AI 生成的代码能上生产吗？production 改造经验
AI 生成的代码”能跑”和”能上生产”是两回事：能跑只要求在你本地、用你给的那条输入，恰好不报错；能上生产要求它在真实流量、异常输入、并发、攻击和长期维护下都不出事。AI 代码默认只满足前者。
这篇写给已经在用 Claude Code、Cursor 这类工具产出代码、准备把它推上线的人。结论先给：AI 代码可以上生产，但不能直接上生产——它是一份高质量初稿，必须经过人工 review、补测试、堵漏洞这套”production 改造”，才算交付。
为什么 AI 代码不能直接上线
AI 是”概率上最像正确代码”的生成器，不是”对你的业务负责”的工程师。它优化的是”看起来对、能编译、Demo 通过”，而生产环境考验的恰恰是它最薄弱的几个面：
- 它没有你的上下文：不知道这个接口每秒要扛多少请求、哪个字段绝对不能为空、你们的合规红线在哪。
- 它倾向于走 happy path：给正常输入就给正常代码，异常分支、边界值经常被省略。
- 它会自信地编造：调用不存在的库函数、虚构 API 参数（幻觉），编译期未必报错，运行期才崩。
- 它的”安全”是默认关闭的：除非你明确要求，否则它很少主动做输入校验、权限校验、防注入。
所以问题不是”AI 代码烂”，而是”AI 代码是半成品”。把它当资深同事交来的 PR 去审，而不是当成品直接 merge。
AI 代码最常见的四类问题
按上线后翻车的频率和杀伤力排序，盯紧这四类。
1. 安全漏洞（最致命）
AI 最容易漏的就是安全。高频问题：
- SQL 注入 / 命令注入：直接字符串拼接 SQL 或 shell 命令，没用参数化查询。
- 缺少鉴权与越权：接口不校验登录态、不校验”这条数据是不是属于当前用户”，A 用户能拉到 B 用户的数据。
- 密钥硬编码：把 API key、数据库密码直接写进代码甚至提交进 git。
- XSS / 反序列化：未转义用户输入直接渲染、直接反序列化不可信数据。
安全问题的特点是平时不报错，被人盯上才爆，所以测试覆盖不到，只能靠 review 和工具扫。
2. 性能与并发
Demo 数据量小，怎么写都快；生产数据量上来，问题集中爆发：
- N+1 查询：循环里一条条查数据库，10 条数据查 11 次。
- 没有分页 / 没有索引：
SELECT *全表捞、深分页拖垮库。 - 同步阻塞 / 没有超时：调外部接口不设 timeout，对方挂了你跟着挂。
- 并发下的竞态：AI 写的代码默认假设单线程顺序执行，扣库存、改余额这类操作没加锁就会超卖。
3. 可维护性
能跑但没法长期养：硬编码满天飞、函数几百行、命名随意、没有注释也没有类型。第一版你能看懂，三个月后接手的人看不懂，AI 不会替你考虑团队协作成本。
4. 边界与错误处理
这是 happy path 思维的直接后果：空数组、null、超长字符串、负数、网络中断、第三方返回 500——这些分支 AI 经常直接不写，或者 catch 里吞掉异常什么都不做，出了问题连日志都没有。
上生产前的检查清单
把下面这份清单当作”AI 代码 → 生产代码”的硬性闸门，逐条过完再上线。
一、人工 Review（不可跳过）
- 逐行读过，真懂每一行在干什么——不懂的代码绝不上线，让 AI 解释或重写。
- 核对它调用的库函数、API 参数真实存在（防幻觉）。
- 这段逻辑符合你们的业务规则和合规要求。
二、安全
- 所有 SQL 用参数化查询，杜绝字符串拼接。
- 接口有鉴权 + 越权校验（既验”是谁”也验”能不能动这条数据”）。
- 用户输入全部校验 + 转义，输出做防 XSS 处理。
- 跑一遍依赖漏洞扫描（如 npm audit / 等价工具）。
三、密钥与配置
- 密钥、密码全部走环境变量或密钥管理，代码里零硬编码。
- 检查 git 历史没把密钥提交进去；
.env在.gitignore里。
四、错误处理与可观测
- 覆盖边界输入：空值、null、超大、非法格式、并发。
- 异常不被静默吞掉，关键路径有日志，调外部接口有 timeout 和兜底。
五、测试
- 关键逻辑有单元测试，覆盖正常 + 异常分支（让 AI 帮你补测试，但你来定 case）。
- 核心链路有一次端到端验证，别只信”本地跑通了”。
跑完这五关，AI 代码才从”能跑”升级到”能上生产”。
怎么让 AI 代码更接近生产标准
改造很费劲，但可以从源头让 AI 少埋坑——核心是把要求前置进提示词，别等它写完再返工。
- 在提示里就写明非功能要求：明确”用参数化查询、加输入校验、处理空值和异常、不要硬编码密钥、补单元测试”，AI 给的初稿质量会高一截。这套提示词技巧本身值得系统练，关系到规约驱动开发（SDD）（规划中）的落地。
- 小步生成、立即审查：一次只让它写一个函数或一个模块，写完马上读、马上测，别让它一口气生成几百行你来不及看。
- 让 AI 当审查者：写完后另起一轮，让它”以安全审计的视角找这段代码的漏洞”，它经常能揪出自己第一版的问题。
- 建立你的工程化规范：把团队的安全清单、命名规范、错误处理约定沉淀成文档喂给 AI。从随手让 AI 写、到有章法地用 AI，是从 vibe coding 到工程化（规划中）的关键一跃。
一句话：AI 负责快，你负责对。它把你从 80% 的体力活里解放出来，省下的时间正好用来死磕那决定成败的 20%——安全、边界、性能。
常见问题
AI 写的代码能直接上生产吗？ 不能直接上。它是高质量初稿，必须经过人工 review、补测试、堵安全漏洞这套改造才能上线。把它当资深同事交来的 PR 审，而不是当成品直接 merge。
AI 代码最容易出哪类问题？ 安全漏洞最致命（注入、越权、密钥硬编码），其次是性能/并发（N+1、缺索引、竞态）、错误处理缺失（不处理边界和异常）、可维护性差（硬编码、超长函数）。
怎么判断一段 AI 代码能不能上线？ 最简标准：你是否真懂每一行、它调用的 API 是否真实存在、安全/密钥/边界/测试这几关是否都过了。任何一条不满足都不要上。
用 AI 写代码还需要懂技术吗？ 更需要。AI 把写代码的门槛降低了，但把审代码、定方案、判断对错的要求提高了——能不能安全上生产，恰恰取决于你的工程判断力，而不是 AI 的生成能力。
怎么让 AI 少写出有问题的代码？ 把非功能要求（参数化查询、输入校验、异常处理、不硬编码密钥、补测试）前置写进提示词，小步生成立即审查，再让 AI 以审计视角复查自己的代码。
👉 看看我们的 AI 编程实战体系课，或逛 AI 编程教程大全 把基本功打扎实。