一个四十岁“老”程序员如何使用 AI 提升效率

在之前的一篇文章从程序员到 CTO 的十年创业血泪总结（六）：当大模型遇见 2B 软件中，我认为在 AI 加持下，一个好的程序员效率能够得到更大倍数的放大，优秀的程序员和不优秀的程序员之间的效率差距只会进一步拉大，一个新兴的组织就不应该招聘太多平庸的人而只需要招聘少数优秀的人等等。

虽然我自己算不上最优秀的那一波程序员，不过在过去几个月，我也的确使用 AI 极大地提升了自己的工作效率。在这篇随笔里面把这个过程中的一些心得体会分享给大家。

我会大致按照一个程序员典型的完整工作顺序来进行描述。同时，本文的所有描述，都是假设程序员已经能够解决网络可达性、IP 限制等基础问题。

PART01

前期的市场调研

按照传统观点，调研可能更多是产品经理的工作，程序员只需要等着产品经理告诉自己应该做什么就可以了。但是，过去十年的产品管理经验让我感觉，这种基于传统的刻板分工本身并不一定合理，特别是有了大模型的加持，优秀的产品经理和程序员更应该扩展自己的职责边界，向对方的领域渗透。

因此，在过去一段时间，我在探索新的产品方向时，也是自己来进行市场调研工作。我前前后后大概萌发了十多个不同的产品想法，这些其中有 2C 也有 2B，有些互相关联，有些毫无关系。对于这些产品的验证，我主要是依赖于 Gemini Deep Research，这么一个非常强大的信息检索和整合的工具，来帮我完成对市面上公开信息尽可能全面的搜集与整理。

在与它协作交互完成任务的过程中，我自己总结有以下一些需要注意的点：

• 尽可能清晰描述自己的意图：例如，不要笼统地说“帮我调研一下数字化营销这个领域”，而是可以细化成“为我生成一份基于大模型的能力来提供 Google SEO 优化方案，并且付费模式是按照结果付费的产品的调研报告，主要侧重于它们的实现方式、商业模式……”。
• 结构化自己的输入与指定输出的结构：不仅给 Deep Research 的输入尽量结构化，主题、研究范围、核心研究点这些要明确结构化出来，对于 Deep Research 的角色与输出格式，也可以明确要求，例如“你是一名正在进行调研的产品设计师”，“以图表形式对比不同产品的功能”等等。
• 依然要警惕幻觉：虽然 Deep Research 已经尽可能对所有的内容都注明了来源，但是这个过程中依然可能有错漏的地方，并且哪怕正确引用了来源，来源本身是否可信，也是需要我们人工判断的。这就像我们的一个同事给我们提交了一个调研报告，我们当然愿意相信同事的责任心与能力，但是，关键性的事实核查依然是必须的。

除此之外，Deep Research 只能够获取到互联网上的公开信息，但很多信息，例如微信群中的聊天记录、朋友圈的信息、内部的文档等，它依然是获取不到的，这些都是需要我们人工来加以补充的。在这之中，与客户的实际的沟通，就是一个关键性的要素。

PART02

客户访谈

真实的客户访谈，是在确定了目标客户之后，一个非常关键的环节。我们需要通过访谈，来确认客户的真实需求，弄明白客户现在是怎么满足这个需求，在这个过程中存在什么痛点。有这么一个观点，“没有真实做过一百个客户访谈，就不要开始做产品设计”，虽然稍微有点夸张，不过对于访谈的重要性表述还是非常到位的。

目前在我的实践过程中，AI 还无法代替我完成与客户的真实交流，顶多可以在访谈前帮我确定一下访谈大纲，对于录音做一些转学摘录等等。这种需要了解真实感受并且往来也会很复杂的场合，暂时还没有太多可以使用 AI 提效的方案。

PART03

产品设计

在通过产品调研、客户访谈确定了产品的大致形态之后，下一步一个核心点就是明确整个产品的功能设计。这个过程中，核心的思考过程还是在人类的大脑中完成的，但是我也在尝试将自己大脑的思路通过与 AI 对话的方式，进行进一步的澄清与明确。

产品设计需要产出文档，用于与同事或者 AI 交流的关键材料。在撰写文档的过程中，AI 还是可以起到不少的提效作用，例如，我会让 claude code 帮我把我用文字描述的流程转成 mermaid 样式或者兼容 Draw.io 格式的流程图，也会让它帮我文字描述的用户交互的方式绘制成一个 Web 页面，从而基于这个页面跟同事、客户有一个感性的讨论基础。这些小的点还是能够大大减少我花在这些琐碎的事情上的时间的，能够很大提升工作效率和幸福度。

PART04

原型开发

原型开发是我目前发现 AI 提效最为明显的阶段，我觉得起码也能做到 10倍左右的效率提升吧。

在这里，我主要选择的是 claude code + Trae 的组合方式。其中，claude code 负责完成具体的工作，而 Trae 主要是起到一个 IDE 的作用，让我修改配置文件、修改文档以及在少数必要的时候阅读和修改 AI 写的代码。

有一个比较大的屏幕，在 Trae 上安装 claude code 的插件，整个工作体验相对而言就比较舒适了。

claude code 因为价格比较贵，所以选了一个国内 resell 的服务，一个月买一次，对方跑路的损失也不会特别大。同时，也尝试了背后接智谱的 GLM-4.5，实际体验下来有差距但也能够接受，毕竟便宜真香。

关于 claude code 应该如何使用，相关的最佳实践和工具都非常多，例如我参考的一些：

一个非常好的 Prompt https://github.com/LichAmnesia/GPT-Prompt-Hub/blob/main/CLAUDE.md

一个扩展框架 https://github.com/SuperClaude-Org/SuperClaude_Framework

康神开放的一个本地 API 代理工具 https://github.com/kxn/claude-proxy

在实际使用的过程中，我的感受是 claude code 是和 cursor 以及 cursor 的国内代餐们完全不同的产品。它的设计思路就是让你尽可能地不需要看代码、改代码，而直接获得最后的结果。

我在实际尝试的过程中，通常会先告知它我的产品思路，让它给出整体的技术设计思路，做多次确认和修改，必要的时候以文档而不是对话的方式进行修改。让后让它基于技术设计思路，搭建项目的整体框架，再逐步填充和完善。

在整个实践的过程中，大部分时候体验还是非常顺畅的，它能自己运行和排查大部分问题，需要我介入的时候很少。比较特别的，是它能够用一些很发散的我自己想象不到的方式解决我的问题，这一点有时候会让它把一个工作复杂化，但有时候也会给我很多全新的体验。

整体上，在进行产品原型开发的过程中，的确是能够带来起码 10 倍的效率提升。

PART05

后续工作

在产品原型开发之后，商业上还需要进行 MVP 验证，完成 PMF 过程和进入 GTM 阶段，工程上则是需要将原型变成一个真正可用的产品，这两方面都还有很长的路程要走。从目前了解到的一些信息来看，工程方面，AI 在处理屎山代码上，还不尽如人意；商业方面，起码在 GTM 阶段，AI 在做 SEO、确定广告素材、投放策略等方面，倒是已经有一些很成功的案例，也比较让人期待，我自己也还在探索过程中。

不过不管怎么说，虽然现在人类与 AI 的互动依然是单向的：人类发出指令，AI 来执行。但是，某种意义上，我们已经可以将 AI 视作是一个暂时还不那么靠谱的同事来对待。正如管理者在做管理之后要逐渐学会放手，等待下属的成长一样；我们对待 AI 也应该逐渐学会 AI First，一件工作优先让 AI 来执行，我们慢慢等待技术升级带来的 AI 能力的颠覆式成长。

顺带说一下，这篇文章侧重于描述 AI 如何提升工作效率，关于如何使用 AI 怎么样提高阅读效率、学习效率，甚至是怎么样使用 AI 来制定更合理的运动计划等工作之外的事情，后面有机会再进一步分享。