代码质量差，通常不只是提示词或 skill 的问题，而是任务拆得不够细、缺少可判断质量的评估能力，以及没有把“第一版”推进到“可靠系统”。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
先把问题拆小，再谈提示词
材料里的观点石扬在访谈里给了一个很具体的判断：AI 能做出前后端分离的贪吃蛇，但直接让它做“抖音”就做不出来；复杂度越大，能力衰减越明显。他的做法是把大目标拆成上千个 task，比如“先建库表、结构是什么样”，让每个问题都降到贪吃蛇那个复杂度再问 AI1。这解释了为什么提示词写得再漂亮，如果一次交给 AI 的任务本身太大，产出质量仍然会差。对游戏开发来说，可以先拆成玩法规则、数值、状态机、存档、UI 等小块，逐块让 AI 做。
质量差往往卡在“看不出哪里错”
石扬还指出，即使能问出好问题，过程仍会出错；有专业技能的人能一眼识别问题、换个写法就过去，没有代码经验的人则“两眼一抹黑”1。他也提到 coding agent 一次可能生成极长的内容，review 远比 typing 重要，难点是怎么快速找到犯错的位置1。立正在另一篇里把这类差距归为递进关系：能不能产出可用结果、能不能判断质量是基础，后面才是把完整任务交出去、把经验变成系统2。所以对你来说，提示词和 skill 只是表层；更关键的是建立“能判断这段代码对不对”的机制，比如让 AI 解释改动、写测试、分步提交，而不是一次生成一大坨再整体看。
第一版之后还有很长的中段
AI推演立正在一篇社区文章里说，Vibe Coding 内容最容易展示“从想法到第一版”的速度，却很少展示“从第一版到可靠系统”的漫长中段：权限、迁移、数据、异常处理、长期维护3。他还提到，如果一开始描述清楚项目、和 AI 一起先做规划，理论上会更好，但也许不如自己脑子里架构清楚来得有效4。这两点合起来看：规划值得试，但不能替代你自己对项目结构的把握。对策划出身的你，可以先把自己最擅长的部分——玩法规则、数值关系、玩家体验——写成清楚的规格，再让 AI 按规格实现；这是 AI 对你这处境的推演，不是原文结论。
现有片段没有具体讲某款游戏或某种提示词写法的效果，也没有可直接照搬的代码质量检查清单；石扬和 Zero 的经验来自各自的项目与工具环境，不能直接当作你项目的结论。
出处
- 1AI编程下一站，会自动化哪些白领工作？｜Trae产品负责人石扬访谈_上
石扬具体讲了任务复杂度、拆 task、出错后识别与 review 的困难，最贴近你的问题。
- 2AI User 与 AI Builder 的 5 个差距，和背后具体技术原因 | 科技大厂打工人版
把 AI 使用差距整理成递进关系，帮助判断提示词之外还缺什么。
- 3想获得超线性回报，先打下可以坚持的地基
说明第一版到可靠系统之间的中段工作，解释为什么 demo 能跑但质量差。
- 4在《[AI Architect 课程实践] 重构vibe coding工作流》下的回复
立正本人对先规划、先描述项目的看法，带保留条件。
追问2026年11月11日
你提到对于vibe coding而言，很重要的是指出代码哪里有问题判断开发质量，我已经意识到这点确实很重要，但是对于设计上的我已经能够提供反馈，并且让AI理解我的意思，建立复利，但是对于代码而言我确实不够了解。在这种情况下，我有什么方法可以让AI来帮助我判断代码质量并建立反馈呢？
你不需要先学会读代码，才能让 AI 帮你判断代码质量。更可行的做法是：把“验收标准”写清楚，让 AI 先自检；出错时让 AI 分类诊断，而不是反复重写；再要求它把中间过程展示出来，供你核对。
先定验收标准，再让 AI 自检
材料里的观点立正把“系统性判断质量、诊断问题”列为 AI 使用者与 AI Builder 的关键差距之一：普通用户只能感觉“差不多”，出问题就换个 prompt 再试；有判断力的人则有明确验收标准，能定位根因、针对性修复1。他给出的做法是 Evaluation Design：把“看起来还行”换成可执行的问题，比如是否满足某个条件、是否避免了某类错误、是否覆盖关键边界情况、是否符合预期格式与约束。标准一旦清楚，AI 就不只是生成，还能在输出前先自检1。这对你的处境很关键：你不需要读懂每一行代码，但可以把“这个功能该怎样才算对”写成几条可核对的检查项，让 AI 逐条回答。
让 AI 先分类问题，而不是直接重写
AI推演立正强调 AI 失效不是一种问题，而是几类本质不同的问题，不能用一套万能动作解决：context 缺失会导致编造，context window 饱和会丢信息，指令歧义会让方向偏，任务超出模型能力则要换模型、换工具或降低复杂度1。他还提到可观测性：黑盒输出几乎不可调试，要让工具调用轨迹、阶段性产物、自检结果、失败原因和修正动作都可见，问题才能在早期暴露1。应用到你身上，可以要求 AI 在改代码前先说明“你认为问题属于哪一类、依据是什么、打算改哪里”，你再用游戏策划熟悉的方式核对它的推理是否自洽。这是 AI 基于上述判断给出的应用建议。
复杂任务先拆小，错误才看得见
石扬在访谈中说，vibe coder 能让 AI 做出前后端分离的贪吃蛇，但让它直接做抖音就做不出来；问题复杂度越大，能力衰减越明显。他的办法是把大任务拆成很多小任务，比如先建库表、先定结构，让每一步的复杂度接近“贪吃蛇”2。他还说，过程仍会出错，有专业经验的人能一眼看出“不要这么写、换一种方式”，没有开发经验的人则无从判断2。这解释了为什么你现在的反馈闭环难建立：不是你不会反馈，而是任务颗粒度太大，错误藏在一大段生成物里。把任务拆到你能用设计语言描述验收的程度，AI 的错误才会变成你能看见的具体问题。
现有材料没有给出针对“不懂代码的人如何审代码”的具体工具操作步骤；《AI编程下一站，会自动化哪些白领工作？》2中部分发言归属未确认，只采用了明确标为石扬的段落。
出处
- 1AI User 与 AI Builder 的 5 个差距，和背后具体技术原因 | 科技大厂打工人版
直接讲验收标准、AI 失效分类和可观测性，是回答的核心依据。
- 2AI编程下一站，会自动化哪些白领工作？｜Trae产品负责人石扬访谈_上
石扬说明任务复杂度与拆解、以及有无专业经验在纠错上的差别。
你也有想问的？
卡住的时候，问问立正：回答附有出处，可以点回原文核对。
也可以接着问：
别人还问了
- AI写东西很快，我怎么判断它写得对不对？
先别急着逐句改，先问自己能不能指出“哪里不对、为什么”。说不清时，把标准写成可读的文档或评分表，再对照原文和具体场景检查。
- 我该不该从ucberkeley本科退学去创业，我学的社会学专业，学不到任何东西
现有材料没有直接讨论“伯克利社会学该不该退学创业”，但能帮你把问题拆成两件事：先验证创业想法是否值得你押上退学，再判断“学不到东西”是课程问题还是你还没找到用法。
- 课代表曾经提到过他在meta上了一门数据相关的课程，不知道是什么
现有片段只能确认立正曾在 Meta 做数据科学家，没有提到他在 Meta 上过哪门数据课程，因此无法给出课程名称。
- Product data scientist在ai时代应该如何转型
核心不是补更多分析技能，而是从“做一段执行”转向“设计系统让AI把结果做出来”，并先确认自己现在的工作是否真在创造价值。
- 立正自己做出来问问立正这个工具以后立正最常问问问立正的问题是什么问题？立正最感兴趣问问立正的问题是什么问题？当问问立正问世以后立正最好奇的问题是什么问题？
现有材料没有记录“问问立正”上线后用户实际最常问、立正最感兴趣或最好奇的问题；能确认的是他做这个工具的动机，以及他判断好问题的标准。
- 什么是强的工作能力
这些材料把强工作能力指向三件事：判断什么值得做、把事真正做完、在模糊中持续放大成果，而不是把技能清单堆满。