最近几周，我把 AI 用在了这 3 个更“深入”的地方
目录
前面提到，AI 在测试用例生成、代码审查这些场景已经越来越成熟，甚至逐渐成为需求迭代中的“标配环节”。
最近，下面这几个更偏“日常工作流”的使用方式我也越来越得心应手。
一、熟悉代码：从“人找代码”到“代码讲给你听”
有些需求，我会做比较细致的白盒测试。
但一个很现实的问题是：
- 技术方案看了
- 需求点也理解了
- 真正落到代码上，还是要花不少时间“啃”
尤其是：
- 逻辑分散在多个文件
- 调用链很深
- 老代码缺少注释
以前的方式基本是：
全局搜索 + 断点 + 人脑推演
现在我基本换了一种方式：
直接让 AI 带我读代码
比如我会问：
“这个需求给老用户刷数据的时机是在哪？具体代码在哪？”
AI会做这些事：
- 帮我梳理调用链路
- 用自然语言解释逻辑
- 精确指出关键代码位置
最关键的是：
它不是“给你代码”，而是“把代码讲明白”
这件事的本质变化是：
过去是你适应代码，现在是代码适应你的理解方式。
二、排查偶现问题：AI 成了“不会疲劳的推理助手”
做测试的人都懂：
偶现问题，是最折磨人的
尤其是第一轮测试就出现的：
- 你不能忽略
- 但你复现不出来
- 心里始终没底
以前的处理方式：
- 开发加日志
- 猜测原因
- 尝试构造 case
现在我会多做一步：
让 AI 直接参与“推理过程”
我的做法是：
- 用文字详细描述现象
- 提供相关代码
- 描述我已经尝试过的复现路径
然后让 AI 去分析：
“在这些条件下，可能的原因有哪些？”
让我印象特别深的是：
有一次我完全复现不了的问题，AI直接指出了一个边界条件问题。
我按它说的路径去验证，真的定位到了根因。
那一刻的感觉非常兴奋：
AI 不只是“辅助工具”，而是在参与问题分析
三、把重复流程变成 Skill：降低“上下文切换成本”
这一点，是我最近觉得最被低估但最有价值的能力。
举个最简单的查数据的场景：
经常需要查某张表“最近几天的数据”
以前你要：
- 打开数据库工具
- 写 SQL
- 调整时间条件
现在我直接这样说：
“帮我查一下 xxx 最近三天的数据”
AI 会自动完成：
- 拼 SQL
- 查询数据
- 返回结果
更关键的是：
这个过程可以“固化成 skill”
而且整个过程，几乎不需要自己动手写文档：
- 你只需要说清楚你想做什么
- AI 会一步一步尝试实现
- 遇到问题会反问你
- 最终跑通流程
最后你只需要说一句：
“把刚刚这个流程整理成一个 skill”
它就能帮你抽象成一个可复用的能力。
你需要做的只是：
- 简单看一眼
- 测几次
四、总结
如果说前一阶段 AI 带来的提升是：
效率提升
那现在这一阶段更重要的是：
工作方式的改变
从：
- 人肉操作
- 临时思考
变成：
- AI 协同
- 能力沉淀
- 流程复用