Peter Yang · 2025-08-19

AI时代的正确"AI编程"方法论——Lee Robinson（Cursor）新手全流程实录

摘要

本文记录了Cursor AI教育负责人Lee Robinson与Peter Yang的深度对话，系统演示了如何使用AI工具（以Cursor为例）从零开始搭建应用的全流程。对话深入探讨了"AI驱动开发"这一新范式下的软件开发方法论，强调AI不是工程师的替代品，而是放大工程师能力的杠杆。Lee指出，在AI时代，工程基本功、批判性思维和主动规划能力比以往任何时候都更为重要，只有懂得如何与AI协作、善用工程规范和反馈机制，才能真正释放AI的生产力。

内容框架与概述

本次对话围绕AI重塑软件开发流程这一核心主题展开，首先阐述了AI在开发中的正确定位——它不是替代工程师，而是放大工程师的杠杆。AI能够自动生成代码、撰写commit信息、运行测试、修复bug，但人类工程师仍然需要负责规划、审查、决策和提供上下文。这种角色转变让工程师更像是一位带领AI实习生团队的Tech Lead或工程经理，需要善于分解任务、设定规则、审查结果。

在"从0到1"的AI开发实践层面，Lee强调了初始规划的重要性。AI可以帮助写代码，但开发者必须明确告诉AI产品目标、技术栈选择、测试要求和设计风格等关键信息。测试驱动开发（TDD）被证明是AI agent的最佳拍档，让AI先编写测试再实现功能，失败时自动修复，形成自验证闭环。同时，工程规范如git工作流、lint规则、commit message格式等需要提前设定，并通过Cursor Rule等机制固化为AI agent的"工作习惯"。

对话还深入讨论了"Vibe Coding"与工程规范的辩证关系。Vibe Coding（随性编程）虽然适合原型或玩具项目，但绝不适合生产级、需要多人协作或长期维护的代码。AI让vibe coding变得更加容易，但这也意味着更加危险——许多新手用AI快速做出第一个版本后，却发现代码无法维护和扩展，最终不得不回头补基础。工程师的真正价值在于"批判性思维+规范+反馈"，AI能自动生成代码，但只有懂得如何设定测试、规范和反馈机制的人，才能让AI持续产出高质量成果。

关于AI agent工作流，Lee介绍了Cursor Rule机制——将工作习惯和规范写成规则，自动注入每次AI agent对话中，保证一致性。他区分了前台agent（适合需要人类实时审查和交互的任务）和后台agent（适合自动化、批量、低风险任务），两者可以并行协作，但需要注意冲突管理。AI agent的"自我修复"能力完全依赖于测试、lint、类型系统等反馈机制，这些传统工程规范在AI时代反而变得更为重要。

核心概念及解读

AI驱动开发（AI-Driven Development）：这是一种新的软件开发范式，AI不是替代工程师，而是"放大工程师的杠杆"。AI能够自动执行代码生成、commit撰写、测试运行、bug修复等重复性任务，但人类工程师仍然必须负责"规划、审查、决策和上下文输入"。在这种范式下，工程师的角色更像是一位带领AI实习生团队的Tech Lead或工程经理，核心能力变成了任务分解、规则设定和结果审查。

测试驱动开发（TDD）与AI的协同：TDD被证明是AI agent的最佳拍档。正确的工作流程是让AI先编写测试，再编写实现代码，当测试失败时AI自动修复，形成"自验证闭环"。这种机制让AI agent具备了"自我修复"能力，而这种能力的强弱完全依赖于测试、lint、类型系统等"反馈机制"的质量。因此，传统工程规范在AI时代不仅没有过时，反而变得更加重要。

Cursor Rule机制：这是Cursor平台的一项核心功能，允许开发者将"工作习惯/规范"写成规则文件，这些规则会自动注入每次AI agent对话中，保证AI行为的一致性。例如，可以设定规则要求AI"每次都写测试、使用git、撰写清晰的commit message"等。这种机制将工程规范固化为AI agent的"工作习惯"，避免了AI行为的随机性和不一致性。

Vibe Coding与工程规范的辩证关系：Vibe Coding（“随性编程”）指的是在没有严格规范和测试的情况下，凭感觉快速编写代码的编程方式。这种方式适合原型或玩具项目，但绝不适合生产级、需要多人协作或长期维护的代码。AI让vibe coding变得更加容易，但这也意味着更加危险。工程师的真正价值在于"批判性思维+规范+反馈"，只有懂得如何设定测试、规范和反馈机制的人，才能让AI持续产出高质量成果。

通才工程师的未来：AI让小团队或个人能够做的事情大大增加，能够跨界（产品、设计、工程）的"通才工程师"将成为AI时代的主力军，拥有更长的职业生命周期。对于非技术人员想学AI开发，最佳路径是"做中学+补基础"——一边用AI做小项目，一边补习计算机科学基础（数据结构、算法、API、client/server等），并学会"问对问题"。但AI开发的最大风险是"无知"，如果不懂基本原理，容易出现API key泄露、权限错误等严重安全问题。