一、AI 写程序之工具选择
（一）主流 AI 编程工具介绍
如今市面上有诸多 AI 编程工具可供选择，以下为大家介绍几种常见且实用的工具：
ChatGPT：由 OpenAI 开发的一款基于 Transformer 架构的预训练模型，它的自然语言处理能力十分强大，能够理解和生成人类语言，并进行文本分类、情感分析、机器翻译等自然语言处理任务。它经过大量的训练和优化，可以准确地理解用户的意图和需求，从大量文本数据中提取有用信息，还能生成高质量的文本内容，像在新闻报道、故事创作、诗歌撰写等领域都可发挥作用。并且 ChatGPT 能维护对话的上下文，让对话更连贯自然，在多轮对话中可依据之前内容回应。此外，它还提供了易于使用的 API 接口，方便开发者集成到各类应用里，不过它也存在一定局限性，比如性能依赖训练数据质量和数量，若数据有偏差，生成结果可能受影响，而且其知识表示和推理能力有限，对于复杂推理问题或需专业领域知识的任务处理起来会有些吃力。
GitHub Copilot：这是由 GitHub、OpenAI 和 Microsoft 联合开发的 AI 辅助开发工具，支持 Python、JavaScript、TypeScript、Ruby 和 Go 等多种编程语言，能为程序员提供语法结构、表达式、变量名等的自动补全建议，还可对代码进行注释解释、自动调试代码以及推荐新方案。它以公开源代码和文本训练为基础，有很强的上下文理解能力，可基于编程者已写代码及上下文自动生成代码、提示代码、修正错误以及优化代码结构，能帮助开发者提高编程效率、节省时间，但生成的代码质量需开发者进一步审核和测试，且可能存在版权问题。
Google Gemini：谷歌推出的一款功能强大的新型人工智能模型，是一个多模态模型，不仅能理解和生成文本，还可处理图像、视频和音频内容，这使其在数学、物理等复杂领域的任务执行，以及各种编程语言的高质量代码理解和生成方面具备卓越能力。它具有高度的语言理解能力，文本生成能力出色，能在短时间内生成高质量文本内容，支持多语言处理，在跨语言任务上表现优秀，且具备高效率、可靠性和可扩展性，不过目前其高性能版本尚未完全普及，部分应用场景也暂未对中国大陆地区开放。
TensorFlow：由 Google 开发的一个开源软件库，主要用于机器学习和深度学习研究与开发，支持多种平台，可以部署在各种设备上，提供了像 Keras 这样的高级 API，让构建和训练模型更加直观，凭借生产就绪和跨平台特性而闻名，是企业级应用的理想选择。
PyTorch：基于 Torch 的 Python 开源机器学习库，由 Facebook 的人工智能研究实验室开发，提供了强大的 GPU 加速、动态计算图以及丰富的社区资源，因其易用性和灵活性，特别是动态计算图（即 “define-by-run” 方法）让模型定义更直观且易于调试，在学术界尤其流行。
不同的 AI 编程工具都有各自的特点、优势以及适用场景，开发者们可以根据自己的具体编程需求来进行合理选择。
（二）根据需求挑工具
在挑选 AI 编程工具时，需要综合考量多方面因素，以确保所选工具能最大程度契合编程项目的需求。
首先，要关注编程语言的支持情况。例如，若项目主要使用 Python 语言进行开发，那像 TensorFlow、PyTorch、GitHub Copilot 等对 Python 支持良好的工具就是不错的选择；要是侧重于 Java 编程，一些针对 Java 开发有独特优势的工具，或者对 Java 有较好兼容性的通用 AI 编程工具就需要重点考虑了。
其次，项目类型也至关重要。如果是进行机器学习、深度学习相关的项目，TensorFlow、PyTorch 这类专门为该领域打造、具备丰富的机器学习和深度学习库及功能的工具会更适用；若是开发小型的、用于快速验证想法的项目，Repl.it Ghostwriter 这种能在在线开发环境中提供实时代码生成和补全功能的工具可能会更方便；而对于注重代码质量和安全性的大型开发团队，DeepCode 这种 AI 驱动的代码审查工具就能发挥很大作用，帮助检测漏洞和错误，提供改进建议。
再者，还要考虑工具的易用性和集成度。像 GitHub Copilot 深度集成到 Visual Studio Code 等 IDE 中，使用起来非常便捷，能提供无缝的使用体验；而对于重视隐私的开发者来说，Tabnine 提供本地模型训练，在保证数据隐私的同时还能提高代码建议质量，也是值得考虑的因素之一。
另外，社区支持和文档资源也不容忽视。拥有活跃社区的工具往往意味着能更方便地获取问题的解决方案、学习资料以及最新的技术动态等，比如 TensorFlow 和 PyTorch 都有丰富的文档、教程来帮助开发者入门和深入学习，遇到问题时也能在社区中寻求帮助。
总之，选择 AI 编程工具要结合项目实际需求，权衡各方面利弊，通过多尝试、多对比，找到最适合自己编程工作的那一款工具，从而提升编程效率和项目质量。
二、AI 写程序之准备工作
（一）掌握基础知识
在利用 AI 写程序之前，我们需要先掌握一些计算机科学的基础知识，这就好比盖房子要先打好地基一样重要。
首先是数学知识，它是理解和开发 AI 算法背后的理论基础。像高等数学能为处理连续空间问题以及优化问题提供工具；线性代数可帮助我们掌握处理数据集的方法，尤其当数据能用向量和矩阵形式表示时，它的作用就凸显出来了，例如在理解支持向量机（SVM）、主成分分析（PCA）以及大规模矩阵计算等方面；而概率论与统计学更是处理不确定性和建立数据模型的核心所在，对于决策树、贝叶斯网络、隐马尔可夫模型等机器学习算法来说是必不可少的，掌握这些基础数学概念对于我们理解算法如何工作以及对其进行定制化调整都起着关键作用。
编程语言也是必须要掌握的部分。Python 因其简洁的语法和庞大且丰富的生态系统，已然成为 AI 编程的首选语言。我们需要学习 Python 的基本语法、数据结构、控制流以及面向对象编程等内容，这样才能快速上手如 NumPy、Pandas 和 Scikit-learn 这些 AI 相关库，方便后续编程工作的开展。当然，除了 Python 外，像 Java、C++ 等语言在系统性能要求较高的场景中也会经常被用到，所以如果有精力也可以对它们进行学习了解。
此外，算法与数据结构的知识也不容忽视，它们是实现高效编程的重要支撑。例如，了解不同的数据结构特点以及适用场景，像列表、字典、树等，还有各类算法如排序算法、搜索算法等，能够帮助我们更好地组织和处理数据，提升程序的运行效率。同时，信息论相关知识对于理解数据的传输、存储以及处理中的一些原理也有帮助，有助于我们在 AI 编程中优化数据的运用。
对于这些基础知识，如果自身基础比较薄弱，可以通过阅读专业的计算机科学教材、参加线上线下的相关课程、观看教学视频等方式来学习巩固，扎实的基础知识储备能让我们在运用 AI 写程序时更加得心应手，更好地理解 AI 生成的内容以及对其进行合理的调整和优化。
（二）明确任务要求
当我们准备使用 AI 写程序时，一定要先清晰梳理出项目的具体要求，这一步骤至关重要，它能让我们准确地向 AI 传达需求，进而得到更贴合我们期望的程序代码。
一方面，要明确功能需求。比如我们要开发一个电商类的 APP 项目，那需要具备用户注册登录功能、商品展示及搜索功能、购物车功能、订单结算及支付功能、售后服务功能等；要是做一个社交类 APP，就可能需要有用户注册登录、添加好友、发布动态、点赞评论、私信聊天等功能。将这些具体的功能点详细罗列出来，以便后续告诉 AI 我们期望实现的各个功能模块是什么样子的。
再比如我们基于 vue 加 elmentui + axios 等组件，生成一个适合 C 端用户的项目，那就得明确要有登录注册页、首页、个人中心页面，而且个人中心页面要包含可以跳转其他页面的设置，还要有兑换券码的页面以及查看已经兑换的券码历史记录页面，并且对这些页面是否需要分页等要求都确定好。
只有把这些项目具体要求都清晰明确了，我们在使用 AI 工具写程序时，才能更精准地描述需求，引导 AI 生成符合我们预期的高质量程序代码，减少后续反复修改调整的工作量。
三、AI 写程序之实操技巧
（一）精准提问有诀窍
在利用 AI 写程序时，精准的提问是至关重要的，这能让 AI 更好地理解我们的需求，输出符合期望的代码内容。以下是一些向 AI 提问的实用技巧：
首先，要清晰定义关键词。尤其是那些存在模糊或具有多重含义的词汇，明确好具体所指，避免 AI 理解出现偏差。比如你想实现一个 “排序功能”，那就需要进一步说明是按照升序还是降序排序，基于何种数据类型（整数、字符串等）进行排序等，像 “请用 Python 语言写一个对整数列表按照升序排列的排序函数”，这样明确后的提问，AI 就能清楚知晓任务方向。
其次，提供充足的背景信息也极为关键。这能帮助 AI 更好地理解整个任务上下文，例如你正在开发一个电商项目，需要 AI 帮你写一个计算商品总价的函数，你可以这样提问：“在电商项目里，已知商品的单价存放在一个列表里，数量存放在另一个与之对应的列表中，现在请用 Python 语言写一个函数来计算这些商品的总价”，通过给出项目背景及相关数据存放形式等信息，AI 就能更贴合实际情况来生成代码。
再者，利用上下文和已有数据来辅助提问也很有效。如果你之前已经有了一部分代码，希望 AI 在此基础上继续完善或者生成与之匹配的代码，那就把这部分已有代码提供给 AI，并说明需求，比如：“以下是一段 Python 代码用于读取文件内容，[此处附上已有代码内容]，现在我还需要将读取到的内容进行格式转换，格式转换规则是 [具体说明规则]，请帮我完善这段代码来实现这个功能”。
另外，为 AI 指定一个角色也不失为一个好办法，这可以让它给出更具针对性的响应。例如，你可以说 “假设你是一名资深的 Java 程序员，现在请帮我写一个实现用户登录验证功能的 Java 类，要求使用数据库来验证用户名和密码是否匹配”，赋予其特定角色身份，引导它从专业角度来回应需求。
还有一点很重要，那就是明确输出格式。比如指定希望得到的代码是以函数形式呈现，还是完整的类结构，亦或是一段可直接运行的脚本等，甚至可以对代码的注释风格、变量命名规范等细节格式进行要求，像 “请用 Python 语言写一个生成斐波那契数列的函数，要求函数要有详细的注释说明每个步骤的作用，变量命名采用清晰易懂的英文单词”，如此能让生成的代码更符合你的预期，减少后续调整修改的工作量。
同时，参考一些常见的提示词框架也有助于精准提问。比如 CO-STAR 框架，其分别从上下文（C）、目标（O）、风格（S）、语气（T）、受众（A）、回复格式（R）这几个方面来构建提示词。以开发一个供初学者学习编程的示例代码文档为例，按照这个框架可以这样提问：“C：受众是编程初学者，O：生成一个简单的 Python 语言的猜数字小游戏代码示例，S：写作风格要通俗易懂、步骤详细，T：语气友好亲切，A：考虑到受众是初学者，代码和解释都要用简单词汇和语句，R：以代码文件里添加详细注释的格式回复”，运用这些框架能让提问更加有条理、更全面地涵盖需求要点。
总之，通过巧妙地组织语言、合理设置预设指令等方式，精心打磨提问内容，就能让 AI 更精准地把握我们的编程需求，输出高质量的代码内容。
（二）把控上下文信息
在使用 AI 写程序的过程中，控制上下文是一个不容忽视的环节，它对于提升 AI 的推理效果起着关键作用。
所谓上下文，简单来说就是 AI 在生成回答时参考的之前的相关信息，相当于它的 “记忆缓存”。默认情况下会有一定的设定数值，比如有的设定为记忆 8 个相关信息单元等，但这个上下文并非越长越好。如果历史信息又长又杂乱，反而会增加 AI 的推理难度，就好比我们人类在面对一堆无序的数据时，处理效率也会变得低下。
那如何对上下文进行有效的把控和调整呢？
一方面，可以采取定期提炼信息的策略。在和 AI 持续沟通交流、让它不断生成代码内容的过程中，要适时地对已有的交互信息进行梳理总结，提取出关键内容，去除那些冗余、无关紧要的部分，让后续 AI 参考的上下文更加精炼、重点突出。例如，在开发一个包含多个功能模块的项目时，当完成了用户注册模块的代码生成和沟通后，在下一阶段向 AI 询问订单处理模块代码时，可以先简要回顾总结一下之前注册模块里涉及到的用户数据结构等关键信息，告诉 AI 哪些是后续订单处理模块可能会关联用到的，避免它去大量回顾那些繁杂且关联性不大的注册流程细节对话内容。
另一方面，要合理使用 “清除” 功能（如果 AI 工具具备该功能的话）。当感觉上下文信息已经积累过多、过于混乱，或者某些之前的沟通内容对当前的编程任务没有帮助甚至可能造成干扰时，就可以手动清除掉这些不必要的信息，让 AI 的 “记忆” 重新变得清晰有条理。比如，之前曾尝试让 AI 生成一个临时备用的算法思路，但后来决定不采用了，且后续围绕其他核心功能模块开发时这个思路也完全不相关，那此时就可以将这部分相关的对话记录从上下文中清除掉，避免影响 AI 对新任务的理解和代码生成。
通过巧妙地把控上下文信息，能够让 AI 更好地聚焦当下的编程需求，依据更准确、精炼的相关信息来进行推理，进而生成更符合我们期望的高质量程序代码，提升整个编程工作的效率和效果。
（三）代码优化与调整
当我们拿到 AI 生成的代码后，往往还需要进行进一步的细节修改和优化，才能使其真正运用到实际项目当中。
首先，要依据自身的知识储备和项目的具体要求，对代码的逻辑结构进行检查和微调。AI 生成的代码可能在功能上大致满足需求，但有时候逻辑的严谨性、清晰性方面还存在可提升的空间。比如，代码中对于一些边界条件的判断可能不够周全，像在一个计算数组元素求和的函数里，没有考虑到输入的数组为空的情况，这时候就需要我们运用自己的编程知识，添加相应的判断语句，完善代码逻辑，像 “if len (array) == 0: return 0” 这样的语句来处理空数组情况，确保代码在各种可能的输入情况下都能正确运行。
其次，对于代码的可读性优化也很重要。良好的可读性不仅方便自己后续维护代码，也便于团队中的其他成员理解和协作。AI 生成的代码可能变量命名不够直观，或者代码的注释不够详细，我们可以将变量名修改为更具含义的名称，比如把简单的 “a”“b” 这类变量名，根据其实际代表的意义改为 “user_age”“product_price” 等；同时，补充完善代码的注释，详细说明每一段代码的功能和目的，例如在一个复杂的循环语句上方添加注释 “// 此循环用于遍历用户列表，查找满足特定条件的用户信息”，让代码的逻辑一目了然。
再者，要考虑代码的性能优化。从算法效率、资源占用等角度去审视 AI 生成的代码，看是否存在可优化的点。比如，原本的代码采用了简单的遍历查找算法来查找列表中的某个元素，但对于大数据量的列表来说效率较低，我们可以根据具体情况将其替换为更高效的查找算法，像二分查找算法（前提是列表是有序的），通过这样的调整来提升代码的运行效率，减少时间复杂度和空间复杂度。
此外，如果涉及到不同编程语言、不同框架之间的整合，还需要对代码进行相应的兼容性调整。例如，AI 生成的是一段 Python 代码，但要整合到一个以 Java 为主的项目里，那就需要将 Python 代码中相关的语法、函数调用等按照 Java 的规范进行改写，或者通过一些中间件、接口等方式来实现两者的兼容对接，确保代码能在整个项目环境中稳定运行。
总之，对 AI 生成的代码进行优化与调整，需要我们充分发挥自身的专业知识和经验，结合项目实际情况，从多个维度去完善代码，使其能更好地服务于我们的编程项目，发挥出更大的价值。
四、AI 写程序之实战案例
（一）简单项目示例
下面我们以生成一个简单的 Python 语言实现的猜数字小游戏代码为例，来展示一下利用 AI 写程序的完整过程。
首先，选择一款合适的 AI 编程工具，这里我们假设选择 ChatGPT。在使用前，要清晰地梳理出这个小游戏程序的需求，也就是明确功能需求和页面布局相关要求（虽然这个小游戏基本没有页面布局这方面，但功能上要明确）。功能上，我们希望它能实现让玩家输入数字进行猜测，程序给出提示是猜大了还是猜小了，直到猜对为止，并且能记录猜测次数等。
接着，就可以向 ChatGPT 提问了。按照精准提问的技巧，我们可以这样组织语言：“假设你是一名经验丰富的 Python 程序员，现在请帮我写一个猜数字小游戏的 Python 代码，游戏规则是系统先随机生成一个在 1 到 100 之间的整数作为目标数字，然后让玩家输入猜测的数字，根据玩家输入的数字给出‘猜大了’‘猜小了’的提示，直到玩家猜对为止，同时要记录玩家猜测的次数，并在玩家猜对后输出猜测次数，要求代码有详细的注释说明每个步骤的作用，变量命名采用清晰易懂的英文单词，代码以完整可运行的脚本形式呈现”。
ChatGPT 收到这样的提问后，可能会返回如下类似的代码：
import random# 生成一个1到100之间的随机整数作为目标数字target_number = random.randint(1, 100)# 用于记录猜测次数，初始化为0guess_count = 0# 标记是否猜对，初始化为Falseguessed = Falseprint("欢迎来玩猜数字小游戏！请猜一个1到100之间的整数哦。")while not guessed:try:# 获取玩家输入的猜测数字user_guess = int(input("请输入你的猜测数字: "))guess_count += 1if user_guess == target_number:guessed = Trueprint(f"恭喜你，猜对啦！你一共猜了{guess_count}次。")elif user_guess < target_number:print("猜小了哦，再试试吧。")else:print("猜大了哦，再猜猜看呀。")except ValueError:print("请输入有效的整数哦，请重新输入。")拿到这段 AI 生成的代码后，我们需要进行调整和优化。从代码逻辑结构检查来看，这段代码基本能满足功能需求，但可以考虑添加一些异常处理的拓展，比如当玩家输入的不是数字时，给出更友好的提示并且让玩家重新输入，当前虽然有简单处理但可以更完善些，像可以增加循环让玩家重新输入数字，直到输入正确格式的数字为止。
对于可读性优化，代码里的变量命名还算清晰直观，注释也有一定说明，但可以进一步详细，比如在 try 语句块上方添加注释 “尝试获取玩家输入的猜测数字，并处理可能出现的输入非数字的异常情况”。
性能优化方面，这个简单小游戏暂时不存在复杂的性能问题，但如果后续拓展功能，比如要大量重复玩这个游戏，可以考虑把随机数生成等部分进行优化或者封装成函数方便调用等。
经过这样从需求梳理、精准提问到拿到代码后优化调整的一系列过程，我们就利用 AI 完成了一个简单项目的代码编写工作，而且随着使用经验的增加，操作会越来越熟练高效。
（二）复杂项目思路
如果要开发一个稍复杂些的项目，比如基于 vue 加 elmentui + axios 等组件，生成一个适合 C 端用户的项目（包含登录注册页、首页、个人中心页面、兑换券码的页面以及查看已经兑换的券码历史记录页面，且页面要有分页等功能），借助 AI 实现代码编写可以分以下步骤进行。
第一步，依然是选择合适的 AI 编程工具，像阿里云的通义千问在处理这类 Web 项目相关代码生成时就挺有帮助，当然也可以结合使用其他工具。选好工具后，极其细致地明确项目的各项要求，把每个页面具体要展示的内容、具备的交互功能、数据的流向等都梳理清楚，例如登录注册页，要明确支持哪些注册登录方式（手机号、邮箱等），登录时密码的加密规则、验证逻辑，还有界面上各个输入框的布局、提示语等；对于个人中心页面，确定好展示的用户信息具体有哪些，跳转其他页面的具体触发条件和跳转逻辑等，兑换券码页面上券码的生成规则、使用规则以及和后端数据的交互等也都要整理好。
第二步，开始向 AI 提问。可以先整体描述项目的大致框架和主要功能模块，比如 “请基于 vue 加 elmentui + axios 等组件，帮我生成一个适合 C 端用户的项目代码框架，这个项目要有登录注册页、首页、个人中心页面、兑换券码的页面以及查看已经兑换的券码历史记录页面，每个页面有如下具体要求 [分别详细列出各页面要求]，并且各页面需要有分页功能，请用规范的代码结构呈现，方便后续拓展和维护”。AI 会返回一个初步的代码框架结构，可能包含各个页面的基础代码模板、组件的调用等内容。
然后针对每个功能模块进一步细化提问，以登录注册页为例，可以接着问：“在刚才生成的代码框架基础上，我希望登录注册页的登录功能通过 axios 向后端发送请求验证用户名和密码，用户名是邮箱格式，密码要求长度在 6 到 18 位之间，包含大小写字母和数字，请帮我完善登录功能的代码逻辑”。同样，对于其他页面的功能细节、交互逻辑等都逐步这样和 AI 沟通完善代码。
在获取 AI 生成的各部分代码过程中，要把控好上下文信息，定期提炼信息，去除和当前功能模块关联性不大的之前沟通内容，避免 AI 参考过多冗余杂乱的信息而影响生成代码的质量；如果发现某些之前的沟通对当前开发没帮助了，就手动清除掉这部分上下文信息。
第三步，整合和优化代码。把 AI 生成的各个页面、各个功能模块的代码整合到一起，检查整体的逻辑连贯性，比如从登录注册后进入首页，数据是否能正确传递、显示；个人中心页面跳转兑换券码页面时，参数传递是否准确等。对代码逻辑结构进一步检查和微调，像各页面的组件加载顺序、数据渲染的时机等是否合理；优化代码可读性，统一变量命名规范、完善代码注释，让整个项目代码更易于维护和团队协作；考虑性能优化，例如分页功能处数据加载的效率、大量数据交互时的资源占用情况等，若涉及到和后端不同接口的数据对接、不同框架的兼容等，还需要进行相应的兼容性调整。
通过这样分步骤、有条理地借助 AI 来实现复杂项目的代码编写，能在很大程度上提高开发效率，减少人工编写代码的工作量和出错概率，但过程中也要充分发挥自身的专业知识和判断力，确保项目的高质量完成。
五、AI 写程序之注意事项
（一）避免过度依赖
虽然 AI 在写程序方面能给我们带来诸多便利，但大家千万要注意，不能完全依赖它来完成编程工作呀。编程技能的提升，终究还是离不开咱们自身的学习与实践。
如果过度依赖 AI 写程序，就容易导致自身编程能力停滞不前。毕竟，AI 只是根据已有的数据和算法来生成代码，它可没法像我们人类一样深入理解每个项目独特的业务逻辑、背后的设计思路以及具体应用场景中的各种细节情况。比如说，遇到一些较为复杂、特殊的功能需求时，AI 生成的代码可能只是一个通用的模板，还需要我们凭借自己扎实的编程知识去进行针对性的调整和优化。
而且，不同的项目往往有着不同的技术架构、性能要求以及兼容性考量等，这些都是需要我们运用所学，去精心设计和把控的。要是长期依赖 AI，我们主动思考、解决问题的能力就会逐渐退化，一旦脱离了 AI 工具，可能连一些简单的代码编写都会变得棘手。
所以，咱们要把 AI 当作是编程过程中的一个有力助手，在借助它的同时，持续学习编程语言、算法、数据结构等基础知识，多手动编写代码，通过实际操作不断积累经验，这样才能在编程道路上稳步前行，更好地应对各种编程任务哦。
（二）应对代码问题
在使用 AI 写程序时，我们难免会遇到 AI 生成的代码存在问题的情况，像是代码里出现 bug，或者存在逻辑错误等，这时候就需要采取一些办法来解决啦。
首先，我们可以凭借自己的专业知识去排查问题。仔细研读代码，分析每一个函数、每一行语句的执行逻辑，看看是否存在不符合预期的地方。例如，检查变量的赋值、使用是否正确，循环和条件判断的边界情况有没有考虑周全，函数之间的调用关系是否合理等等。就像如果 AI 生成的一个计算购物总价的函数，我们就要看看输入不同数量、不同价格的商品时，它的计算逻辑是否能准确得出正确的总价，要是发现对于商品数量为 0 的情况没有做特殊处理，那我们就可以手动添加相应的判断语句来完善代码逻辑。
要是自己排查后还是没能解决问题，也别着急，这时可以再次借助 AI 来帮忙哦。把出现问题的代码段以及具体的报错信息或者不符合预期的表现整理好，清晰地描述给 AI，向它寻求解决方案。比如可以这样提问：“以下是一段 Python 代码 [附上具体代码内容]，运行后出现了 [具体报错内容] 的错误，我希望实现的功能是 [详细说明期望功能]，请帮我分析并修正这段代码的问题。”AI 会根据我们提供的信息，尝试分析代码中的错误点，并给出相应的修改建议，我们再按照建议去调整代码，然后重新运行测试，看看问题是否得到解决啦。
总之，面对 AI 生成代码的问题，咱们既要有自己主动排查解决的能力，也要善于利用 AI 这个好帮手，多尝试、多验证，
