前言
过去一年，我越来越多地使用 GitHub Copilot（基于 OpenAI Codex）来辅助编程。起初，我担心这会让我变懒，甚至失去解决问题的能力。然而几个月后，我发现自己的生产力和代码质量都提升了——但方式和我预想的完全不同。
这篇文章不是工具测评，而是我在“人与 AI 协作编程”这个新模式下，真实学到的 5 件事。
1. 写注释，变成了一种“向 AI 提需求”的技能
以前我写注释只是为了提醒自己或同事。现在，我会这样写：
python
# 从给定的 URL 列表下载所有图片，保存到 ./images/ 目录， # 如果文件已存在则跳过，返回成功和失败的列表
Codex 几乎能立刻补全出可运行的实现，包括try/except、路径检查和状态返回。
我学到的：清晰的逻辑描述，比熟练记忆 API 更有价值。
2. 重复代码不再是烦恼，而是“样本”
当我在一个文件中第二次写类似的循环或数据处理时，Codex 会自动建议“像上次那样完成”。这让我意识到：重复不是坏事，它是给 AI 的模式样本。
案例：
我写了一个函数validate_email(email)，接着写validate_phone(phone)—— 只打了def validate_phone(，剩下的行（正则、异常处理、返回布尔值）就自动生成了。
3. 我反而开始写更多测试
因为生成代码太容易了，我会怀疑：“这段代码真的正确吗？” 于是，我养成了一个新习惯：对 AI 生成的每个函数，立刻要求它生成测试用例。
比如写完上面的download_images函数后，我输入：
python
# 测试 download_images 函数
Codex 会生成包含模拟请求、临时目录、断言结果的pytest测试代码。这迫使我思考边界条件，而不是盲目信任 AI。
4. AI 会犯错，而且错得很自信
最大的陷阱：Codex 会生成看起来正确、但实际有逻辑错误的代码。例如，它曾在一个递归函数中漏掉了基线条件。
我的应对方法：
把 AI 当成一个“写得很快的新人”，而不是权威。
始终复查循环终止条件、变量作用域和安全相关代码（如 SQL 拼接、eval 等）。
5. 它无法替代架构设计，但能帮你实现细节
在开始一个新功能时，我仍然需要自己设计模块、类结构、接口。但一旦我把函数签名写下来，例如：
python
def retry_request(url, max_retries=3, backoff_factor=0.5): # 带指数退避的重试逻辑
Codex 能很好地补全time.sleep、异常捕获、重试计数等细节。我专注于“做什么”，它负责“怎么做”的常见模式。
结论：Codex 没有让我变笨，它把我从“打字员”变成了“设计师”
编程的核心从“记住语法和库”转向了“清晰地定义问题与约束”。如果你把它看作一个会打字的伙伴，而不是自动完成机器，你会发现自己的设计能力和审查能力在提升。
最后一句建议：信任，但验证。就像你不会不经审查就合并一个初级开发者的 PR 一样，对 AI 生成的代码也要保持同样的专业态度。
工具本身不决定成败，使用它的方式才决定。
你在使用 AI 辅助编程时有类似感受吗？欢迎在评论区分享你的经验。
