用了一年 AI 辅助编程，它重构了我对”效率”的定义

一、我用 AI 工具做过的最典型的几件事

从 ChatGPT 到 Cursor，大概算下来用了将近一年半。挑几个最典型的场景说：

场景一：写模板代码。 Controller / Service / DTO 这类有固定格式的代码，以前靠 IDEA 插件生成，现在直接告诉 AI “给我生成一个带分页查询的 CRUD 接口，参数是 XXX”，30 秒出来，我再对照业务做微调。这类任务提效最明显，大概节省了 70% 的时间。

场景二：解释遗留代码。 接手一段历史代码，看不懂意图，以前要靠 debug + 问老同学。现在贴给 AI，让它解释这段代码在做什么，十次有八次能给出合理的解读，帮我快速定位看哪里。

场景三：排查报错。 把 stack trace 粘给 AI，问它可能是什么原因，它能给出几个方向。不是每次都对，但作为第一步定位很有效，省掉了盲目搜 Stack Overflow 的时间。

场景四：写 SQL。 复杂的多表关联 SQL，以前要想很久。现在描述需求，AI 给出 SQL 草稿，我 review 一遍，改掉不符合我们表结构的部分。出错率有，但能接受。

二、效率真的提高了吗——诚实的自我评估

整体上，我的答案是：某些任务明确快了，某些任务反而慢了，总体是正收益，但没有我预期的那么大。

明显快了的： 上面说的那类任务——模板代码、解释代码、排查报错、写 SQL。这几类任务共同特征是：有明确的输入输出，AI 不需要理解业务上下文就能完成。

反而慢了的： 有几次我把一个业务需求描述给 AI，让它帮我出设计方案。AI 给了一个看起来结构清晰、逻辑自洽的方案，我开始按这个方案实现，实现了一半发现它对我们系统现有的结构做了几个假设，而这些假设在我们的场景里是不成立的。推倒重来，加上我验证这个方案的时间，整体花的时间比自己直接设计还多。

AI 生成代码让我多花时间的，通常是这类场景：需求里有很多隐含的上下文，AI 不知道，我描述得也不够准确，最后生成的东西需要大量修改。

三、AI 工具暴露了我自己的什么问题

用了一年多之后，我意识到一件事：AI 是一面很准的镜子。

需求描述清晰，AI 给的结果大多能用；需求描述模糊，AI 给的结果就是一堆模糊的方向。以前需求不清楚，我也能靠经验和直觉往下推进，往往是做完了才发现理解有偏差。AI 加速了这个过程，但同时也把”你有没有把需求想清楚”这件事前置了——如果你没想清楚，AI 生成的东西只会帮你更快地往错的方向走。

还有一件事：有几次 AI 写出了代码，跑起来没有报错，但我说不清楚某段逻辑为什么要这样写。这让我警觉——如果我不理解代码，我就无法判断它在边界情况下是否正确，也无法在出问题时排查。接受不理解的代码，是一种技术债，而且是那种很难被发现的技术债。

四、什么样的程序员会被 AI 替代，什么样的不会

一年使用下来，我的观察是：

会被压缩的部分： 机械性的代码生产。接一个明确的需求，写出来，能跑，这个动作的价值确实在降。如果一个人的主要工作就是这个，AI 会让他的不可替代性降低。

不会被替代的部分： 理解需求的能力，设计系统的能力，判断方案取舍的能力，以及——出了问题，能搞清楚发生了什么的能力。这些需要对业务上下文、系统历史、团队能力的深度理解，而这些理解是 AI 没有的。

对我自己的影响：我花在”写代码”上的时间少了，花在”想清楚需求”和”review 设计”上的时间多了。这不是 AI 强迫的，是因为我发现那才是最值钱的部分。