如果每周多出 8 小时，你会用来做什么？
我先说我的答案：打游戏、陪家人、搞副业。反正不是继续写那些写了 100 遍的样板代码。
一个月前，我做了个决定——把所有"不用动脑但必须有人做"的代码工作，全丢给 AI。不是让它写核心逻辑，是让它干那些你会写、但不想写的活。
一个月后，我每周省了 6-8 个小时。
这篇文章就是我在用的 5 个真实场景，每个都附了代码。你复制下来，改个 API Key，马上就能跑。
不是标题党。往下看。
场景一：样板代码？我一个 struct 丢过去，40 行就出来了
你肯定经历过这个：每开一个新项目，router.go、handler.go、middleware.go 这些文件写的永远是同一套东西。相似度 90%，但你不能直接复制——包名不一样、字段不一样、业务名不一样。
我以前的做法是：打开旧项目 → 复制 → 全局替换 → 改字段 → 调半小时。现在：
你只需要定义这个：
type User struct {
ID int `json:"id"`
Name string `json:"name"`
Email string `json:"email"`
Role string `json:"role"`
CreateAt string `json:"create_at"`
}
剩下的 40 行，AI 帮你写完：
package main
import (
"encoding/json"
"net/http"
"strconv"
"strings"
)
var users = []User{
{ID: 1, Name: "张三", Email: "zhangsan@example.com", Role: "admin", CreateAt: "2026-01-15"},
}
func listUsers(w http.ResponseWriter, r *http.Request) {
role := r.URL.Query().Get("role")
var result []User
for _, u := range users {
if role == "" || u.Role == role {
result = append(result, u)
}
}
json.NewEncoder(w).Encode(result)
}
func createUser(w http.ResponseWriter, r *http.Request) {
var u User
json.NewDecoder(r.Body).Decode(&u)
u.ID = len(users) + 1
users = append(users, u)
w.WriteHeader(http.StatusCreated)
json.NewEncoder(w).Encode(u)
}
func main() {
http.HandleFunc("/api/users", func(w http.ResponseWriter, r *http.Request) {
switch r.Method {
case "GET":
listUsers(w, r)
case "POST":
createUser(w, r)
}
})
http.ListenAndServe(":8080", nil)
}
你写了 6 行 struct，AI 写了 40 行 CRUD。路由注册、参数解析、错误处理、内存存储——这些你闭着眼都会写、但每次都要花 20 分钟的东西，现在 3 秒出来。
省了什么：不是省了打字的时间，是省了"切换上下文"的脑力。你不用从业务逻辑里跳出来，去想路由怎么注册、参数怎么解析。那些是肌肉记忆，但不是价值。
场景二：写完代码不想写注释？丢给 AI，3 秒出 godoc
说实话，我特别讨厌写注释。
不是懒——是写代码和写注释用的大脑区域不一样。刚写完一段复杂的逻辑，脑子还在"计算机思维"里，突然要切换到"人类语言模式"去解释这段代码干了什么。这个切换本身就很累。
但注释又不能没有。半年后你自己回来看，没注释的代码跟别人写的没区别。
后来我养成了一个习惯：函数写完，Ctrl+A → 丢给 AI → 3 秒出注释 → 我确认一下描述准不准确 → 完事。
这是我项目里真实的一段代码，丢给 AI 之前一行注释都没有：
func collectCommits(cfg *Config, repos []string, since, until time.Time) ([]Commit, error) {
var all []Commit
for _, repo := range repos {
for d := since; !d.After(until); d = d.AddDate(0, 0, 1) {
commits, err := fetchCommits(cfg, repo, d.Format("2006-01-02"))
if err != nil {
log.Printf("获取 %s %s 失败: %v", repo, d.Format("2006-01-02"), err)
continue
}
all = append(all, commits...)
}
}
return all, nil
}
丢给 AI，3 秒后：
// collectCommits 从多个仓库中采集指定日期范围内的提交记录。
//
// 对每个仓库，按天遍历日期范围，逐天调用 API 拉取数据。
// 单天拉取失败时记录日志并继续，不中断整个采集流程。
//
// 参数:
// - cfg: 配置，包含 CNB Token 等认证信息
// - repos: 仓库列表，格式为 "org/repo"
// - since: 采集起始日期（含）
// - until: 采集截止日期（含）
//
// 返回:
// - []Commit: 按时间排序的提交记录
// - error: 仅在无法继续时返回
func collectCommits(cfg *Config, repos []string, since, until time.Time) ([]Commit, error) {
以前写注释我纠结的是"这个要不要写，那个写了会不会太啰嗦"。现在不纠结了——AI 先写一版，你只负责判断"对还是不对"。从创作变成了审校，难度降了一个数量级。
场景三：Code Review 没人做？让 AI 当第一道防线
我说句得罪人的话：大多数团队的 Code Review 形同虚设。
要么没人有时间认真看，要么看了也只看出"这行少了个空格"。真正有价值的逻辑审查——边界条件处理了吗、有空指针吗、SQL 注入了吗——很少有人能稳定地看出来。
我的方案：AI 审第一轮，人审第二轮。 AI 不会累、不会漏掉明显的坑、不会因为跟你是朋友就放水。
这是一段我故意埋了 3 个问题的代码：
func GetUserOrders(userID int, status string) ([]Order, error) {
db, err := sql.Open("mysql", dsn)
// 问题 1：db 没有 defer Close
// 问题 2：SQL 拼接，注入风险
query := "SELECT * FROM orders WHERE user_id = " + strconv.Itoa(userID)
if status != "" {
query += " AND status = '" + status + "'"
}
rows, err := db.Query(query)
if err != nil {
return nil, err
}
defer rows.Close()
var orders []Order
for rows.Next() {
var o Order
rows.Scan(&o.ID, &o.UserID, &o.Amount, &o.Status)
// 问题 3：Scan 返回值没有检查 error
orders = append(orders, o)
}
return orders, nil
}
丢给 AI，30 秒后：
发现 3 个问题：
🔴 高危：SQL 注入
query 使用字符串拼接构建，status 参数未做任何过滤。
建议：使用参数化查询 `WHERE user_id = ? AND status = ?`
🟡 中危：资源泄漏
sql.Open 返回的 db 连接没有关闭。
说明：sql.Open 创建的是连接池，应该在程序退出时调用 db.Close()
🟢 低危：错误忽略
rows.Scan() 的返回值被忽略，扫描失败时不会感知。
建议：检查 Scan 的 error 返回值
3 个问题全抓出来了。之前人工审查这段代码至少 10 分钟，还不一定能全看出来——尤其是 SQL 注入那个，嵌套在 if 里面，肉眼很容易跳过。
核心逻辑：不是让 AI 替代你审查，是让 AI 把明显的坑先扫一遍。你只需要关注 AI 标记出来的地方，以及 AI 看不出来的业务逻辑问题。10 分钟的活变成 2 分钟。
场景四：10 万行日志找问题？以前 2 小时，现在 5 分钟
做后端的最怕什么？产线出问题了，老板在群里 @你，你打开日志一看——10 万行。你不知道问题在哪，但你知道你必须在 30 分钟内找到。
传统做法：写脚本 → 正则提取 → awk 统计 → Excel 画图。一套下来 2 小时起步。等你找到问题，老板已经打了 3 个电话了。
AI 的做法：采样 → 丢给 AI → 读结果。
10 万行 Nginx 日志，我想知道 404 最多的接口是哪些：
func analyzeLogs(logFile string) {
data, _ := os.ReadFile(logFile)
lines := strings.Split(string(data), "\n")
// 从 10 万行里随机抽 500 行
samples := sample(lines, 500)
prompt := fmt.Sprintf(`以下是 Nginx 访问日志片段。请统计：
1. 404 状态码最多的 3 个接口路径
2. 平均响应时间异常（> 1s）的接口
3. 有没有明显的爬虫流量
只基于以下数据回答，不要推测：
%s`, strings.Join(samples, "\n"))
// 调用 DeepSeek
result := callLLM(prompt)
fmt.Println(result)
}
30 秒后：
1. 404 TOP 3:
- /api/v1/users/avatar (127次) — 用户头像接口404，怀疑CDN配置问题
- /wp-admin/admin-ajax.php (89次) — WordPress扫描流量
- /api/v1/legacy/config (43次) — 旧版接口已下线但仍有客户端在调
2. 响应时间异常:
- /api/v1/reports/generate 平均 3.2s — 报表生成接口需要优化
3. 爬虫流量:
- 大量 /api/v1/articles 请求来自非浏览器UA，疑似爬虫
它不只是统计数字，还给了分析——"怀疑 CDN 配置问题"、"旧版接口已下线但仍有客户端在调"。这跟你看着数据自己推断的结论是同一类东西，但快了几十倍。
关键洞察：AI 做数据分析的优势不是"算得准"，而是快。你 2 小时也能得出同样的结论，但等你算完，黄花菜都凉了。
场景五：每周一早上的折磨？我让 Agent 全自动了
这是五个场景里最"狠"的一个——你还在睡觉，活已经干完了。
每周一早上写周报，打开 Git → 翻提交记录 → 回忆上周干了啥 → 拼成周报 → 发群里。每次 20-30 分钟，烦但不做不行的程度。
我写了一个 Agent，流程就三步：
每周一早上 7:00
→ 自动拉取 Git 提交记录
→ 丢给 DeepSeek 整理成周报
→ 推送到企业微信群
→ 你还没起床，周报已经在群里了
架构就三板斧：
┌──────────┐ ┌──────────┐ ┌──────────┐
│ 数据采集 │ ──→ │ AI 处理 │ ──→ │ 结果推送 │
│ Git API │ │ DeepSeek │ │ 企微消息 │
└──────────┘ └──────────┘ └──────────┘
这就是我开源的 daily-report-agent。代码 400 行，一个周末写出来的。
这个模式才是真正的价值所在：
| 你想做的 | 改哪里 |
|---|---|
| 监控告警分析 | 数据源改成 Prometheus API |
| 竞品动态追踪 | 数据源改成爬虫 |
| 日报汇总 | 数据源改成 Jira/TAPD |
| 发布检查清单 | 数据源改成 CI/CD 状态 |
变的只是第一步的数据源和最后一步的推送渠道，中间的 AI 处理逻辑是通用的。这是一个可以无限复用的模板。
说真话：AI 现在能做什么，不能做什么
我不是 AI 布道师，不卖课，不收徒。下面这些是我跑了一个月的真实结论：
能做的（2026 年 5 月实测）
| 任务类型 | 省时比例 | 一句话 |
|---|---|---|
| 样板代码生成 | 70-90% | 改几行就能用，最稳的场景 |
| 注释/文档生成 | 80% | 需要你确认准确性，但比自己写快 5 倍 |
| 代码审查第一轮 | 50-70% | 能扫出常见坑，逻辑审查还是得你来 |
| 数据提取与分析 | 80-90% | 数据量越小越准，采样是关键 |
| 定时自动工作流 | 95%+ | 流程固化场景最稳，基本上不用管 |
不能做的（别被卖课的把期望拉太高）
- 替代你理解业务：AI 不知道你们产品为什么设计成这样，也没必要知道
- 做架构决策：它能列出方案的优缺点，但不知道你的团队有几个人、下个月要上线
- 100% 可靠：每次生成的结果都不一样，永远要验证
- 跨系统调试：它能读代码，但不能 SSH 到你服务器上看日志
我的建议很简单
别想着"学 AI"。这个领域的教程已经多到让人焦虑了。
你就做一件事：找一个你每周都在做的机械性任务，试着用 AI 把它自动化掉。
不用是什么大项目。哪怕只是"每次写完函数自动补注释"，也行。AI 给你省出来的第一个小时，就是你真正对它建立信心的时候。
我就是一个普通程序员，8 年经验。不是什么大神，也不是什么 AI 专家。这篇文章里的每一段代码，都是我自己跑过的。你复制下来就能用。
下一篇我会用 50 行 Go 代码，让你真正理解大语言模型是怎么工作的。不讲数学公式，不扯 Transformer 原理。一个能跑的程序，你改几个参数就能直观看到 Token、温度、上下文这三个概念的区别。
关注我，别错过。
🦞 一只用 AI Agent 搭副业产线的程序员
公众号：虾哥不加班 | B站：龙虾不加班 | 掘金：龙虾不加班
源码 & 工具：GitHub - lobster-bujiaban
