AI编程的热潮席卷全球，但如何高效利用这项技术仍是开发者们关注的焦点。近日，一份由AI编程领域资深专家Peter Steinberger撰写的实战指南引发广泛讨论，连知名AI研究者卡帕西和OpenAI总裁Greg Brockman都纷纷转发推荐。这份指南通过三个核心策略，为开发者提供了提升效率的实用方法。
Peter指出，选择适合任务类型的模型是提升效率的第一步。许多开发者习惯于使用单一模型处理所有任务，但在面对不同规模的项目时，这种做法往往导致效率低下。他建议，对于大型项目如系统重构或复杂功能实现，Codex模型更为合适。该模型会先全面理解项目逻辑再开始编码，虽然耗时较长，但能更好地处理复杂需求。例如，Peter在重构Opus 4.0旧代码时，Codex花费数小时深入理解整个项目，不仅保留了关键逻辑，还发现了两个隐藏的错误。
对于小型修改或零散任务，Opus模型则表现出色。它无需长时间读取文件，响应迅速，通常几分钟就能完成任务。Peter目前最常用的是GPT-5.2-Codex的high模式，无论是开发Chrome扩展的前端界面，还是编写Go语言的命令行工具，这个模型都能在速度和准确性之间取得平衡，避免了在多个模型之间切换的麻烦。
除了模型选择，Peter还分享了他定制化的工作流管理方法。他每天会产生许多新想法，如为现有项目添加功能或开发新工具，但这些想法不会记录在备忘录中，而是直接放入Codex的任务队列。例如，在开发YouTube视频总结工具时，他一边让Codex验证核心逻辑，一边将其他功能需求加入队列，模型会按优先级逐步处理，既节省了时间，又避免了遗漏。
Peter强调，在开发过程中应避免回滚操作。他认为，软件开发如同登山，不必追求直线上升，偶尔绕路或后退都是正常的，关键是不要在“是否回滚”上浪费时间。对于相似功能，开发者可以复用已有代码。Peter曾在VibeTunnel项目中实现过字符流输出功能，后来在Clawdis项目中需要类似功能时，他直接让Codex参考旧项目的逻辑，仅用十分钟就完成了适配。
人机分工是Peter提到的另一个重要原则。他建议，开发者应专注于决策性工作，如选择依赖库、设计系统架构或确定功能优先级，而将基础代码编写、已知错误修复、GUI界面生成等执行性任务交给AI。例如，在开发Go语言命令行工具前，Peter花费半天时间研究类型系统和常用库，确定方向后再让AI编写代码，最终几乎无需返工。而在开发数据可视化工具时，他直接让AI完成核心代码编写和测试，节省了大量手动操作时间。
除了核心策略，Peter还分享了几个实用技巧。他建议开发者先从命令行工具入手，验证核心逻辑后再扩展功能。例如，在开发YouTube视频总结工具时，他先编写了一个将视频转换为文字并总结为Markdown的命令行版本，确认可行后再开发前端界面和浏览器扩展，仅用一天就完成了整个项目。他建议在项目中建立文档文件夹，记录系统设计和功能说明，让AI通过阅读文档理解上下文，减少重复沟通。对于单人开发者，他推荐直接提交主分支，避免分支管理带来的合并冲突，因为AI可以自动处理混乱代码并合并回主分支。
