本文以及本专栏正在参加豆包 Marscode 专栏征文活动，如何喜欢欢迎投票支持，这将对我们意义非凡，每天都可以投一次
投票链接
以下实战案例均使用豆包 MarsCode AI 工具，欢迎大家尝试！
想要提升编程效率，释放创造力？快来体验 豆包 MarsCode 编程助手！作为一款由豆包打造的智能编程工具，MarsCode 提供智能代码补全、单测生成、代码解释等强大功能，全面覆盖编程的各个环节，让你从写代码到调试的每一步都更加高效。
无论是快速生成代码片段、优化注释、发现并修复代码问题，还是通过 AI 问答解决开发中的疑惑，MarsCode 都能帮你轻松搞定！支持 Python、JavaScript、TypeScript 等超过 100 种语言，兼容主流 IDE，如 VSCode 和 JetBrains，让开发无缝衔接。
数据安全更是无忧：Marscode 采用加密传输，严格保护用户隐私，确保数据不被用于二次训练。
立即安装 MarsCode，登录即可享受 AI 助力编程的全新体验！
开启效率新篇章，从 MarsCode 开始！
www.marscode.cn/
这一章主要讨论使用 AI 辅助 Debug，这是我个人最常用的 AI 场景。
Debug 过程是非常痛苦的，很多时候的流程是：
阅读大量的错误信息、日志和代码 ⇒ 思考可能的出错位置 ⇒ 思考可能的解决方式并尝试 ⇒ 再回到查看错误信息、日志和代码。很多 bug 会在这个过程中循环很久。
并且，有些 bug 是由于自己没注意到的细节，毕竟我们很难认真阅读每个细节；或者是因为一些未知的代码机制和表现，因为我们可能没有踩过类似的坑，对某些代码机制的细节不了解，如果没有新知识的输入，我们可能很难意识到如何去解决这个 bug；或者是一些我们知道但忽略了的代码机制。
也就是说，调试代码之所以比较痛苦，是因为：
- 阅读量大：包括错误信息、日志、代码、文档、网上的解决方案。
- 知识储备要求高：语言和库有太多机制和细节，很多细节需要踩过坑才知道。
- 精力消耗大：如果是细节问题，我们需要认真阅读和斟酌大量代码和配置。
- 分析能力要求高：这依赖于调试经验，我们需要根据一些现象去分析可能的错误根源。
所以程序员都谈 debug 色变，但就我个人体验来说，恰当使用 AI 能极大程度地改善这个问题。这一章节我们就来介绍在调试时使用 AI 的一些技巧。
AI 解析代码
由于代码和第三方库的细节机制和逻辑非常多，如果遇到我们不熟悉的部分，就很容易卡在奇怪的地方。
这里我们假设自己是一个刚入门的程序员，用 Node.js 写了一个简单的读取文件内容，然后拼接并输出的代码：
const fs = require("fs");
function readFiles(files) {
let contents = [];
files.forEach((file) => {
// 读取文件内容
fs.readFile(file, "utf8", (_, data) => {
// 将文件内容添加到数组中
contents.push(data);
});
});
// 返回所有文件内容
return contents;
}
const files = ["data/file1.txt", "data/file2.txt", "data/file3.txt"];
const allContents = readFiles(files);
console.log(allContents);
这段代码看起来很正常，也是很多初学者会写出来的代码，但运行后会发现输出是 []，也就是没有读取到任何文件的内容。
对于新手来说，这是学习编程时非常容易遇到的一个坎。当你不知道某个知识点的情况下，无论看这段代码多少遍，都觉得没什么问题，甚至不知道该如何搜索来解决这个问题。
在这种情况下，我们可以直接询问 AI，不需要特别的 prompt 技巧，用非常直接的描述来询问：
这意味着，当我们是编程的新手，或者学习一门新的语言时，即使没有解决 bug 所需要的知识，也能通过 AI 丰富的知识库，来帮我们找到解决这个问题的方法。
更进一步，如果你对异步完全不了解，你也可以询问 AI，让它一步步讲解：
这里常用的提示关键词有：详细解释、举例说明、举常见用法、用贴近某个业务的例子解释，等等，让 AI 用你习惯的方式来解答问题。
报错解读
现代的工具链在出错时都会输出详细的错误信息，但由于多种原因，导致大家很难仔细阅读这些报错。首先是语言，大多数报错是纯英文的，阅读起来有难度。在阅读中文时，我们可以速读找到关键词，而阅读英文时，就很难速读，需要逐行解读；并且很多报错的长度较长，阅读起来费时费力；错误信息和真实的根本原因（root cause）有一定距离，从中提取有价值的信息需要丰富的经验。
这些都困扰着程序员根据报错来解决问题，而有效利用 AI 可以辅助我们解决这个问题。在这里，我们需要提供合适的上下文，例如原始代码、想要实现的功能等辅助信息。
一般使用的提示：
在这段代码中：<your-code>
我想实现 xxx 功能，现在遇到报错，帮我解读这个报错：
<error>
在这段代码中：<your-code>
运行报错：<error>
帮我提取报错中值得关注的点，并分析其对应的原因和可能的知识点。
让 AI 分析可能的报错原因：
分析可能的报错原因，给我十个可能的原因和理由。
我们可以从这些可能的原因中得到一些灵感，之后有了自己的思路，再让 AI 帮助继续思考：
我认为可能是 xxx 原因导致的报错，基于此，帮我进一步分析。
在发现了可能的报错原因后：
我认为导致 <error> 报错的根本原因是 <reason>，现在的代码是 <code>，给我提供三个解决方案，并解释原因和对比优劣。
从中挑选合适的解决方案，然后修改代码，再次运行，根据新的报错进行进一步交互：
为了解决 <error-1> 报错，我将代码修改成了 <code-2>，现在报错 <error-2>，帮我解读可能的原因。
然后继续循环这个流程。
回顾使用 AI 辅助调试的过程，AI 解决的问题是：
- 代码解读：代替人类分析代码中可能出错的细节，这对 AI 来说是简单的任务，但人类做起来比较费时费力。
- 报错解析：AI 可以一次性阅读大量的错误信息，从中提取出值得关注的细节，供人类进一步解读。
- 头脑风暴：对错误的解读需要联想能力，从报错中想到可能的原因。由于 AI 的思考成本低，我们可以让 AI 提供数十个可能的报错原因，供人类参考。
以上就是在调试过程中使用 AI 的一些技巧，合理利用 AI，可以极大地提升调试效率，减轻调试的痛苦。
