原文内容

AI 词元辅助学习与代码实践经验分享

相关 AI 工具

• 大模型：USTC 词元计划提供的 deepseek-v4-flash-ascend
• 智能体工具：OpenClaw
• 开发辅助场景：课程大作业代码优化、环境配置、GitLab 协作流程、Markdown 文档整理

背景

在参加「词元计划」成长营之前，我对 AI 辅助编程的理解更多停留在"让模型帮我写一段代码"这个层面。真正使用之后，我发现 AI 更有价值的地方并不是简单替代手写代码，而是帮助我把一个模糊的问题拆成可执行的步骤：理解需求、梳理代码结构、定位问题、补齐边界情况、优化实现细节，并最终形成可提交、可复现的成果。

这次实践中，我主要使用 OpenClaw 接入学校提供的 AI API，在本地完成了工具配置、模型接入、GitLab 仓库 fork、分支创建、内容撰写与提交流程。整个过程本身就是一次比较完整的 AI 工具链实践。

实践一：用 AI 辅助课程大作业代码优化

我在课程大作业中遇到的一个典型问题是：代码一开始能够跑通基本功能，但结构比较混乱，很多逻辑写在一起，后续增加功能时很容易牵一发而动全身。以前我通常会直接在原有代码上继续叠功能，最后导致调试成本越来越高。

使用 AI 后，我会先把需求和已有代码片段发给 AI，让它帮我做三件事：

1. 分析当前代码结构中职责混杂的地方；
2. 找出可能影响后续扩展和调试的风险点；
3. 给出一个更清晰的模块划分方案。

例如，在一次大作业中，我把原本混在主函数里的输入处理、核心计算、结果输出和异常处理拆成几个相对独立的部分。AI 帮我指出了哪些变量不应该在多个函数之间隐式共享，哪些判断条件应该提取成独立函数，哪些重复逻辑可以统一封装。这样修改后，代码不只是"能运行"，而是更容易阅读、测试和继续扩展。

在性能优化方面，我也会让 AI 先帮助我判断瓶颈可能在哪里，而不是直接让它重写代码。比如针对循环里重复计算、频繁 I/O、无意义的数据拷贝等问题，AI 会给出优化方向。我再结合实际运行结果进行取舍。这个过程让我意识到，AI 给出的优化建议不能盲目照抄，最有效的方式是让它提供思路，再通过测试和运行结果验证。

实践二：补齐实现细节与边界情况

大作业最容易被忽视的部分往往不是核心算法，而是边界条件和工程细节。比如输入为空、参数格式错误、文件不存在、数组越界、特殊规模数据、异常返回信息不清晰等问题。

我会让 AI 根据已有代码反向生成测试用例，尤其是边界测试和异常测试。例如：

请根据这段代码列出可能出错的边界情况，并给出对应的测试输入。

这种方式帮我发现了一些自己平时不会主动考虑的问题。之后我再让 AI 协助补充错误处理、参数校验、注释和 README 说明，使代码更像一个完整的小项目，而不是只为某一次运行服务的临时脚本。

在文档方面，AI 也很有帮助。它可以根据代码功能生成初版说明，包括运行方式、输入输出格式、依赖环境和注意事项。我会在此基础上再修改措辞，删掉不准确或过度承诺的内容。这样既提高了效率，也保证最终文档符合自己的真实实现。

实践三：使用 OpenClaw 完成工具链配置

这次为了参与分享，我进一步尝试了 OpenClaw。配置过程中涉及 Node.js、npm、Gateway、本地 Web 控制台、模型 API Key、OpenAI-compatible 接口模式等内容。刚开始这些概念比较分散，容易不知道每一步到底在做什么。

AI 在这里的作用主要是"解释"和"陪跑"。例如，当 OpenClaw 提示配置 Gateway token、选择 bind mode、选择 endpoint compatibility 时，我让 AI 逐项解释含义，再根据我的实际场景选择本机访问、OpenAI-compatible 接口和学校提供的模型 ID。最后模型验证成功后，我也通过 OpenClaw 的 dashboard 和 health check 确认当前使用的是自己配置的 USTC 模型。

这个过程让我对 AI 工具的本地运行机制有了更具体的理解：模型 API、智能体前端、Gateway 服务和本地工作目录其实是不同层次的组件。以前我只是"会用聊天框"，现在更能理解一个 AI 编程工具背后的基本结构。

实践四：用 AI 理解 GitLab 协作流程

GitLab 的 fork、clone、branch、commit、push 和 Merge Request 对新手来说并不复杂，但第一次完整走下来仍然容易混淆。比如 fork 是发生在网页上的仓库复制，clone 是把自己的 fork 拉到本地，branch 是在本地创建修改分支，Merge Request 则是把自己的修改请求合并回上游仓库。

我让 AI 帮我把整个流程拆成清晰步骤，并在每一步之前解释命令的含义。这样我不是机械地复制命令，而是理解了每个动作对应的仓库状态变化。尤其是提交前使用 git status 检查文件、只添加自己的 shares/ 目录、不提交无关文件和敏感信息，这些习惯对后续协作很重要。

收获

这次实践给我的最大收获是，AI 辅助编程并不只是"生成代码"，更像是一种新的学习和开发工作流。它可以帮助我：

• 更快理解陌生工具和命令；
• 把复杂任务拆解成可执行步骤；
• 优化大作业代码结构，而不只是补功能；
• 发现边界条件、异常处理和文档缺口；
• 在 Git 协作中减少低级错误；
• 通过反复提问，把"能跑"推进到"更可靠、更清晰、更可维护"。

同时，我也体会到 AI 生成内容必须经过自己检查。尤其是涉及代码提交、API Key、token、密码、SSH 私钥等敏感信息时，不能直接交给 AI 处理或写入仓库。AI 可以提高效率，但最终的判断和责任仍然在使用者自己。