方法步骤：
-
提供完整可复现的代码 + 完整报错信息（Traceback）
不要只给片段代码或模糊描述，AI拿到完整上下文才能精准定位问题。
-
让AI解释「报错的根本原因」，而不是只要修正后的代码
理解问题根源，才能判断AI的修改是否合理，避免引入新问题。
-
对比修改前后的代码差异，搞懂每一行改动的目的
重点关注AI添加的判断、修改的参数、新增的导入等，这些往往是解决bug的关键。
-
手动验证修改后的代码，跑一遍确认问题解决
不要直接依赖AI的结果，必须自己运行验证，尤其是逻辑判断、边界处理这类容易出错的地方。
-
记录bug类型和解决方案，形成自己的问题库
比如「NoneType对象调用方法报错」「字典update空值报错」这类高频问题，下次遇到就能快速解决。
比如：
# 拿到外部数据
local_context = caseinfo.get('外部数据', None)
# 拿到原来的全局变量
context = copy.deepcopy(g_context().show_dict())
# 在全局变量中更新外部数据
if local_context is not None:
context.update(local_context)
这里我开始没有加if local_context is not None:
然后调用context.update(local_context)，可能会拿到None数据，就会报错
然后我把代码扔给ai，报错扔给ai，ai就帮我改了代码，改完就可以正常运行
