AI编程

数据量大时，AI 可能建议分批读取和汇总。分批本身不应改变结果：用同一小样本分别整批与分批计算，确认最后不足一批的记录也被处理。

AI 可以帮助解释可疑数据，但先用一条公开可核对的规则建立基线。本文计算中位数绝对偏差，标出超过约定阈值的记录，再交给AI整理复核原因。

文本信息提取智能体返回一个字段，不代表原文真的包含它。要求同时给出start、end和原文value，再用本地字符串切片核对，能拦住部分编造或引用错位。

两段看起来相同的文本，底层字符不一定相同。AI 文本清洗可以先采用明确的 Unicode 规范化规则，保留原文与转换值，再决定是否需要进一步清理。

智能体说“准备查询”不等于工具已经执行。存储模块应分别记录建议、开始和结果，让读者回查哪次动作真的得到业务回应。

AI 智能体批量导入数据时，不能一部分失败却仍报“导入完成”。如果契约是全批成功或全批失败，数据库事务与失败后的实际行数核对要同时存在。

智能体把两份数据关联后，总行数突然增加，先检查关联键是否重复。给AI的要求应包括一对一还是多对一，不能只说“按ID合并”。

AI 自动化脚本写文件时，不能在数据尚未验证完之前覆盖旧结果。先在同目录写临时文件，检查成功后再替换，可减少失败留下半截输出的机会。

AI 生成前端模拟数据后，需要先检查关系是否自洽。订单指向不存在的用户、重复ID或每次刷新不同的随机结果，都会令联调问题难以复现。

让 AI 写测试报告时，原始测试记录必须先成为标准源。摘要里的通过、失败和未执行数量都能回到用例ID，才能防止模型补出漂亮但没有依据的结果。