你提到对于vibe coding而言,很重要的是指出代码哪里有问题判断开发质量,我已经意识到这点确实很重要,但是对于设计上的我已经能够提供反馈,并且让AI理解我的意思,建立复利,但是对于代码而言我确实不够了解。在这种情况下,我有什么方法可以让AI来帮助我判断代码质量并建立反馈呢?不光是代码,还有审美设计、认知系统、沟通方式等方面我都希望建立反馈,就像ai很多时候表达方式就很奇怪,人很难看懂,我也希望能优化它的表述

提问

AI根据立正公开的文章和视频整理,不是他本人回复

把“判断代码质量”拆成可执行的验收标准和诊断步骤,让 AI 先自检、再暴露不确定处,你只审最值得看的部分;审美、沟通等标准也先写成文档,再逐步校准。

先定验收标准,再让 AI 自检和诊断

立正把“系统性判断质量、诊断问题”列为 AI Builder 的关键差距:普通用户只觉得“差不多”,出问题就换 prompt 重试;Builder 有明确验收标准,能定位根因、针对性修复⁠1。具体做法是 Evaluation Design——把“看起来还行”换成可执行条件,比如是否满足 X、是否避免 Y 类错误、是否覆盖关键边界、是否符合格式风格约束;标准清楚后,AI 可以在输出前先自检⁠1。同时做 AI Debug:区分 context 缺失、context window 饱和、指令歧义、模型能力边界等不同失效原因,分别补信息、压缩拆分、改写目标或换模型降复杂度⁠1。还要让中间过程可见——工具调用轨迹、阶段性产物、自检结果、失败原因,问题才能在早期暴露⁠1。你不懂代码,可以先让 AI 按这些维度自评并列出不确定处,你只审它标出的高风险点;这是 AI 对上述方法的综合应用。

把隐性标准写成文档,AI 才知道你要什么

立正用“聪明新员工”打比方:你只说“帮我写个方案”,他改五轮还是不对,不是他不聪明,是你的审美偏好、判断原则、过去取舍、验收标准全在你脑子里,一条都没给他⁠2。对应方法是 Document-First:把风格偏好、品牌调性、受众画像、写作原则、常用术语、过往案例变成 AI 能读的文档;这个过程本身会逼你把“标准”想清楚⁠2。再加 Context Curation,为每个任务精选最相关背景,而不是把所有东西塞进去⁠2。指令用结果导向:告诉 AI“做到什么算对”,而不是逐步遥控“怎么做”⁠2。这套思路可以迁移到审美设计、认知系统和沟通方式:先写一份“好表述长什么样”的文档,附上你认可的范例和反例,再让 AI 按它自检。

反馈要回到可迭代的闭环,而不是一次性聊天

AI推演

石扬在访谈里描述专业开发者的优势:能一眼识别问题、快速给反馈,再基于反馈重新迭代;他把这称为 human in the loop,并说“review 远比 typing 更重要”⁠3。他也指出,没有代码经验的人面对 AI 出错时“两眼一抹黑”,不知道问题是什么⁠3。立正在另一篇讲数据筛查的文章里给出可迁移的闭环:确定性的事用程序或规则做,模糊判断交给 AI,最终判断留给人,人的反馈再回去改进规则和评估⁠4。他还提醒,用模型结果验证模型结果有风险,评估要回到具体问题本身,而不是套用现成“最佳实践”⁠5。对你来说,每次你指出 AI 表述奇怪或代码有问题,都可以把这条反馈写进验收文档或范例库,下一轮让 AI 先对照检查;这是 AI 基于上述材料的应用建议。

现有材料没有专门讲“非程序员如何审代码”的操作细节;石扬的描述针对专业开发者,立正的评估方法多来自数据筛查和写作场景,迁移到代码需要你结合具体任务调整。

回到5份原文