AI Coding 提效全链路：从代码生成到文档的实战工作流

面试被问"你在内部有哪些 AI coding 提效工作"——只答"用了 Copilot"是最弱的回答。真正值钱的是：具体怎么用、量化结果、以及你设计的工作流。

这篇文章把我的实战拆成可复制的全链路。

六个场景，按 ROI 排序

不是所有编码环节都值得交给 AI。按投入产出比排：

1. 代码生成 —— 模板代码 / CRUD / 配置文件，提效 3-5x
2. 单元测试生成 —— 覆盖率从 40% → 80%+，省下大量机械劳动
3. Code Review —— 自动查常见问题（安全 / 性能 / 命名），压缩人工 review 时间
4. 文档生成 —— API 文档 / CHANGELOG / README，提效 5-10x
5. 调试辅助 —— 贴报错自动给修复建议
6. Onboarding —— 新人用 AI 快速理解陌生代码库

注意排序：文档和单测的 ROI 往往最高，因为它们最机械、最不依赖创造性，却最容易被人类拖延。

三层落地：个人 / 团队 / CI

提效不是装个插件就结束，要分层次铺开：

• 个人层：Cursor / Claude Code 日常编码，把重复活交给模型
• 团队层：内部 AI coding 工具 + 共享 prompt 库，把个人经验变成团队资产
• CI/CD 层：自动测试生成、自动 code review，每次 PR 触发

关键认知：不要让 AI 只在你本地跑。把它沉到 CI，才能从"个人快一点"变成"团队不出低级错"。