Agent Skills
返回列表
💻

AI 修 Bug 为什么总不对——根治手册

开发编程 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_2af611f4/ai-debugging-playbook。

技能介绍

为什么 AI 修 Bug 修不对

AI 排查问题的第一反应往往是针对症状做防御:看到 null 就加判空,看到异常就 try-catch,看到报错就改报错那一行。真正的根因——变量为什么为空、什么条件触发异常、上游哪一步出了问题——被绕开了。SWE-bench Verified 的数据显示,长上下文下 AI 的修复率只有 7%,主要失败原因包括 hallucinated diffs、找错文件和修错位置。问题不总是出在模型能力上,而是你和 AI 之间的信息差太大。

这个技能提供什么

  • 5 要素模板:把「页面白屏了」变成包含浏览器版本、路由、控制台报错和具体代码位置的描述,拒绝模糊求助。
  • 最小复现:删掉一切不必要的代码,只保留触发 Bug 的最短路径。这是 AI Debug 的第一道关卡,也是 二分定位法 的起点。
  • TDD for AI Debugging:先写能复现 Bug 的测试,再让 AI 修复。测试 PASS 就是客观证据,回归测试能立刻发现 AI 修好 A 却弄坏 B 的情况。
  • 8 种经典失败模式清单:从「修症状不修根因」到「上下文中毒」,每条都给出对策,比如禁止 AI 修改已有测试、要求它先 read_file 再改代码。
  • 强制打断法:修了 3 轮还没好就全部回滚、从零重新分析,比在被污染的上下文里继续修补更快。

什么时候不该用 AI

不是每个 Bug 都值得交给 AI。内核与并发竞态、内存模型问题,请写最小 Demo 验证并查官方 Issue;特定版本的已知 Bug,翻 Changelog 比提问更快;分布式系统的状态问题依赖日志分析和断点调试;环境差异导致的 Bug,用 Docker 统一环境比调试 AI 的猜测更有效。

使用场景

  • Cursor 反复修不好库存校验 Bug,需要按失败模式清单逐项排查
  • 页面白屏时需向 AI 提供浏览器版本、路由和组件报错行号
  • AI 修完日期校验又引入新问题,需要跑回归测试并回滚上下文

适合人员

  • 使用 Cursor 修 Bug 时经常被 AI 改得越修越乱的全栈工程师
  • 想用 Claude Code 定位接口报错根因、不想直接改测试的后端工程师
  • 想把 AI 调试上下文(skill / 5 要素模板)沉淀为团队规范的技术负责人