已验证：AI 辅助编码效率提升
这是我们找到的第一个确定性"飞轮"。
背景
随着 Claude、GPT、gemini 等大模型的能力提升，以及 Cursor、Claude Code 等工具的成熟， AI 辅助编码已经从"尝鲜"阶段进入"生产力工具"阶段。
松塔·场景实验室从 2024 年中开始尝试AI 辅助开发模式，2025 年全面开始 AI 辅助开发，经过多个项目实践，我们得出以下结论：
核心数据
| 指标 | 传统开发 | AI 辅助开发 | 提升幅度 |
|---|---|---|---|
| 常规 CRUD 功能 | 2 天 | 0.5 天 | 4 倍 |
| 复杂业务逻辑 | 5 天 | 1.5 天 | 3.3 倍 |
| 代码重构 | 3 天 | 1 天 | 3 倍 |
| Bug 修复 | 2 小时 | 30 分钟 | 4 倍 |
平均提升： 3-5 倍
关键发现
1. 不是所有环节都提速
提速明显的：
- ✓ 重复性代码（CRUD、API 接口）
- ✓ 标准化逻辑（权限控制、数据校验）
- ✓ 代码重构（变量重命名、结构调整）
提速有限的：
- △ 复杂的业务逻辑梳理（AI 不理解业务）
- △ 系统架构设计（需要人的经验）
- △ 性能优化（需要深入分析）
2. "规则库"是关键
AI 不是开箱即用的。要让 AI 真正理解你的业务，必须建立业务规则库。
例如：医院运送系统 我们在 .cursor/rules/ 目录下维护了 hospital-transfer-rules.mdc，包含：
- 院感规范（污物梯/洁净梯的分离逻辑）
- 运送优先级（急诊 > 检查 > 出院）
- 异常处理（超时、拒单、设备故障）
效果： 有了这个规则文件，AI 在写相关代码时的准确率从 60% 提升到 90%。
3. 正向飞轮已经形成
做项目 → 积累业务规则 → AI 更准确 → 开发更快 →
接更多项目 → 规则库更完善 → AI 更准确 → ... （螺旋上升）这就是"左脚踩右脚"的确定性飞轮。
我们的工具链
| 工具 | 用途 | 使用场景 |
|---|---|---|
| Cursor + Claude | IDE 模式，人机紧密协同 | 复杂业务逻辑开发、重构 |
| Claude Code | CLI 模式，自动化程度高 | 简单功能开发、批量修改 |
| 业务规则库 (.mdc) | 让 AI 理解行业 Know-How | 所有项目 |
| 自动化测试 | 拦截 AI 的错误 | 代码质量保证 |
局限与边界
AI 辅助编码不是万能的。
❌ AI 不能：
- 理解模糊的业务需求（需要人来梳理）
- 做架构决策（需要人的经验）
- 保证 100% 正确（需要测试和审查）
✓ AI 能做的：
- 在人给出清晰逻辑后，快速生成代码
- 处理重复性工作
- 辅助重构和优化
结论： AI 是"超级助手"，不是"自动驾驶"。