跳到正文
← 返回文章列表

VirtueZ · 2025.09.29

Claude 开始长时间写代码,产品经理该怎样验收?

页面打开了,新文章也出现在首页,任务看起来已经完成。往下滑,原先可以拖动、会弹开的工具卡片却像被钉在桌上一样。这个 bug 没出在新加的文章里,甚至没出在文章区附近;为了让新内容不被旧页面程序覆盖,修改时把原有脚本一起拿掉了,物理效果便跟着消失。

这件事很小,却比很多漂亮的 AI 编程演示更接近实际工作。模型能不能把需求做出来是一回事,修改后原来的东西是否还能工作,是另一回事。2025 年 9 月 29 日,Anthropic 发布 Claude Sonnet 4.5,重点介绍编码、Agent、电脑操作能力,并为 Claude Code 加入可回退的检查点等功能。发布说明提到模型能持续处理较长时间的复杂任务,这是值得关注的进展。但“能连续干活”同时意味着它可以连续改动很多地方。产品经理如果只检查最后一个页面,会把中途造成的损失漏掉。

一、需求完成,不等于产品还能用

过去评估外包开发或者新功能上线,我们很少只问“按钮有没有做出来”。正常的验收会同时查看旧流程、异常状态、权限边界和不同设备上的表现。AI 写代码时,团队容易放松这套标准,因为它改得快,汇报也说得完整。尤其是它能自己运行命令、浏览页面、解释实现思路,整段过程看上去像已经有人替你完成自测。

可“我已经测试过”是一个过程描述,不是证据。它到底测了哪条路径?检查的是静态页面能打开,还是用户真的拖动了卡片、点击了导航、切换了移动端?测试运行时用的代码,和最后交付的文件是不是同一版?如果这些问题没有答案,完成报告写得再漂亮,也不该直接成为上线依据。

个站那次改版就是例子。新文章卡片的链接正常,正文页面也能打开;恰恰因为可见的新需求都对了,旧交互失效更容易被忽略。背后的技术原因是恢复出来的网站保留了原有脚本与交互组件,修改者为了处理页面内容冲突清掉了脚本。作为产品问题,它说明两件事:第一,需求范围写的是“增加文章”,实际改动触碰了首页脚本;第二,验收只盯新文章,没覆盖与它共享首页的互动区域。

这样的错误并不专属于 AI。人工开发也会破坏旧功能。区别在于,AI 能用很短时间完成更多改动,团队如果没有相应扩大检查范围,错误从“偶尔疏漏”变成了一个可重复的流程漏洞。速度越快,越需要明确什么不能被碰坏。

二、产品经理要先给出“不许退步”的清单

让 AI 改一个页面前,我会要求需求说明里多一栏:相关旧行为。做文章页,就写清首页导航、移动端菜单、文章列表、正文跳转,以及首页已有的互动效果;做客服系统,就列出原来的人工转接、退款审批、工单状态流转;做支付页,就把金额计算、重复点击和失败重试写进去。这不是把所有测试工作推给产品经理,而是由最了解用户任务的人先指出“这些地方坏了会产生什么后果”。

清单也要有轻重。首页卡片不能拖动,影响体验,可以阻止这次发布并修好;正文里一个不影响理解的间距问题,可以排进下一轮;退款条件误判,则属于完全不同级别的风险。若团队把所有问题都标成“高优先级”,最后等于没有优先级。AI 在执行时需要明确的边界,负责验收的人同样需要。

这里有个常被误解的地方:不是每次修改都必须跑完整站所有功能。真正可行的是按改动影响决定回归范围。改文案,查对应页面和布局;改公共样式,查几个最容易受影响的模块;改打包、脚本或路由,就不能只看目标页面。那次个站问题正发生在脚本层,验收范围理应扩到依赖这些脚本的交互。产品经理未必会读每行代码,但可以要求开发或 AI 明确列出改了哪些共享资源,再据此决定检查哪里。

三、检查点与回退有用,但不能替代验收

Anthropic 当时为 Claude Code 增加检查点,让用户能够保存进度并回退。这类功能很重要。AI 可能尝试了几条路径,第三条修好了新需求,却破坏了第一条已经稳定的流程;有检查点,团队至少能知道从哪里退回。只是回退解决的是“坏了以后怎么恢复”,并不能自动发现“已经坏了”。发现问题仍靠清晰的测试和观察。

还要分清两个常被混为一谈的状态:代码可以回退,已经发生的业务动作未必能回退。如果 AI 在开发环境里改坏了页面,恢复文件通常可行;若在生产环境里发出了错误通知、改了价格或删除了用户数据,即使代码回到旧版本,后果仍在那里。所以权限设计应该跟风险一起变化。把 AI 放到可以独立试错的分支、预览环境里,让它自由检查;涉及对外发布和真实业务数据的动作,则要求明确的人工确认。

对产品经理来说,理想的交付说明不该只有“已完成”。更有用的格式是:改了哪些文件或页面;为什么必须改这些地方;新需求用什么步骤验证;检查了哪些旧流程;还有哪些没有验证;如果发布后出问题,如何回退。没有验证的部分不要用“理论上没问题”补齐。能诚实标出空白,比交出一份看似全绿的报告更可靠。

四、任务一旦变长,问题会从“写错代码”变成“做错决定”

短任务里,产品经理还能盯着 AI 每一步改了什么。一个需要处理大量文件、连续工作几个小时的任务,难处变成了决策积累:它先理解了哪版需求,后来收到的新条件有没有覆盖旧条件,碰到模糊地带是停下来问,还是按自己的猜测继续。代码本身也许写得通,做出的却不是团队最后要的产品。

设想你让编码工具制作会员页。最初要求“到期前七天提醒”,后来运营说“试用会员不要提醒”,再后来法务补充“用户关闭通知权限时不得在站内模拟系统通知”。模型可能分别处理了三条信息,但如果没有重新整理成一份有效规则,最终页面会出现一些“看似都做了”的拼接结果:试用用户仍收到提醒,关闭权限的用户看见另一种文案。团队验收时,不能只点开页面看按钮是否存在,还要沿着规则变更的时间线检查状态组合。

因此,较长的开发任务需要几个停顿点。需求范围确定时,请它复述当前有效规则与尚待决定的地方;开始改公共模块前,列出会受影响的页面;完成一个阶段后,先展示可运行结果和发现的问题,再继续下一阶段。停顿点不需要把每个函数都提交人工审批,否则自动化就失去意义。它们应放在会改变产品行为、扩大权限或可能破坏旧流程的节点上。

产品经理还要警惕“顺手优化”。模型看到重复代码,可能提出重构;看到移动端不美观,可能连样式一起改;看到旧脚本碍事,可能把它删掉。这些建议未必错,但它们改变了任务范围。对于有上线期限的文章更新,重构首页脚本的风险明显高于收益。更好的处理是先把必要改动完成并验证,把额外优化列成独立任务。这样即使建议有价值,也不会夹在一次简单发布里,变成没人预料到的风险。

五、验收不是产品经理一个人的事

很多团队把验收理解为产品经理最后点几下页面。这种安排容易漏掉真正的风险,因为不同角色掌握不同信息。产品经理知道用户路径和业务规则,研发知道共享组件与代码依赖,设计师能发现布局与交互手感的退步,运营知道上线时间和活动条件。AI 可以帮他们整理检查项、运行自动化流程,却不能让这些知识自动汇合。若没有一次简短的跨角色对齐,大家都会以为“别人应该测了”。

比较省力的做法,是在任务开始时就指定谁看哪一部分。产品经理负责新功能与关键旧路径,研发负责构建、错误日志和共享资源,设计师看视觉与交互,发布人确认版本和回退步骤。小网站也可以由同一个人承担这些角色,但检查项仍要分开写。一个人坐在电脑前,并不等于可以在同一秒同时以用户、开发者和运营的眼光看问题。

复盘时也不要只追问“当时为什么没测出来”。更值得问的是:任务说明有没有提到旧交互?改动文件清单里能否看出脚本被删除?本地预览有没有实际拖动操作?错误是在测试前出现,还是测试之后又被引入?这些问题能把责任落实到流程节点,而不是把它变成对某个人或某个模型的一句责备。下次只需多跑一个真实动作,就能挡住同类问题,这才是复盘的价值。

六、一次小改动,怎样做出真正有用的回归检查

可以把工作拆成三个时点。开工前,保留旧版本,并记录几个关键动作的正常表现。比如文章入口能到列表、工具卡片能拖动、手机菜单能展开。任务进行中,留意 AI 是否开始修改超出需求的公共文件;若碰到脚本、路由或共享样式,及时把这些区域加入检查。交付前,按用户动作走一遍:从首页进文章,打开正文,返回列表,再回首页拖动工具卡片,同时看窄屏页面有没有横向溢出。

这一套检查不用写得很玄。一个可点击的页面、几张截图、一个简短的动作记录,就能让“我测过了”变得可复核。自动化测试适合稳定、反复执行的关键路径;视觉效果、文案是否遮挡、拖动物理感是否自然,仍需要真实浏览器里的人工观察。前者提高重复效率,后者补上用户感受,两者不是互相替代。

如果要比较不同模型或编码工具,也得让它们面对同一份需求与同一批旧行为。不要让 A 只做文章列表,让 B 连移动端和回归测试一起做,然后用代码行数、耗时或首次成功率宣布谁更好。比较的终点应当是“所有验收项通过后的时间和成本”,而不是它第一次说“完成”时的时间。返工次数、人工发现的问题、修复时长,都应进入记录。

七、方法论:给 AI 编程任务一张交付卡

如果你明天就要让 AI 改一个已有产品,可以给任务附上这张交付卡。第一栏写用户目标:谁要在什么场景完成什么动作;第二栏写允许改动的范围与明确禁止的动作;第三栏列新功能验收步骤;第四栏列可能受影响的旧流程;第五栏指定实际验证环境;第六栏要求交付证据和未测项。信息不用很长,但必须具体。比如“新增四篇文章,首页每篇可直达正文;保留首页工具卡片拖动、移动端菜单及原有项目页;在本地预览中点击四篇文章并实际拖动一张卡片”,就比“把文章加进去,别出 bug”有效得多。

完成后由人做一次风险检查:改动是否跨出授权范围,是否涉及用户数据或外部发布,旧功能是否仍能完成。若证据不足,补测再交付;若发现问题,先定位影响范围,再决定修复或回退。正式发布前,把实际要上传的那一版重新打开,而不是依赖几小时前的截图。很多“明明测过”的事故,发生在测试和发布之间又改了一次文件。

交付卡还可以要求一份很短的“反例报告”:试一试空数据、重复点击、网络中断、移动端窄屏,以及业务规则刚好卡在边界的情况。模型通常容易展示正常路径,而产品事故偏偏喜欢躲在这些边缘。反例不必穷尽所有可能,却能让团队知道它是否只是做出了一条演示路线。尤其当任务涉及旧工程时,最好打开浏览器亲自操作,不要只看单元测试的绿色结果;视觉层的卡片不再弹动,单元测试未必会提醒你。

如果交付结果要让不懂代码的业务同事复核,别把一长串文件差异甩给对方。给出预览地址、操作步骤与预期结果,让他可以在五分钟内指出“这里和过去不一样”。模型能生成技术说明,产品经理要确保说明用的是验收者能执行的语言。

最后,将这次失败写回下一次的检查清单。个站工具卡片的教训不是“以后别让 AI 改首页”,而是“涉及首页脚本时,必须验证首页交互”。这样的记录会让后续任务越来越快:团队不必每次重新猜哪里容易坏,AI 也能拿到清楚的约束。模型升级带来的速度值得用,但真正让产品放心交付的,是一套能发现问题、说明问题并修好问题的工作方法。

一次回归检查最好保留可复现的动作,而不是“我看着没问题”。例如把首页滚到工具箱、拖动最右侧卡片、放开后观察是否继续移动;再缩到手机宽度打开文章与菜单。任何接手的人照着走,都能验证同一项结果。测试动作越具体,模型以后越不容易用一次构建成功代替真实用户体验。

信息来源与事实边界

  • Anthropic:Claude Sonnet 4.5 发布说明,2025 年 9 月 29 日。本文关于当时发布能力及 Claude Code 检查点的描述据此核对。个站改版案例来自作者在本地恢复站点中更新文章时的实际过程:新文章成功加入、原有卡片交互一度失效,后经恢复相关脚本与浏览器拖动验证修复。它说明一次具体任务的验收遗漏,不能推出任何模型普遍会造成同类故障。