AI Agent / 系统课时

从错误现象收集证据

从错误现象收集证据

当 AI 辅助开发出现异常时,第一步不是立即修改代码,而是把错误转化为可分析的证据。本篇将学习如何收集报错信息、环境状态、输入条件和变更记录,形成可用于定位问题的完整上下文。

学习目标

  • 掌握错误信息采集的核心内容和优先级。
  • 学会记录运行环境、输入数据与复现步骤。
  • 能够整理最近变更,帮助快速缩小故障范围。

错误现象为什么需要证据化

错误本身只是结果,不包含完整原因。同一个异常提示可能来自依赖版本、配置变化、输入数据、运行环境或代码逻辑差异。没有上下文时,开发者和 AI 只能进行低效猜测。

有效的排查信息通常包括错误原文、发生时间、触发操作、运行环境、输入样例和最近修改内容。这些信息共同描述了问题发生的条件,使定位从猜测变成验证。

建立错误证据清单

收集证据时,可以按照固定顺序整理,避免遗漏关键线索。

证据类型 需要记录的内容 作用
报错信息 完整错误消息、堆栈信息 判断失败位置
环境信息 系统、语言版本、依赖版本 排除环境差异
输入数据 触发问题的最小输入 验证边界条件
操作步骤 从启动到失败的过程 保证问题可复现
最近变更 新增代码、配置、升级记录 定位变化来源

对于程序问题,优先保存完整日志,而不是只复制最后一行错误。堆栈中的调用路径通常比错误摘要更有价值。

使用工具记录运行上下文

在 Vibe Coding 工作流中,可以先让工具输出当前环境,再将结果与错误信息一起保存。

bash
node --version
npm --version
npm list --depth=0

预期输出

text
v22.0.0
10.5.1
project-package@1.0.0

实际版本会根据本机环境不同而变化,但记录这些信息可以帮助判断是否存在版本不一致问题。

整理提交给 AI 的问题描述

向 AI 请求排查时,应提供结构化信息,而不是只发送“程序报错了”。一个有效的问题描述应包含现象、条件和期望结果。

例如:先说明执行了什么操作,再附上完整错误,再说明最近修改了哪些文件。这样 AI 可以基于事实分析,而不是生成泛化建议。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

从错误现象收集证据

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通