AI 编程工程化：从代码生成到可信交付的实践

原创

IT大佬 jzit-top

发布于 2026-10-16 19:13:00

250

AI 编程不是“让 AI 替你写代码”，而是把大模型嵌入开发流程，用工程手段控制其不确定性。真正落地的 AI 编程，需要提示词、测试、静态分析、CI/CD 和度量五件事配合。本文从专业角度给出可运行的代码示例。

一、代码生成：结构化提示词

让 AI 生成代码，最忌“帮我写个函数”。要限定语言、输入输出、边界条件和依赖。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["LLM_API_KEY"],
    base_url=os.environ.get("LLM_BASE_URL", "https://api.openai.com/v1"),
)

SYSTEM = """你是资深 Python 工程师。
规则：
1. 只使用标准库和 typing；
2. 函数必须包含类型注解和 docstring；
3. 边界条件显式处理，不抛裸 Exception；
4. 只输出代码，不输出解释。"""

def gen_function(spec: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": spec},
        ],
        temperature=0.2,
    )
    return resp.choices[0].message.content

生成后必须人工审查，AI 可能漏掉空值、并发和溢出。

二、生成测试：验证 AI 代码

AI 写的代码，也要用 AI 辅助生成测试，但断言必须由人确认。

TEST_SYSTEM = """你是测试工程师。
为给定函数生成 pytest 测试，覆盖：
正常输入、边界值、异常输入。
只输出测试代码。"""

def gen_tests(func_code: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": TEST_SYSTEM},
            {"role": "user", "content": func_code},
        ],
        temperature=0,
    )
    return resp.choices[0].message.content

运行测试：

pytest -q --cov=src

覆盖率低于阈值时，CI 直接失败。

三、静态分析与安全门禁

AI 生成的代码可能引入漏洞。用 Bandit 做安全扫描：

pip install bandit
bandit -r src/ -f json -o bandit.json

在 CI 中设置门禁：

# .github/workflows/ai-code.yml
name: AI Code Review
on: [pull_request]
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
      - run: pip install -r requirements.txt
      - run: pytest -q --cov=src --cov-fail-under=80
      - run: bandit -r src/ -ll

任何一步失败，PR 不得合入。

四、CI/CD 集成：人工审核卡点

AI 生成代码的合入流程必须保留人工审核：

def review_gate(pr: dict) -> bool:
    if pr["ai_generated"] and not pr["human_reviewed"]:
        return False
    if pr["coverage"] < 0.8:
        return False
    if pr["bandit_high"] > 0:
        return False
    return True

高风险模块（支付、权限、加密）禁止 AI 自动合入，必须双人复核。

五、度量与反馈

记录 AI 建议的采纳率和缺陷率，持续优化提示词：

from dataclasses import dataclass

@dataclass
class AIMetric:
    suggestion_id: str
    accepted: bool
    tests_passed: bool
    defect_found: bool

def acceptance_rate(metrics: list[AIMetric]) -> float:
    if not metrics:
        return 0.0
    return sum(m.accepted for m in metrics) / len(metrics)

核心指标：采纳率、测试通过率、缺陷率、人工修改率。采纳率低说明提示词或模型选型有问题。

六、总结

AI 编程的工程化链路：提示词 → 代码生成 → 测试 → 静态分析 → CI 门禁 → 度量反馈。模型负责提效，人负责判断和责任。把 AI 生成代码当作“初级工程师的 PR”来对待：必须审查、必须测试、必须过安全门禁。守住这条底线，AI 编程才能从玩具变成生产力。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

编程