过去一年多Cursor已经完全代替原先的VS Code，同时也尝试体验了Windsurf, Autopilot等AI工具。在优化遗留系统、加速产品迭代的过程中，同时也受前同事Woody Zuill的Approval Test方法启发，融合总结出一套实用流程方法：AHA。利用AI的智能分析和设计能力，通过日志驱动和增量验证，打造一个结构化、可控的AI编码方式。
AHA核心步骤
AHA由三个关键阶段组成：Assess, Highlight, Approve：
1. 🧪Assess（评估）
目标是建立行为的基准，避免盲目修改。
- 借助AI工具（如Cursor）的智能分析能力，为目标函数添加详细的Trace log（追踪日志）
- 运行系统，捕获日志，把当前日志结果记录作为系统行为基准(Baseline)
2. ✨Highlight（高亮差异）
基于基准日志，明确业务目标或优化需求，依靠AI的智能设计能力生成代码变更建议。
- 检查代码差异（diff），评估改动影响
- 对比日志，验证行为变化是否符合预期
这个阶段的关键是“可见性”：我们不再是盲目修改，而是让日志高亮出行为的改变。
3. ✅Approve（批准变更）
通过日志对比确认改动效果：
- ✅行为达标：批准变更，提交为新的基准
- ❌行为偏差：将日志反馈给AI，迭代调整，回到Highlight步骤
最终，还可以让 AI 基于日志自动生成文档和测试，形成完整的可验证闭环。
🛠 示例流程（使用 Cursor 工具）
- 用 AI 给目标函数添加详细 trace log
- 运行系统，记录当前行为日志（baseline）
- 命令 AI 进行改造
- 查看代码 diff，接受/拒绝/修改
- 运行系统，获得新日志
- 与 baseline 对比，是否行为正确？
- ❌ 不正确：反馈日志给 AI，排查问题，回到第 3 步
- ✅ 正确：反馈日志给 AI，进一步优化和确认
- 让 AI 写文档和测试，提交新的代码基线
适用场景
AHA在以下场景中效果显著：
- 遗留系统重构：缺乏文档或测试，需谨慎验证行为
- 快速产品迭代：确保代码变更满足业务需求
- 性能优化：通过时间消耗日志，迅速发现性能优化的瓶颈
- 增量开发：适合偏好小步提交的敏捷团队
