把 AI 写的代码「验收」一遍
三档任务：让 AI 解释它选的数据结构、要求换一种实现对比利弊、给你自己的项目挑一次收纳方式
本页解决的问题
先给结论「把 AI 写的代码「验收」一遍」要解决的关键问题是什么？
三档任务：让 AI 解释它选的数据结构、要求换一种实现对比利弊、给你自己的项目挑一次收纳方式
跟着交接处走，不要只看 Demo。 系统是否可靠，往往取决于模型、工具、状态、权限和人的交接处。把每次交接都当成可以观察、测试和恢复的地方。
为一个自动化步骤写清输入、负责人、审批和恢复动作。
一次运行成功了，却说不清发生了什么，也无法安全重放。
任务一 · 让 AI 自己交代
验收的第一步：不看代码，先审口供
拿一段 AI 给你写过的代码（没有现成的？让 AI 现写一个「通讯录去重」小工具：输入一堆姓名+手机号，去掉重复的）。然后把下面的提示词甩给它，让它自己交代用了什么收纳方式。
任务二 · 要求换一种收纳
同一功能两种写法，优劣你来裁判
接着任务一的代码，让 AI 用另一种数据结构把同一功能重写一遍，并列出两版的优劣对照表。关键在最后一步：结论不让 AI 下，由你来判断哪版适合你的场景。
任务三 · 给自己的项目做选型
先自己选，再和 AI 对答案
挑你手头一个真实需求（工作项目、个人工具都行）。先别问 AI——用 ds-summary 讲的「怎么找 / 怎么进出」决策心法，自己把数据结构选了；然后让 AI 独立出一份选型方案，对比你俩是否一致。先过一遍下面的自查清单，把场景想清楚再动手。
📋 选型前自查清单（全部勾完再去问 AI）
做任务的过程中，如果在 AI 的回答里看到这三种信号，值得多追问一轮。
循环里套循环找东西
两层 for 挨个比对，就是 ds-1 的「大抽屉里翻大抽屉」。追问一句：「换成 Set/哈希表会不会更快？」
说不出放弃了什么
问它备选方案时只会夸当前选择、举不出被放弃的选项——说明它没做过选型，只是默认输出。
只在小数据上演示
Demo 用 10 条数据跑得飞快不代表什么。永远追问：「数据翻一千倍会怎样？」——这是本章最值钱的一句话。
「挑一档 · 今天就动手」为什么要看操作
「拿一段 AI 给你写过的代码（没有现成的？让 AI 现写一个 「通讯录去重」小工具 ：输入一堆姓名+手机号，去掉重复的）。然后把下面的提示词甩给它，让它自己交代用了什么收纳方式」把结构落到了一个具体动作。这里真正要比较的不是名词谁更高级，而是数据如何被放置，以及最常发生的操作需要走多远。
读懂结构，要同时看访问方式和变化方式
「接着任务一的代码，让 AI 用 另一种数据结构 把同一功能重写一遍，并列出两版的优劣对照表。关键在最后一步： 结论不让 AI 下，由你来判断 哪版适合你的场景」揭示了一个容易被忽略的取舍：按位置读取、按键查找、从两端进出、插入新元素和遍历关系，适合的组织方式并不相同。一个结构在某个操作上很快，不代表它在所有操作上都快。
- 验收从审口供开始 ：让 AI 交代结构、理由和备选方案，比读代码本身更快暴露问题
- 结论要自己下 ：AI 负责摆事实列对照表，「哪版适合我的场景」必须你来判断
- 选型前先过五问 ：量级、读写比、顺序、去重、缓存——想清楚再问 AI，方案质量高一档
把规模和更新频率一起算进去
实践时可以把「Demo 用 10 条数据跑得飞快不代表什么。永远追问： 「数据翻一千倍会怎样？」 ——这是本章最值钱的一句话」当作边界提醒：先写下数据量、最常用的操作和允许的延迟，再看 AI 给出的结构是否真的匹配。
从「挑一档 · 今天就动手」走到「顺手记住 · 验收时的三个红旗信号」
「挑一档 · 今天就动手」先把问题落在「拿一段 AI 给你写过的代码（没有现成的？让 AI 现写一个 「通讯录去重」小工具 ：输入一堆姓名+手机号，去掉重复的）。然后把下面的提示词甩给它，让它自己交代用了什么收纳方式」上；到了「顺手记住 · 验收时的三个红旗信号」，讨论继续推进到「做任务的过程中，如果在 AI 的回答里看到这三种信号，值得多追问一轮」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
遇到一个新的数据结构时，不要从定义开始背。先写出最频繁的操作，再估计数据量和更新方式，最后检查结构是否让这三个条件同时成立。
- 「挑一档 · 今天就动手」：拿一段 AI 给你写过的代码（没有现成的？让 AI 现写一个 「通讯录去重」小工具 ：输入一堆姓名+手机号，去掉重复的）。然后把下面的提示词甩给它，让它自己交代用了什么收纳方式
- 「顺手记住 · 验收时的三个红旗信号」：做任务的过程中，如果在 AI 的回答里看到这三种信号，值得多追问一轮
- 「最后的要点」：先选再对答案 ：验收的眼力，长在你和 AI 意见不一致的那个缝隙里
最后的「最后的要点」把讨论落到「先选再对答案 ：验收的眼力，长在你和 AI 意见不一致的那个缝隙里」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
✅ 这一课想和你分享的
- 验收从审口供开始：让 AI 交代结构、理由和备选方案，比读代码本身更快暴露问题
- 结论要自己下：AI 负责摆事实列对照表，「哪版适合我的场景」必须你来判断
- 选型前先过五问：量级、读写比、顺序、去重、缓存——想清楚再问 AI，方案质量高一档
- 先选再对答案：验收的眼力，长在你和 AI 意见不一致的那个缝隙里
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。