AI coding agent干活体验：重复工作高效，复杂逻辑易翻车

背景

随着大语言模型（LLM）技术的快速发展，AI 辅助编程工具日益成熟，市场上出现了多个专注于代码生成与任务执行的 AI coding agent，如 Anthropic 的 Claude Code、OpenAI 的 Codex 以及社区开源项目 Hermes Agent。这些工具声称能理解自然语言指令、自动编写代码甚至调试程序。然而，实际使用效果与宣传之间往往存在差距。近期，LINUX DO 社区的一位开发者分享了自己深度使用这些 AI coding agent 后的真实体验，引发了社区内关于 AI 能否真正提升开发效率的讨论。

核心内容

该用户近期深入测试了 Claude Code、Codex 和 Hermes Agent 三款 AI coding agent，总结出以下几点核心观察：

• AI 确实能干活，尤其在重复性任务上表现突出。 例如编写 CRUD 接口、撰写单元测试、补充代码文档等机械性工作，交给 AI 后基本可以放心，无需过多监督。
• 复杂业务逻辑和遗留系统集成是 AI 的翻车重灾区。 当任务涉及多步判断、分支条件、历史遗留的怪异设计时，AI 生成代码经常出错，调试所需时间有时甚至超过手写。
• AI 更适合编写“一次性”代码。 快速原型、脚本、小工具等不要求长期维护的代码，AI 输出“能用就行”的模式非常高效。
• 在复杂业务场景下，建议开发者自己搭好框架和接口，再让 AI 填充具体实现。 这样既能发挥 AI 的快速填充能力，又能保证整体架构的正确性。
• 调试时不要轻信 AI 的自我诊断。 AI 经常自信地指出“问题可能在XXX”，但实际方向往往错误，更可靠的方式是直接阅读报错信息。
• 单元测试是 AI 最令人满意的应用场景。 该用户利用 AI 补全测试，一个下午将测试覆盖率从 30% 提升到 80%，效果显著。

最后，该用户向社区抛出一个讨论问题：大家现在工作中如何使用 AI？是真正提升了效率，还是像他一样边用边骂？

帖子共有 4 位参与者进行了回复讨论。

关键要点

• 重复性、低复杂度的编码任务（CRUD、单元测试、文档）可以放心交给 AI，效率提升明显。
• 复杂业务逻辑、遗留系统对接等场景容易翻车，AI 生成代码需要大量调试，可能得不偿失。
• 最佳实践：将系统框架和接口定义由开发者完成，让 AI 填充具体实现细节。
• 调试时不相信 AI 的“建议方向”，优先依赖错误日志和实际报错信息。
• 单元测试是当前阶段 AI 工具最突出的价值点——能在短时间内大幅提升测试覆盖率。
• AI 代码生成更适用于“一次使用即丢弃”的原型、脚本、小工具，而非长期维护的业务代码。

意义与影响

这篇分享真实反映了当前 AI coding agent 在软件开发实践中的能力边界。它打破了“AI 可以替代程序员”的过度渲染，指出AI 更适合辅助完成机械化、低决策量的工作，而复杂的业务逻辑与架构设计仍需人类开发者主导。这种认知有助于开发者更理性地选择 AI 工具的使用场景，避免因盲目信赖而增加额外调试成本。同时，测试覆盖率快速提升的案例也表明，AI 在软件质量保障领域具有明确的实用价值。社区内关于“边用边骂”的共鸣，说明开发者对于 AI 工具既抱有期待又存在挫折感，这一矛盾将推动未来 AI coding agent 在可解释性、复杂任务处理能力方面的改进方向。