用 AI 写完代码跑不起来,很多人第一反应是回去改提示词;纯手写的代码报错,又习惯从头单步调试。两种做法经常都白费时间。这篇讲的是:面对一段出问题的代码,先判断它是谁写的、错在哪一层,再决定用哪套排查动作。给的是顺序和清单,不是万能解法。
用 AI 写完一段代码,跑出来报错,很多人的第一反应是回头改提示词,换个说法让它重写一遍。手写的代码报错,又习惯从第一行开始单步调试,一行一行往下走。这两种做法经常白费时间,因为方向一开始就选错了。
这篇讲的是排查顺序:先确认出问题的这段代码是谁写的,再看它错在哪一层,然后才决定用哪套动作。给的是判断标准和清单,不是包治百病的解法。有些情况这套顺序根本不适用,后面也会说清楚。
先回答两个问题,再决定怎么查
动手之前先问自己两件事。第一,这段出问题的代码是人手写的、模型生成的,还是两边混着改过。来源不同,可疑点完全不一样。混合来源最难查,所以要先确认最后一次改动是谁做的,是你在编辑器里手改的,还是让模型整段替换的。
第二,错在哪一层。是编译或语法层根本没过,是运行起来直接抛异常,是跑通了但结果不对,还是环境和依赖没对上。这四层的排查动作差得很远,混在一起查只会越查越乱。两个问题交叉一下,大致就是下面这张表,先定位到格子里,再动手。
| 错误层级 | AI 写的代码先看什么 | 人手写的代码先看什么 |
|---|---|---|
| 编译/语法层 | 模型补的符号是否真实存在 | 最近手改的那几行括号和类型 |
| 运行时报错层 | 依赖版本与函数签名是否对得上 | 上游返回的数据结构是否符合假设 |
| 逻辑结果不对 | 它是否只改了局部没管调用方 | 自己反复看的那段之外的部分 |
| 环境与依赖层 | 它假设的版本和你装的是否一致 | 环境变量、编码、时区这些没写进代码的东西 |
AI 写出来的代码,错通常错在「它没见过你的上下文」
模型生成代码时的毛病,基本都围绕一件事:它看不到你项目里的真实情况,只能按训练里见过的印象补全。所以它写出来的东西语法往往很漂亮,一看就像能跑,坏就坏在细节和你本地对不上。
最常见的是调了不存在的函数或参数名。你项目里这个字段可能叫 userName,它给你写成 user_name,报错信息里明明白白写着找不到这个属性,但很多人第一眼扫过去以为是别的问题。还有一种更隐蔽,函数名对,参数顺序反了,编译能过,运行起来结果莫名其妙。
- 调了不存在的函数或参数名,模型按印象补全,和你项目里的真实命名不一致
- 依赖装错版本,代码逻辑没错,是它假设的库版本和你环境里的对不上
- 只改了被点名的那一个文件,没动调用方,局部能跑、整体编译不过
- 把示例里的占位值直接写进代码,比如把测试用的地址当成正式配置
对应的动作其实很简单:别凭描述让它改。先让它复述当前文件里真实存在的函数签名、字段名和依赖版本,你把这些贴给它,它才能对着真实上下文改。这一步多花两分钟,能省掉后面来回重生成的好几轮。
人手写的代码,错多半错在自己知道的那部分之外
人写的代码出问题,排查时最大的障碍不是难,是主观。自己刚写的那几十行,翻来覆去看很多遍,越看越觉得没问题,因为写的时候逻辑在脑子里是通的。真正出问题的地方,往往在自己根本没意识到需要检查的部分。
我见过一种很典型的动作:报错指向某个字段为空,人却盯着自己的赋值语句改了半天,最后发现是上游接口这次没返回这个字段。还有一种,本地跑得好好的,部署上去就挂,代码一个字没改,差异在环境变量、时区或者字符编码上,这些东西压根没写在代码里。
所以手写代码的排查动作,第一条不是读代码,是先把「我确定没问题的部分」列出来,逐条验证一次。验证过的划掉,搜索范围就从主观感觉挪到了客观证据上。这个动作看着笨,实际比反复读代码快。
人和 AI 混着改过的代码,按这个顺序查
实际项目里最麻烦的是混合来源:你先手写了个框架,让模型补了两个函数,自己又改了几行。这种代码出问题,既不能全怪模型,也不能只信自己的判断。下面这个顺序是我建议的排查路径。
- 找最后一次能跑通的提交和当前版本做差异对比,差异越大越要怀疑。如果差异只有几行,排查范围立刻缩小。
- 把 AI 补的整段新代码先摘掉整段注释掉或者回退,跑一次。能跑通,说明元凶就在这段新代码里,方向定了。
- 确认是新代码的问题后,查它引用的外部符号函数、字段、依赖是否真实存在,版本对不对。这一步查清楚再决定改代码还是改提示词。
- 不是新代码的问题,就回到环境与配置层别再在业务逻辑里打转,去核对配置项和依赖版本,同样的代码换台机器跑一次做对照。
这个顺序的核心是每次只动一个变量。摘掉新代码跑一次,换机器跑一次,每次只改一处,出结果就知道是谁的责任。攒着三处一起改,改完跑通了也不知道是哪处修好的,下次还会踩。
环境这一层,AI 和传统编程栽的是同一个坑
不管代码是谁写的,环境层的故障长得都差不多,而且特别容易被误判成逻辑错误。同一段代码在你机器上跑得好好的,换一台就报错,这时候基本可以锁定环境层,不用再回去改业务逻辑。
- 依赖版本
- 把你实际用的版本号贴给模型看,别让它猜;版本差异引起的报错最常被当成逻辑错误
- 配置项
- 环境变量、接口地址、密钥、超时时间这几格,谁都可能填错一位,先打印出来核对
- 网络与代理
- 本地调不通接口,先分清是代码问题还是请求根本没发出去
- 判断标准
- 同样的代码换一台机器能跑,就不用再改逻辑,直接查环境
接口调不通的时候,先量一下延迟基线,能帮你分清是请求没出去还是对方响应慢。站内的测速工具可以先跑一次,具体数字到 看当时的结果,别凭感觉判断。「很慢」和「根本没通」是两种完全不同的故障。
这套顺序什么时候不好使
前面说的都建立在「代码报错或者结果不对」这个前提上。有些场景按「谁写的」来分类根本没意义,硬套这套顺序只会浪费时间。
- 性能问题不适用:慢不是错,该走性能剖析那条路,看热点在哪,而不是看代码谁写的
- 需求理解错了也不适用:代码完全正确,只是做的不是你要的事,这时候该回去改需求描述
- 线上偶发问题不适用:复现不了的情况下,先补日志和请求字段,再谈定位
- 安全漏洞不适用:这类问题需要专门审计,不是靠报错复现能查出来的
还有一种情况容易忽略:代码没错,是文档或者接口说明过时了。按过时文档写的代码,运行结果和预期不符,这时候该核对的是上游的真实行为,而不是怀疑自己或者模型写错了。
一张可以照着做的动作清单
最后把上面这些收成一张能直接照着做的单子。下次遇到问题,不用从头想,按顺序过一遍就行。
- 记录报错原文,不要复述成「报错了」,原文里的类型名和字段名往往就是线索
- 贴上下文给模型时附上真实文件片段和版本号,别只给一句描述让它猜
- 改完一处就跑一次,别攒三处一起改,否则又回到不知道是谁的问题
- 留一次能回退的提交,AI 改坏了直接回到上一个能跑的状态
- 环境层的配置项打印出来核对一遍,填错一位是最常见也最容易漏的
这些动作没有哪一条是万能的,但合起来能让你在十分钟内判断出该往哪个方向走。排查这事儿,省时间的从来不是更聪明的方法,是少走错路。
下一步想先摸清手上这些接口和工具的实际表现,可以到站内的工具目录按类别筛一遍,测速和接口检测都在里面;具体数字以页面当时显示的为准。→常见问题
AI 生成的代码报错,是不是换个更强的模型就能解决?
多数情况不能。报错信息里往往已经写明是字段名不对、模块找不到还是类型不匹配,这类问题换模型照样会犯,因为它看不到你项目里的真实定义。先把报错原文和相关的几行代码一起贴过去,比换模型有效得多。
传统编程那套单步调试,用在 AI 写的代码上合适吗?
合适,但要先确认代码结构你看得懂。AI 有时会生成你完全没设计过的调用链,单步进去容易迷路。建议先在关键入口打日志确认流程走向,再决定在哪一步断点。
怎么快速判断是代码问题还是环境问题?
找一台确定能跑的环境对比一次,或者在当前环境里跑一个最小可复现的例子。同样的代码换个环境就好了,基本是环境层;哪里都不行,才回到代码里查。
AI 一次改了好几个文件,出问题怎么定位?
回到改动前的提交,一次只恢复一个文件重跑,用二分的方式缩小范围。别对着改后的代码整体猜,猜中的概率比逐个排除低。
这套方法对非程序员也适用吗?
适用,但可以跳过单步调试那部分。非程序员更需要做的是准确描述现象、保留能回退的版本、把报错原文完整交给工具,这三件事做到了,大部分问题能自己收敛。