给AiWork 新手的10 个上手技巧

简介: 如果你是第一次使用 AiWork,建议先掌握这 10 个高频技巧。它们能帮助你更快把模糊想法变成可执行任务,让 AI 真正参与到研发、文档、评审和日常协作中。

如果你是第一次使用 AiWork,建议先掌握这 10 个高频技巧。它们能帮助你更快把模糊想法变成可执行任务,让 AI 真正参与到研发、文档、评审和日常协作中。

10 个技巧速览

1.png

注:本案例以AiWork桌面端为工作端。


1. 清晰表达:把需求说成任务

很多新手第一次使用,会直接说:

帮我优化一下这个页面。

这类表达看似省事,但 AiWork 很难判断你想优化什么:性能、样式、交互,还是某个具体 Bug。

更推荐把需求说成一个工程任务,讲清楚三件事:

  • 做什么:目标或问题是什么;
  • 有什么:相关文件、日志、限制条件是什么;
  • 怎么样:期望结果、输出格式、验收方式是什么。

不推荐

帮我优化一下这个页面。

问题是目标不明确。

推荐

请修复用户列表页筛选后分页不重置的问题。
相关文件:src/pages/UserList/index.tsx
现象:第 5 页切换筛选条件后,接口仍请求 pageNum=5
期望:筛选变化后 pageNum 重置为 1。
限制:不改接口、不改样式,只做最小修改。
验收:补充测试,并输出验证命令。


2. 小步快跑:一次只推进一件事

复杂任务不要一次性全丢,任务越大,越应该拆成几个可确认的小步骤:

  1. 先理解现状;
  2. 再制定方案;
  3. 小范围修改;
  4. 最后验证结果。

这样每一步都能校准方向,发现偏差也更容易及时拉回来。

不推荐

帮我把登录、权限、菜单、接口拦截都重构一下,顺便补测试。

问题是范围太大,风险不可控,也很难 Review。

推荐

第 1 轮:请先阅读登录相关代码,总结当前流程,不要修改。
第 2 轮:列出重构方案、风险点和拟修改文件,等我确认。
第 3 轮:先只修复 Token 过期后没有跳转登录页的问题。
第 4 轮:补充回归测试,并运行相关检查。


3. 多轮调整:第一版不是终版

第一版输出只是起点,不一定就是最终答案。

如果结果不符合预期,不要只说“不行”“重写”。更有效的方式是指出:

  • 哪里不对;
  • 为什么不对;
  • 希望怎么改;
  • 还有哪些限制要补充。

不推荐

更推荐

不对,重写

这个实现改动太大,请只做最小修复

太啰嗦

请压缩到 200 字以内,用列表输出

不像我们项目

请参考现有 UserList.test.tsx 的写法

再专业点

请以资深前端工程师视角重新评估

推荐示例

这个实现改动太大了。请保持现有组件结构,只修复 pageNum 没有重置的问题,不要顺手重构。输出时只说明修改点和验证命令。


4. 先看再改:真实文件任务要控风险

只要任务涉及真实文件、配置、批量替换或外部写入,就不要一上来直接动手。

更稳的方式是:先让它列清单、说明影响范围,再确认是否执行。

风险级别

示例

建议

低风险

读取文件、生成摘要、运行只读检查

可直接执行

中风险

新建文件、批量格式化、移动文件

先列清单

高风险

删除文件、发布上线、推送远端、修改配置

必须人工确认

不推荐

把项目里所有旧接口都替换成新接口。

问题是可能误改无关模块,影响范围不可控。

推荐

请先扫描项目中使用 getUserList 的位置,只列出文件路径、调用位置和可能影响范围,不要修改。等我确认后,再按模块逐个迁移。


5. 设定角色

当任务需要专业判断时,可以给 AiWork 一个明确角色。角色越清楚,它的关注点就越稳定。

场景

推荐角色

需求拆解

产品经理

技术方案

架构师 / 技术负责人

Bug 定位

资深研发工程师

测试补齐

测试工程师

安全检查

安全专家

代码评审

Code Reviewer

不推荐

帮我看看这段代码有没有问题。

问题是关注点太泛,输出容易散。

推荐

请以 Code Reviewer 的视角审查这次改动,重点关注:逻辑缺陷、兼容性风险、性能问题和测试覆盖。请按 Blocker / Major / Minor 分级输出。


6. 提供样例:一个例子胜过十句要求

如果你希望 AiWork 按团队风格输出,最有效的方法不是反复描述“专业一点”“像我们平时那样”,而是直接给它一个已有样例。

样例就是锚点,能更稳定地模仿结构、语气和格式。

不推荐

帮我写得像我们团队平时的测试风格。

“团队风格”太抽象。

推荐

请参考 UserList.test.tsx 中已有用例的组织方式,为“筛选后分页重置”补充测试。要求:使用相同的 render 工具、相同的 mock service 方式,不引入新测试库,用例命名风格保持一致。

适合提供的样例

样例类型

用途

已有代码

保持编码风格

测试用例

保持测试写法

README

保持文档结构

PR 描述

保持提交说明风格

复盘模板

保持业务表达方式


7. 多任务隔离:一个目标一个上下文

长对话里最容易混入过期信息和无关约束。写周报、修 Bug、做 Review、生成文档,最好拆成不同任务。

一个目标对应一个上下文,输出会更稳定。

不推荐

继续在这个会话里,顺便帮我写周报、修 Bug,再 Review 一下代码。

问题是上下文混杂,容易前后约束冲突。

推荐

这是一个新的 Bug 修复任务。背景如下:……
相关文件:……
错误日志:……
请只处理这个 Bug,不要处理周报和 Review。

如果一个会话已经很长,也可以先压缩上下文:

请用 10 条以内总结当前任务:目标、已完成内容、未解决问题、关键限制和下一步计划。


8. 节省 Token:少给噪音,多给线索

节省 Token 不是少说话,而是少给无效信息。

相比粘贴完整项目或完整 CI 日志,更应该提供:

  • 失败命令;
  • 失败用例;
  • 关键错误;
  • 相关文件路径;
  • 期望输出格式。

少做

多做

粘贴完整项目

给相关文件路径

粘贴完整 CI 日志

给失败命令、用例名、关键错误

一个会话聊所有事

一个目标一个任务

反复解释历史

先生成摘要再继续

让它猜格式

给模板或样例

输出长篇解释

要求只给结论、命令、风险

推荐示例

CI 失败,请定位原因。
失败命令:npm test -- UserList
失败用例:should reset pageNum when filter changes
关键日志:Expected 1, received 5
相关文件:src/pages/UserList/index.tsxsrc/pages/UserList/UserList.test.tsx
请先分析原因,再做最小修复。


9. 自动化重复工作:规则明确就交给 AI

AiWork 很适合处理重复性高、规则明确、结果可检查的任务,比如:

自动化场景

示例

提交前检查

跑测试、查 console、查敏感信息

周报生成

汇总本周提交和需求进展

文档同步

根据接口变更生成说明

质量巡检

检查 TODO、重复代码、过期依赖

Review 辅助

根据 diff 生成风险清单

但高风险操作不要自动放开,例如删除、发布、推送等,都应该保留人工确认。

不推荐

以后所有事情你都自动处理,改完直接提交。

问题是授权过大,容易出现不可控写入或错误提交。

推荐

请在提交前执行检查:查看本次改动文件、运行相关单测、检查 console.log / 敏感信息 / 无关格式化,并输出 PR 摘要和风险点。注意:只检查和生成摘要,不要提交、推送或发布。


10. 学会“偷懒”:把机械劳动交给 AiWork

真正的提效,不是把所有判断都交给 AI,而是把重复执行交给 AI,把判断和决策留给自己。

这些任务很适合先交给 AiWork 做一版:

  • 测试模板;
  • 日志整理;
  • PR 摘要;
  • 类型生成;
  • 文档初稿;
  • 变更说明。

不推荐

帮我随便写点测试,能过就行。

问题是目标和标准都太低,容易生成无效测试。

推荐

请为 price.ts 生成单元测试,覆盖正常价格、价格为 0、null / undefined、小数精度和非法输入。要求:不修改业务逻辑;如果发现疑似 Bug,先说明原因,等我确认。


最后:推荐上手顺序

如果你刚开始使用,可以按这个顺序练习:

  1. 先学会清晰提需求;
  2. 再学会分步推进;
  3. 通过多轮反馈校准结果;
  4. 用角色和样例提升质量;
  5. 涉及真实改动时先控风险;
  6. 规则明确的重复任务再逐步自动化。

记住这 6 个字:

说清楚,慢慢放。

先把任务、上下文、边界和验收说清楚;等 AiWork 的执行方式稳定后,再逐步把更多重复工作交给它。这样既能提升效率,也能把风险控制在可接受范围内。

相关文章
|
缓存 Java Spring
07HandlerMapping中用到的RequestMappingInfo和RequestCondition
RequestCondition(请求匹配条件)体系。 上面提到的RequestMapping注解申明的属性与之呼应的就是spring中RequestCondition的实现体系。 RequestMappingInfo体系 RequestMappingInfo是请求映射信息的描述,维护了一个请求所匹配的各种条件。即一个请求是有很多匹配条件的都放在了RequestMappingInfo中 RequestMappingInfo的生成、存放、和获取
2021 0
|
1月前
|
运维 监控 关系型数据库
数据库连接池最佳实践:HikariCP参数调优与故障排查指南
HikariCP连接池配置不当不是小问题。最大连接数拍脑袋、超时参数不设、生命周期忽略,三个错误叠加会让系统突然雪崩。用真实故障复盘连接池调优。
|
6月前
|
人工智能 自然语言处理 Python
大模型落地必看:如何用量化指标,给你的模型模型打个分?
本文分享大模型仿真评估的“全家桶”方案,从准确性、相关性、流畅性、合规性四大维度构建科学量化体系,结合自动化与人工评估实践,助力模型从实验室走向生产落地,告别“玄学调优”,实现精准验收与持续优化。(239字)
562 5
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
构建AI智能体:九十、图解大模型核心三大件 — 输入编码、注意力机制与前馈网络层
本文深入解析了大模型三大核心技术:输入编码、多头自注意力机制和前馈网络层,从应用视角阐述了它们的工作原理和协同效应。输入编码负责将文本转换为富含语义和位置信息的数学表示;多头自注意力机制通过多专家团队模式建立全局依赖关系,解决长距离依赖问题;前馈网络层则通过非线性变换进行深度语义消歧。文章通过可视化示例展示了词向量的语义关系建模、注意力权重的分布模式以及前馈网络的语义过滤功能,形象地说明了大模型如何通过这三层架构实现"广泛联系-深度加工"的认知过程。
475 5
|
2月前
|
人工智能 JavaScript API
从 OpenClaw 到 Hermes Agent:安装、迁移、配置、实战演示
本文详解从OpenClaw迁移到Hermes Agent的全过程:Hermes是Nous Research推出的自进化AI Agent,具备记忆闭环、自主生成技能、跨会话学习等独特能力;迁移支持一键导入配置、记忆与技能,兼容Telegram等平台,安装简便,体验更透明高效。(239字)
492 2
|
1月前
|
监控 安全 API
阿里云Web应用防火墙(WAF)配置完全指南:从接入到深度防护
本文提供了一份完整的阿里云Web应用防火墙(WAF)配置指南,涵盖WAF 3.0的两种核心接入方式(云产品透明接入与CNAME接入)的详细操作步骤与适用场景对比。深入解析了规则防护引擎的三种防护规则组(宽松、中等、严格)及其切换策略,以及自定义防护策略中访问控制规则与频率控制规则的配置方法。针对CC攻击防护,给出了基于IP限速、基于路径精细化限速等实战配置示例。同时介绍了如何通过日志服务配置WAF监控仪表盘与告警规则,以及Bot管理、数据风控等高级防护功能的开启与配置。最后探讨了WAF与CDN、DDoS高防的联合部署架构,并提供了Terraform基础设施即代码的配置示例,帮助运维人员实现防护
|
8月前
|
人工智能 调度 芯片
Chiplet 技术:芯片终于不再“憋大招”,而是开始像搭积木一样干活了
Chiplet 技术:芯片终于不再“憋大招”,而是开始像搭积木一样干活了
415 0
|
7月前
|
应用服务中间件 Shell nginx
我的docker学习笔记
本指南系统讲解Docker核心实践:涵盖安装配置、镜像获取与管理、容器生命周期操作(启停/日志/进入/导入导出)、数据卷与Bind Mount数据持久化、网络配置(Bridge/自定义网络/DNS)、Dockerfile定制镜像(COPY/ADD/CMD/ENTRYPOINT/ENV/ARG/VOLUME等指令详解)及Docker Compose编排应用。内容实用,步骤清晰,适合快速上手与深入实践。(239字)
551 6
|
7月前
|
机器学习/深度学习 算法 计算机视觉
基于yolov10的吸烟检测系统
本研究基于YOLOv10深度学习算法,构建高精度、实时化吸烟行为检测系统。针对传统方法在复杂场景下检测率低、效率差的问题,利用YOLOv10的动态稀疏注意力与多尺度融合优势,提升小目标与遮挡情况下的识别能力,结合五分类体系实现对香烟、烟雾、电子烟等多目标精准定位。系统支持GPU加速,达30帧/秒以上实时检测,可广泛应用于医院、机场等公共场所,助力无烟环境建设与智能安防升级,推动禁烟政策高效落地。
|
8月前
|
数据采集 人工智能 自然语言处理
技术赋能医药全链路:AI 大模型应用在药企的落地痛点与破局之道
本文阐述AI技术在制药行业的深度变革,涵盖企业微信私有化部署、CRM系统智能升级、Data-Agent演进等全链路转型实践,结合RAG优化与幻觉控制方案,推动业务提效与合规双提升,展现AI赋能下行业模式的重塑路径。
723 2