“怎么让它干活”。

分享 3 个基本固定的用法👇

1️⃣ 别一上来就让 Codex 写代码

强制自己先让它把:

技术方案 → 项目架构 → 实现路径 → 潜在风险

全部讲清楚。

先讨论,再编码。

否则前面看着跑通,后面稍微改两次,代码就开始疯狂打补丁,最后整个项目越来越臃肿。

所以现在原则很简单:

写代码是第二步,先把方案聊明白才是第一步。

⸻

2️⃣ 遇到关键问题,先 Search;复杂任务直接上 Sub-agent

在 AGENTS.md 里提前约定:

涉及核心技术选型、论文结论、关键实现时,先检索验证,再下结论。

另外碰到长链路任务,也不会全部塞给一个 Agent。

可以直接拆成几个角色:

→ 一个负责方案设计
→ 一个负责代码实现
→ 一个负责测试和边界检查

这样做的目的不是“让 AI 更忙”,而是减少一个 Agent 从头猜到尾的机会。

⸻

3️⃣ 没有验收标准,AI 说“完成了”基本没意义

尤其是做论文复现。

代码能跑 ≠ 复现成功。

真正应该看的是:

指标有没有达到预期?

曲线是否接近?

消融实验是否成立?

Benchmark 有没有通过?

所以现在给 Codex 任务时,都会提前定义:

什么叫完成、用什么数据判断、哪些测试必须通过。

让 Agent 不只是“写完代码”,而是对结果负责。

⸻

用 Codex 久了以后,越来越觉得:

真正厉害的不是让 AI 写更多代码,而是让 AI 在正确的方向上少走弯路。

工具能力决定下限,
工作流才决定上限。

主楼