AI 工具使用技巧

本文部分内容节选自 2026/05/10 TRAE on Campus@中国地质大学（北京） AI coding Meetup

基础

1. 模型选择

选择优质模型

• 海外：GPT-5.5、claude-opus-4.7、gemini-3.1-pro
• 国内：GLM 5.1、Kimi k2.6、MiniMax 2.7、DeepSeek v4 pro

为不同的任务分配不同的模型

不但可以提高任务完成质量，还可以避免“杀鸡用牛刀”，来保证效率的同时节省成本。

• 如对于简单的任务，用 GPT-5.4 代替 GPT-5.5。
• 对于前端开发可以用 Kimi k2.6 等模型。
• 目前 DeepSeek v4 pro 相比同级别海外模型有着非常高的性价比，尤其是缓存命中的情况下，且支持 1M 上下文。

模型评分网站

• https://artificialanalysis.ai/?intelligence=coding-index

• https://openrouter.ai/rankings 拥有市占率、任务评分、速度、语言、上下文等多维度评分排行

2. 不要一上来就让 AI 写代码

❌ “给我实现一个xx功能”

先让 AI 充分熟悉代码库：

✅ “深度阅读仓库/xx目录下的代码，梳理业务逻辑与代码逻辑” ✅ “看下xx功能现在的逻辑是什么”

3. 小步迭代，不要一次性给一个很大的任务

❌ “给我实现一个抖音”

✅ “实现一个能上下滑动的短视频列表” ✅ “实现点赞功能” ✅ “实现用户登录功能”

4. 学会让 AI 反向提问

✅ “我的需求如下：xxx。需求细节是否清晰？有不清晰的点务必和我讨论清楚”

5. 先让 AI 独立做一个小 Demo

借助搜索引擎（Google、Github、Baidu...），先用 Demo 跑通技术卡点。

✅ “先做一个Demo，把如何收集Twitter信息跑通” ✅ “参考下他那个项目是怎么解决Twitter信息获取的，参考一下”

6. 先让 AI 生成技术方案

✅ “我的需求：xxx。给我设计一套技术方案”

7. 如果结果不满意，及时回滚

不要试图在 AI 跑偏的基础上继续修补。及时 git checkout / git reset --hard 回滚，重新来过。

8. 及时新起会话

不要在同一个会话中一直对话，以下情况应及时新起会话：

• 新任务 → 新会话
• 老会话用了比较久
• AI 开始出现幻觉，胡说八道

跨会话技巧：

• 重新让 AI 熟悉工作目录
• 让 AI 留痕（写文档），留下长期记忆

9. 压缩会话

TRAE 3.0 等工具支持会话压缩，清理冗余上下文，保留关键信息，延长有效对话窗口。

10. 反向生成提示词

让 AI 根据你描述的需求，反向帮你写出更完善的提示词，然后再用这个提示词去执行。

11. 让 AI 加点日志

走投无路，怎么也改不对？

✅ “这个功能一直有问题，帮我在关键节点加一些调试日志，帮助定位问题所在”

日志策略：

• 在函数入口/出口打印参数和返回值
• 在条件分支处打印判断依据
• 在异步操作前后打印状态

调试完成后：让 AI 帮你清理所有调试日志。

进阶

1. 善用 MCP

MCP（Model Context Protocol）为 AI 提供接入外部系统的能力。

常用 MCP 推荐：

MCP	用途
Chrome DevTools（Playwright）	读取/操作 Chrome，用于读取文档、UI 自动化测试
Figma	搭配 Chrome MCP，视觉还原利器
Context7	第三方知识库集成，获取最新文档，新项目启动神器
Git	拉取 Code Review 建议，自动修改

2. 沉淀 Agent Skills

Skills 本质是对经验的封装，教 AI 怎么做事。为 Agent 提供更好的组装、扩展和移植能力，让 Agent 掌握特定领域知识，从而稳定、可重复地完成特定领域任务。

参考：https://www.claude.com/blog/skills

Skills vs MCP

维度	Skills	MCP
本质	对经验的封装，教 AI 怎么做事	接口/协议，对 AI 自身能力的扩展
原理	在适当时机触发本地技能包（prompt、脚本、文档、代码...）	在适当时机触发远程/本地 MCP 服务
加载方式	渐进式加载	全量加载
解决什么	面向某个具体场景，点对点解决问题	提供接入外部系统的工具
类比	人的技能	USB / API / 插件
什么时候用	本质是“认知/推理/策略/模式”，更像一个“做事方法”	访问外部平台（需要鉴权），调用 API、读写 DB
场景举例	“如何新建组件”、“如何写PPT”、“如何发布需求上线影响面群周知”	飞书 MCP、Chrome MCP、Figma MCP

心智简化原则：能用 Skill 的就用 Skill，Skill 实现不了的就用 MCP。

哪里找 Skills？

• https://www.skill-cn.com — Skill 精选市场，每个 Skill 都配有实战案例

推荐 Skills：

• agent-browser：浏览器 UI 自动化测试
• browser-use：浏览器复杂场景自动化（比如爬虫）
• ui-ux-pro-max、front-end-design：写出精美 UI
• vue-best-practices、java-best-practices：技术栈最佳实践
• find-skills：用于找 Skill 的 Skill
• skill-creator：用于创建 Skill 的 Skill

3. 如何构建大型项目

模块拆分设计：模块间尽量解耦，让 AI 每次尽可能改动少量文件。推荐直接用框架（如 Next.js）—— 框架相当于“清水房”，你负责装修。

用“AI 看得见”的代码模式：

• ✅ monorepo、submodule（AI 能看到代码）
• ❌ npm 包、分仓（代码黑盒）

用“AI 会的”东西：

• ✅ Next.JS、React.JS、Spring（模型已有的知识）
• ❌ 自己造轮子（模型知识缺失）

4. 用 Rule 沉淀团队规范

如果你有一些项目规范或者个人习惯希望所有 Agent 都能使用，应该放在 project_rules.md 或 user_rules.md 中。

Rule 示例（个人偏好）：

Always chat in Chinese.
Add function-level comments when generating code.
My system is Mac.
Use pnpm instead of npm.

团队规范示例（完整 Rule 文件）：

---
description: AI MUST strictly follow all numbered rules when generating code.
globs:
  - "**/*.ts"
  - "**/*.tsx"
  - "**/*.js"
  - "**/*.jsx"
  - "**/*.css"
  - "**/*.less"
---

规范条目涵盖：现代语法、数组初始化、类型注释、可选链与空值合并、默认参数、条件渲染结构、组件内部结构、状态管理、useEffect/useMemo/useCallback 使用规范、CSS 命名与规范、禁止 eval/魔法数字/嵌套三元等。

Rule 的“坑”：

1. 最多能支持 20000 byte，如果超过，project_rules 会被先裁剪
2. Rule 内容里的一些概念模型无法理解导致模型不遵循
3. 文件路径要写相对于项目根目录的相对路径
4. ❌ Please help me form the code by referring to "templates.md".
5. ✅ Please help me form the code by referring to "src/.trae/rules/templates.md".
6. Rule 内容被覆盖 — 优先级：用户输入 > 自定义 Agent Prompt > user_rules.md > project_rules.md

Rule 需要不断维护迭代：

• 每次看到 AI 犯错就追加一条
• 跟随项目现状
• 定期 Review

更复杂的 Rule 示例：使用 Rule 定义 UIKit 组件库使用规范，包括组件检索路径、检索顺序、组件分类、设计系统、SDK 文档等，AI 即可自动定位并读取对应文档。

5. Spec Coding（范式编程）

Vibe Coding vs Spec Coding

Vibe Coding	Spec Coding
“感觉要加点盐...” 随手撒一把	需要哪些食材（用量精确到克）
“好像还缺点什么...” 再撒点十三香	每一步怎么做（火候、时间都写清楚）
“感觉差不多了...” 尝一口	最终成品应该是什么样子（验收标准）
走一步看一步	按计划行事

Spec 要回答的问题：

• 你的项目整体规范是什么
• 你的需求是什么
• 技术方案如何设计
• 编码流程如何设计
• 任务如何拆解
• 每个环节如何验收

核心原则：不要上来就写代码，先理清需求，设计方案，再执行。

推荐工具：

• Spec Kit
• OpenSpec
• Trae Solo

6. 多 Agent 协同

Multi-Agent：多个独立 Agent 并行，通常用来多角色分工。

Sub-Agent：类似领导和下属的关系，下属给领导汇报。

邪修篇

1. 学会“粗鲁”对待 AI

❌ 请您帮我完成这个任务，感谢！ ✅ 务必完成这个任务

直接、明确的指令比礼貌的请求更能让 AI 准确执行。但也不要走极端 —— ❌ Fk，我你（情绪化表达无助于任务完成）

2. 对 AI，不要用“你”

Andrej Karpathy（特斯拉 AI 总监，OpenAI 创始团队成员）指出：和 AI 聊天时，不要把 AI 当人，不要使用“你、你认为、你觉得”。

这样问实际上是让 AI 变傻了。因为 LLM 本质上没有自我意识，更像是一个有海量知识的模拟器。当用“你”这个字提问，比如问“你的看法”时，模型就会立刻被触发嵌入特定人格。它会硬要把自己扮成一个礼貌、安全但有点无聊的 AI 助手。这时它说出来的往往是那些四平八稳、挑不出毛病，但实际上没什么深度的重复话，也就是大家常说的“AI 味”。

3. 一心多用

利用好 AI 执行的时间间隙，并行更多的事情。

Token 是普通人在 AI 时代的最强杠杆，Agent 开得越多，效率越高。

4. 用 git worktree 并行开发

git worktree add ../feature-ver1 -b feat/feature-ver1
git worktree add ../feature-ver2 -b feat/feature-ver2

多个 worktree 同时开工，互不干扰。

5. 巧用 SVG

让 AI 用 SVG 沟通视觉信息：

• ✅ “现在设计的布局是什么样的，用 SVG 简单画下”
• ✅ “用 SVG 画下当前项目架构图”
• ✅ “这是我的报告，用 SVG 给我多画几个图”

6. 让模型互怼

1. 切到 B 模型，让 B 模型给评审建议
2. 切回 A 模型，评审 B 模型的评审建议
3. 优先采纳 A、B 模型达成共识的建议
4. 有争议的点，你来决断，或者让 A、B 模型继续“吵”

7. 上下文管理

现在的模型能力已经足够强大，所以 AI 写出的代码不及预期，大概率是上下文出了问题：要么是关键信息给的不到位，要么是上下文过长、记忆窗口超限了，或者讨论内容过杂、不纯。

上下文 = AI（你）所能感知到的一切：代码库、日志、请求、视觉截图、数据库、各种文档...

8. “放弃思考”

你看到了什么，你就让 AI 看到什么。把你看到的一切信息，无脑转发给 AI：文档、截图、网络请求、日志、代码、数据库... 把 AI 当成你的外置大脑。

甚至聊天也可以。“我们不思考，我们是 AI 上下文的搬运工。”

9. 不止编码

AI 能做的远不止写代码：

• 做 PPT
• 优化简历
• 指导论文
• 模拟面试
• 写文章

AI 编程实战：多 Agent + Spec Coding

案例：如何用 AI 编程，打造商用级 UI。

第一步：和“产品 Agent”对齐需求

在这个 Agent 中，不断打磨需求（可以用到前面讲的“反向提问”等技巧）。

一个好的需求稿的标准就是：把这个需求稿直接扔给设计、研发同学，他们可以清晰直观地了解需求的所有细节（这句话也可以扔给 AI）。

产出需求稿可以放到 docs/requirement.md 中。

第二步：让“产品 Agent”产出线稿

新建一个目录 wireframes，然后跟产品 Agent 说：

“根据需求，用 SVG，在 wireframes 下生成下主要界面的线稿，不需要样式，展示出基本布局与功能即可”

第三步：让“设计 Agent”产出视觉稿

“依据需求稿，在 mockup 目录下产出主要页面的静态视觉稿。不用实现功能，用纯 HTML+CSS 就好。” “use ui-ux-pro-max skill，视觉风格：[提炼的视觉风格关键词]”

第四步：让“研发 Agent”进行开发

基于前面产出的需求稿、线稿、视觉稿，让研发 Agent 进行完整开发。

结语

“我们过去的努力，正在变成枷锁。我们的能力成长，其实远远落后于 AI 的进化速度。” “从小学到大学我们都被教育努力学习，付出就会有回报。但在 AI 面前不是这样。” “最残酷的点就在这里，因为我们已经学了十几年的传统技能，我们反而被限制了想象力。也就是说，我以前的努力在 AI 时代反而成了我自己的枷锁。”

从今天开始，争取一行代码都不要写。把精力花在思考、设计、审核上，让 AI 成为你的数字员工团队。