调试（Debug）是开发者最耗时的工作之一，也是AI辅助编程中投资回报率最高的场景之一。但”把报错复制给ChatGPT”只是最基础的用法——真正让AI在Debug中发挥威力，需要一套完整的工作流和提示词策略。本文总结了一套经过实战验证的AI辅助Debug方法论。
基础层：把报错信息给AI的正确方式
不要只粘贴错误信息，要同时提供：错误类型+完整堆栈（stack trace）、触发错误的代码段（不是整个文件）、你预期的行为是什么、你已经尝试过的解决方案。
示例差提示词：
我的代码报错了，怎么修？TypeError: Cannot read property 'map' of undefined 示例好提示词：
Python FastAPI项目，POST /api/users 报错如下： TypeError: Cannot read property 'map' of undefined at line 45
相关代码（handlers/user.py 第40-50行）： [粘贴代码]
预期行为：接收JSON body，遍历users数组，批量插入数据库 已尝试：检查request.body()是否为空，不是空 请帮我定位根本原因
进阶层：让AI做分层排查
对于复杂Bug（找了30分钟以上还没有头绪），可以让AI做分层排查——从最可能的根本原因开始，给出一个有优先级的排查清单：
提示词模板：
我有一个[描述问题]的Bug，已经排除了[已排除的可能性]。 请按照"最可能→较可能→较不可能"的顺序，给我列出3-5个 可能的根本原因，并说明每个原因的排查方法（要验证的代码位置或 要查看的日志字段）。 这种方法比直接问”怎么修”更有价值——AI给出的排查路径常常能覆盖你思维盲区中的原因。
日志分析：把大量日志给AI做摘要
生产环境的日志文件通常有几百MB，人工翻查效率极低。可以把关键时间窗口内的日志（通常错误发生前后各5分钟的ERROR和WARN级别日志）提供给AI，让它摘要出异常模式：
以下是2026-06-20 14:00-14:10的服务器日志（ERROR和WARN级别）：
[粘贴日志片段]
请：1. 列出所有唯一的错误类型及出现频率
2. 找出最早出现的错误，推断可能的触发链
3. 是否有数据库超时或网络错误的迹象
对比Debug：用AI解释”为什么这段代码不如那段代码”
当你有两段代码——一段能工作一段不能——最快的Debug方式是把两段都给AI做对比分析：
以下两段代码，A能正常工作，B出错了。
代码A：[粘贴]
代码B：[粘贴]
请告诉我：1. 两段代码的关键差异在哪里 2. B出错的根本原因
3. 如何修改B让它像A一样工作
这种对比提示词的准确率，远高于单独让AI看一段问题代码。实测数据：Cursor Agent在对比分析场景下首次给出正确解的比例约75%，远高于单独分析的55%。
