最浪费时间的做法：从头重来

AI 给了你一版代码，你看了觉得不对。最常见的反应是："不对，重新做。"然后 AI 重新生成了一版——跟上一版差不多，还是不对。你又来一轮。

这叫从头重来，是最浪费时间的做法。每重来一次，之前对话中积累的上下文就丢一次，AI 又要从零猜你的需求。

正确做法是：在已有结果上做精准修改，而不是推翻重来。

三步法

第一步：指出哪里不对

"不对"太模糊了。你要告诉 AI 具体是哪里不对。

不好的反馈："这个不对。"——AI 不知道你指的哪个部分。

好的反馈："添加任务的输入框太小了，看不清。"——AI 知道问题在输入框，是太小了。

更精准的反馈："输入框的宽度不够，文字超过 10 个字就被截断了。"——AI 不只知道问题在哪，还知道具体表现。

第二步：给出期望

指出问题之后，告诉 AI 你期望的结果是什么。

"输入框太小了"——你期望多大？"我希望输入框能占满整行，文字多了自动换行或者横向滚动。"

给出期望不是替 AI 写代码，而是描述用户看到的效果。AI 会自己想怎么实现。

第三步：让它只改这一处

这是最关键的一步。你要明确告诉 AI：只改这一处，其他不要动。

因为 AI 有时候"热心过头"——你说输入框太小，它可能把整个页面的布局都重新排了一遍。你要约束它：

"只调整输入框的宽度，其他部分保持不变。"

这样做的好处是：保留已经做对的部分，只改不对的。每轮迭代，代码都在变好，而不是在原地打转。

"不对"要分类

反馈之前，先判断"不对"属于哪一类——不同类型的问题，反馈方式不同：

• 逻辑不对：功能本身没实现。比如点完成按钮没有反应。反馈：描述期望的操作流程和结果。
• 样式不对：功能有了，但长得不对。比如颜色、大小、布局。反馈：描述期望的视觉效果。
• 报错：代码跑不起来。比如控制台有红色错误。反馈：把报错信息贴给 AI（下一章详细讲）。
• 遗漏：你之前没提到的功能，现在发现需要。反馈：作为新需求追加，不要说"不对"。

分清类型，反馈才能精准。把"样式问题"当"逻辑问题"反馈，AI 会去改逻辑，越改越乱。

完整对话示例：三轮迭代

下面还原一段真实的多轮对话，看三步法在实践中怎么用。

第一轮：初始需求

做一个待办清单网页。输入框+回车添加任务，每个任务可以标完成（划线）、可以删除。深色背景。

AI：（生成了一段代码，能跑。但有两个问题：输入框只有 200px 宽太小；删除按钮是一个红色的小 ×，很难点中）

第二轮：精准反馈

整体功能没问题。两个地方需要调整：
1. 输入框太窄了，希望在桌面上占至少 60% 的宽度
2. 删除按钮太小，希望能大一点并且保留文字「删除」
只改这两个地方，其他代码保持不变。

AI：（修改了输入框宽度和删除按钮。但这次又出了一个新问题——标记完成后文字变灰了，但划线效果没出来）

第三轮：再精准一点

宽度和删除按钮好了。还有一个逻辑问题：
标记完成后，文字应该加上删除线（line-through），现在只变了颜色。
只修这个完成标记的逻辑，其他不动。

AI：（修复了划线逻辑，其他代码保持不变。功能完整，能用了。）

三轮，一共三句话。没有「不对，重新做」，没有从头重来。每一步都在上一轮的基础上，只改一个问题。

什么时候该从头重来

三步法不是绝对的。有几种情况，从头重来反而更好：

• 方向就错了：AI 做的东西跟你想要的完全不是一回事。不是调一处两处能救回来的。
• 对话太长了：来回改了七八轮，AI 已经"晕"了，给的代码越来越乱。这时候开新对话、重新描述需求，反而更快。
• 需求本身变了：你做着做着发现想要的东西变了。这不是"改"，是"重新开始"。

判断标准：如果改的成本高于重来的成本，就重来。但大多数情况下，精准修改比重来快得多。