分享一个QA视角下的AI编程实战体感

这次换到 Claude Code (v0.2.x)，最让我意外的是它对终端环境的感知力。我直接给它下指令去分析一个复杂的异步接口调用链，它能自己跑 grep 搜关键字，再对照日志文件去定位死锁的位置，这种 Agentic Workflow 的闭环感比单纯的对话框强太多。

目前我的工作流大概是这样：

一、利用 Claude Code 快速生成测试用例骨架
直接在终端输入：

claude "analyze the current api spec in /docs and generate pytest cases for the edge cases of the payment module"

二、通过 Prompt 强制要求它输出类型注解
为了防止它写出那种没法维护的“屎山”，我会给它设定一个严格的约束：

All generated Python code must include strict type hinting (typing module). 
If a function return type is ambiguous, mark it as Any and add a TODO comment.

三、人工 Review 环节（最关键）
虽然现在的 Coding Agent 效率极高，但我发现大概有 30% 的生成的代码在边界条件处理上依然欠缺。我现在的习惯是：AI 写逻辑 → 我写断言 → AI 根据报错修复。

这种方式让我意识到，现在的 AI 编程已经从“帮我写一段代码”变成了“帮我管理整个任务流”。对于想尝试 AI 辅助开发的人，建议少花时间研究怎么写完美的 Prompt，多花时间研究怎么构建一个能让 AI 快速反馈的测试闭环，这才是提升实战效率的底层逻辑。