这篇写给已经会用 AI 排查程序报错、希望再进一步的读者。理解原理是关键：AI 见过大量常见错误及其解决方法，能根据报错信息和上下文快速缩小可能原因的范围，并帮你制定有条理的排查步骤。

排错的本质是“缩小范围”。AI 的价值在于帮你快速列出假设并设计验证方法，但真正的线索来自你在真实环境中观察到的结果。把每次验证的结果反馈给 AI，它才能调整判断。单向提问、等它给出答案，往往不如这种你来我往的协作有效。

技巧 1：把“已经排除的原因”告诉 AI

把“已经排除的原因”告诉 AI，避免它重复建议。适合在任务较复杂或要反复使用时采用。

技巧 2：要求 AI 解释它的推理

要求 AI 解释它的推理，你更容易判断方向是否正确。适合在任务较复杂或要反复使用时采用。

技巧 3：对偶发问题

对偶发问题，先让 AI 建议加日志，再收集更多信息。建议先在一个小任务上试用，确认效果后再推广。

技巧 4：修复后让 AI 帮你写一个能复现原问题的测试

修复后让 AI 帮你写一个能复现原问题的测试。做到这一点，结果的稳定性会明显提高。

技巧 5：把排查过程记录下来

把排查过程记录下来，形成团队的问题知识库。做到这一点，结果的稳定性会明显提高。

一个进阶场景

举个虚构的例子：一位数据分析师的定时脚本每周总有一两次失败。他把错误日志和脚本交给 AI，AI 注意到失败时间都在数据库备份期间，推测是连接超时。他调整了脚本的执行时间并增加了重试机制，问题再也没有出现。

如何避免同样的问题再次出现？ 修复后补充测试、完善日志，并把原因和解决方法记录下来。

高级模板示例

下面的模板综合了以上技巧，可以按科研人员等不同场景替换内容：

偶发问题排查框架：
1. 时间线：问题首次出现的时间，前后有哪些变更
2. 规律：是否与时间、负载、特定用户、特定数据有关
3. 假设列表：| 假设 | 支持的证据 | 反对的证据 | 验证方法 | 成本 |
4. 先验证“成本低且可能性高”的假设
5. 增加日志：建议在哪些位置记录什么信息，帮助下次复现
6. 修复后：如何确认问题不再出现，以及需要哪些回归测试

进阶使用时仍要避免

  • ✗ 在生产环境直接执行 AI 给的命令。 ✓ 先在测试环境验证，理解命令的作用和影响。
  • ✗ 同时尝试多个修改。 ✓ 一次只改一处并验证，否则不知道哪个修改起了作用。

可以组合的技能

  • 分步思考提示：分步思考提示是要求 AI 把复杂问题拆成几个步骤依次处理，比如先列已知条件、再分析、最后给结论。
  • AI 代码审查：AI 代码审查是让 AI 在人工评审之前或同时，检查代码中的潜在问题：逻辑错误、边界情况、安全隐患、性能问题、可读性和风格不一致，并给出具体的修改建议。

给团队用的建议

如果要把 AI 排错推广给团队，先挑两三个效果最好的写法做成示范，附上前后对比。比起讲原理，同事更容易被具体效果说服。

相关阅读