文章目录 / 点击展开
ChatGPT 最适合开发工作的方式，不是让它一次生成整个项目，而是把需求拆解、实现、测试、调试和审查分成多个可验证的小步骤。本文给出一套可直接复制的开发工作流，适用于日常功能开发、Bug 修复和代码重构。
核心原则：让 AI 提供候选方案，让代码、测试和人工审查决定方案是否正确。
这套工作流适合什么任务
适合使用 ChatGPT 的任务包括：将模糊需求整理成验收标准、解释陌生代码、生成小范围实现、补充单元测试、分析错误日志、审查潜在风险和整理变更说明。
不建议直接交给 AI 的任务包括：没有上下文的大规模重构、涉及生产数据的高风险操作、无法运行验证命令的代码生成，以及需要法律、财务或安全责任判断的决策。
工具与素材准备
- ChatGPT 或其他支持长上下文的模型。
- 项目的技术栈、目录结构和关键约束。
- 当前需求、错误日志、相关代码和可运行的验证命令。
- 一份明确的禁止事项，例如“不修改数据库结构”“不新增依赖”。
提交代码前先删除密钥、Token、用户数据和内部地址。不要把 .env、生产日志或完整数据库内容直接发给第三方模型。
第一步：把需求转成可验证任务
不要直接问“帮我完成这个功能”。先让 ChatGPT 输出用户故事、验收标准、技术任务和风险。
你是一名资深全栈工程师。请将下面的需求拆分为：
1. 用户故事
2. 可验证的验收标准
3. 最小实现任务
4. 可能影响的模块
5. 风险和待确认问题
要求：不要编写代码，不要猜测缺失信息。
需求：{{需求}}检查输出时，重点确认验收标准能否通过测试、接口响应或界面行为验证。无法验证的描述需要继续拆分。
第二步：提供最小必要上下文
上下文越多不一定越好。每次只提供完成当前任务所需的信息：相关函数、调用关系、数据结构、现有测试和错误信息。
推荐按以下格式组织：
目标：修复用户列表分页重复的问题
技术栈：Node.js + PostgreSQL
相关文件：user-service.js、user-repository.js
禁止事项：不修改接口返回结构，不新增依赖
验证命令：npm test -- user-pagination
现象：翻到第二页时出现上一页最后一条数据
相关代码：{{代码}}如果项目较大，可以先让 AI 解释调用链，再决定需要补充哪些文件，而不是一次粘贴整个仓库。
第三步：要求最小改动方案
让模型先说明原因和修改点，再生成代码。这样可以提前发现它是否理解错了问题。
根据以上上下文，请先完成以下分析：
- 最可能的根因
- 需要修改的最少文件
- 每个修改点的目的
- 需要补充的测试
确认方案后，再输出最小代码改动。不得顺手重构无关代码。对于多个可选方案，要求模型比较复杂度、兼容性和回滚成本，而不是默认采用最“先进”的技术。
第四步：用测试和日志验证
AI 生成代码后必须运行真实验证。建议按“具体测试 → 相关测试 → 全量检查”的顺序执行。
npm test -- user-pagination
npm run lint
npm test测试失败时，只回传必要的错误片段、运行环境和相关代码。让 ChatGPT 建立 2–3 个故障假设，并为每个假设提供验证方式，避免连续盲改。
第五步：进行代码审查
实现通过测试后，使用第二轮对话进行审查。不要让同一个回答既生成代码又宣布代码没有问题。
请以代码审查者身份检查以下变更，只报告有证据的问题：
- 正确性和边界条件
- 安全与权限
- 并发、性能和资源释放
- 向后兼容性
- 测试遗漏
每个问题给出严重级别、触发条件和最小修复建议。
变更：{{diff}}第六步：沉淀为团队模板
把有效内容保存到项目文档：任务输入模板、常用验证命令、代码审查清单和典型失败案例。下次遇到相似任务时，只替换变量，不必重新组织整段提示词。
可以结合 Cursor 结对编程工作流 处理代码库上下文，并在 Prompt 宝库 保存团队模板。
上线前检查清单
- AI 是否只修改了任务范围内的文件。
- 所有用户输入是否经过验证和转义。
- 权限检查是否放在服务端而不是只放在界面。
- 日志是否包含密钥、个人信息或敏感业务数据。
- 新增逻辑是否有正常、边界和异常测试。
- 是否运行了项目已有的 lint、测试和构建命令。
- 是否记录了已知限制和回滚方式。
常见问题
ChatGPT 生成的代码可以直接上线吗
不可以。AI 输出只能作为候选实现，必须经过代码审查、自动化测试和实际运行验证。涉及权限、支付、隐私和数据删除的代码需要更严格的人工检查。
应该一次把整个代码库发给 ChatGPT 吗
通常不需要。先提供任务描述、相关文件和调用关系；只有模型明确缺少某段上下文时再补充。更小的上下文更容易审查，也能降低敏感信息泄露风险。
ChatGPT 和 Cursor 应该怎么选择
需要讨论方案、分析日志或整理需求时，ChatGPT 更灵活；需要直接理解代码库并修改多个相关文件时，Cursor 等代码编辑器更高效。两者都必须以测试结果为最终依据。
如何判断这套工作流是否真的提效
记录任务耗时、返工次数、代码审查问题数和测试失败次数。连续观察 5–10 个类似任务，再判断哪些步骤值得保留，而不是只凭一次体验下结论。