在 AI 輔助開發的環境下，工程師的角色已從單純的「創作者」轉變為「除錯者」與「審查者」。判斷 AI 產出程式碼的正確性，建議採取以下策略：
建立系統化的審查機制
- 導入自動化測試與審查流程：利用如 Claude Code 等工具，建立自動化的程式碼審查（Code Review）與測試工作流。透過設置具備特定技能的「子代理」（Subagents），在隔離的上下文中執行任務，能有效提升軟體開發生命週期中的可靠性。[4]
- 設計檢查點（Checkpoints）：依據 AI 產出的風險高低決定審查強度。例如，涉及核心邏輯或安全性高的程式碼，必須進行嚴謹的檢查，而非僅追求產出效率。這種將「效率 KPI」與「正確性 KPI」分開檢視的做法，能避免員工因追求速度而輕忽品質。[1]
- 建立品質指標與測試題庫：參考《經理人》整理的品質管理概念，建議建立測試題庫，並定期測試 AI 代理。當修改指令或調整模型時，透過正確率的數據變化，評估 AI 表現是否優化，而非僅憑感覺判斷。[2]
運用領域知識進行深度驗證
- 發揮領域知識（Domain Knowledge）：AI 對於現實世界邏輯、物理現象或複雜系統的理解仍有不足。開發者應運用自身的專業經驗，針對 AI 生成的程式碼進行細部檢視，特別是那些「非自己編寫」的程式碼，因為這往往隱藏著難以維護的技術債或安全漏洞。[3][5][6]
- 分析錯誤樣態：當發現 AI 產出錯誤時，應進行資料蒐集與分析，釐清錯誤成因（例如：是缺乏參考資料，還是模型邏輯能力不足？），這有助於後續調整提示工程（Prompt Engineering）或優化防護措施。[1][2]
