坑 1：需求没说清就让它开干

最典型的翻车。正确做法：先让它出方案/线框，你确认结构，再写实现。把「写码」和「定方案」两步拆开。

坑 2：信了它「应该没问题」

涉及数字（收益、盈亏、统计、回测）的结论，模型很容易编出看似合理的数。铁律：关键数字用真实数据重算，禁止「标通过」。我踩过回测参数「看起来跑赢实则跑输」的坑，根源就是没用真实流水重验。

坑 3：让它顺手重构了一堆无关代码

一句「顺手帮你优化了一下」就能毁掉你精心维护的模块。规则里写死：只动本次任务指定的文件。

坑 4：OCR / 识别结果不复核

让 AI 读截图、识别文字时，它偶尔会臆造。关键字段（备案号、金额、域名）一定人工核对原文，不轻信识别输出。

坑 5：把测试数据写进生产

任何脚本的 demo/测试分支，必须禁止写生产数据文件。曾因测试参数把假数据写进了真实流水表，回滚花了不少功夫。

一句话：给 AI 边界，给它真实数据去验，给它不可越过的红线。做到这三点，它从「会捣乱的实习生」变成「靠谱的执行中枢」。