AI 生成代码的质量，很大程度上取决于开发者给出的上下文和指令是否清晰。与其反复修改 AI 的“废话代码”，不如在一开始就通过以下几个要点提升一次生成到位的概率。
1. 用类型定义和接口“框住”AI
在静态类型语言（Java / TypeScript / Go / Rust）中，先写出函数签名、接口定义或数据结构，再让 AI 补全实现体。明确的入参类型和返回值能给模型极强的约束。
- 实操：不要只写
function handleData(data)，而是写function handleData(user: UserProfile): ApiResponse<OrderSummary>，AI 的补全会精准得多。 - 同理：Python 开发者即便没有强类型，也可在注释中写明参数类型预期，或使用 TypedDict / Pydantic Model 先定义 schema。
2. 注释即需求，避免模糊表达
把 AI 当作刚入职的初级程序员：需求描述越具体，产出越靠谱。
| 低效表达 | 有效表达 |
|---|---|
| // 处理一下 | // 如果订单状态为 PAID 且库存充足，扣减库存并记录流水；否则抛出 InsufficientStockError |
| // 排序 | // 按 createTime 降序排列，相同时间则按 id 升序，使用稳定排序 |
- 进阶技巧：在函数上方用多行注释写出步骤（Step 1… Step 2…），AI 倾向于按步骤逐行实现，结构会更清晰。
3. 保持上下文窗口的“纯度”
OpenCode 会读取当前文件甚至相邻文件作为上下文。如果同文件中混杂了大量无关的业务逻辑、死代码或庞大的 JSON 常量，AI 容易被带偏。
- 建议：生成新模块前，将无关代码折叠或临时移到文件底部；若只需基于某个工具类生成代码，可在 IDE 中打开该工具类并分屏，让 AI 的注意力更集中。
- 善用选中：使用“解释选中代码”或“基于选中代码生成”功能，人为划定上下文边界，避免模型被几百行外的无关逻辑干扰。
4. 复杂任务拆分，拒绝“一口吃成胖子”
不要期望一次 Tab 补全就生成一个完整的复杂业务逻辑。将任务拆成原子步骤：
- 定义输入校验函数；
- 定义核心计算 / 转换逻辑；
- 定义错误处理和返回封装。
每完成一步，人工确认或微调，再进入下一步。这样不仅能提升准确率，也便于代码审查和回滚。
5. 及时纠偏，建立正向循环
当 AI 生成的第一行就不对时，立刻按 Esc 取消，不要勉强接受后几行再删改。
- 如果 AI 经常混淆项目的某个工具类用法，可手动写一两行正确的调用示例，AI 后续会基于你的书写习惯调整推荐。
- 在支持对话式编辑的场景下，直接用自然语言指出错误（如“这里应该用异步读取，不是同步阻塞”），让 AI 基于修改后的上下文重新生成。
6. 对齐团队代码规范
在项目根目录配置好 .editorconfig、ESLint、Prettier、Checkstyle 等规则。虽然 AI 不一定 100% 遵循，但清晰的规范文件和项目中已有的高质量代码会作为上下文的一部分，显著提升生成代码的风格一致性。
小结
提升准确率的关键不是“让 AI 猜得更准”，而是“让上下文和需求没有歧义”。花 10 秒写好类型定义和注释，往往能省下 2 分钟修改错误代码的时间。