AI 辅助编程学习短记：小范围验证什么
我试过把一套新提示词直接用于练习项目。它在简单题里很顺，换到生命周期和错误处理又会给出互相矛盾的建议。所以我现在不会把“能生成代码”当成工具已经可靠。
个人学习也可以做小范围验证：先只让 AI 解释脱敏后的编译报错，确认一段时间后，再让它补测试草稿。每次只改变一个环节，才能看出问题来自模型、提示词还是自己的题目描述。
我会记下四件事：输入是什么；输出是解释还是代码；我怎样用cargo check、测试和文档核对；出现什么情况就停止使用。比如测试断言先由我根据题意写好：
#[test] fn empty_input_is_rejected() { assert!(parse_name("").is_err()); }AI 可以补边界案例，不能悄悄替我改需求。比较两种方案时，用本地匿名编号，不上传账号、完整代码库或聊天记录。对我来说，灰度的结果不是一张分数表，而是能否解释每一处采纳的改动。
补充记录（第 3 篇）：我会把这条建议落实为一个可复现的小检查，而不是停在概念层面。先写清输入、预期行为和失败时的处理方式，再在干净环境中运行最小示例；结果与假设不一致时，回到文档和代码定位原因。这样既能保留学习过程，也不会把局部经验包装成通用结论。
第 3 篇的收尾检查是：删掉无关输入，保留一个能失败的反例，并写下我准备如何确认修复是否真的生效。若没有可执行的检查，就把结论标为待验证，而不急着把它变成规则。
第 3 篇的延伸练习：把文中的判断拆成一张小表。第一列写触发条件，例如输入超过限制、依赖返回异常或调用者取消；第二列写程序可观察到的信号，例如错误类型、队列状态或测试断言；第三列写允许的处理动作，以及谁有权执行它。随后只实现其中一条最小路径，并故意制造失败输入检查结果。若失败路径没有明确输出，就不要继续增加功能。这样做虽然比让工具直接补全整段代码慢，但能迫使我先理解所有权、资源释放和调用方预期。完成后再删去不必要的分支，补上一个回归测试，并把运行命令与限制条件记在提交说明里。读者若要采用相同思路，应替换为自己的编译器版本、依赖版本和业务目标；示例不能替代项目验证。
第 3 篇还应补一个边界案例：当输入为空、依赖不可用或用户中途取消时，程序是否仍能给出可理解的结果。把这些案例写成小测试后，再检查日志是否泄露路径、账号或原始内容。只有正常路径和失败路径都能说明白，才把这段做法放进自己的工作流。
第 3 篇的发布前检查：确认标题没有承诺超出正文的范围，示例代码能独立阅读，参数没有被写成通用答案；再让一位不了解上下文的人按步骤复述风险点。如果对方无法判断何时该停止或回退，就继续删减结论、补充限制，而不是增加口号。
第 3 篇的最后一步，是把检查结果保存在能被后来人找到的位置，并在下次修改时重新运行。
