提交前自查 diff 能发现无关改动、调试代码、格式噪声和遗漏文件，降低代码审查成本。

本地问题不一定是代码问题，排查时应检查 Node、包管理器、环境变量、端口、缓存和依赖状态。

有用日志应包含请求 ID、用户动作、模块、状态和安全参数摘要，帮助线上问题快速定位。

好 PR 描述应包含背景、改动摘要、验证证据、风险和截图或接口示例，减少来回追问。

错误堆栈包含触发点、传播路径、模块边界和最近改动的线索，阅读时要结合 import trace、源码位置和上下文，而不是在恐惧中直接关闭终端。

当旧代码缺少测试时，可以先用特征测试记录当前行为，再逐步重构内部实现。

单元测试最适合覆盖纯函数、权限、状态转换和错误映射，展示样式和普通点击不应占用主要测试预算。

修改代码前先搜索现有实现，能避免重复造轮子、误判目录边界和遗漏调用点。

好错误信息应说明发生了什么、影响范围、可能原因和下一步动作，而不只是抛出失败。

AIGC 内容系统需要把选题、生成、事实校验、人工编辑、版权检查和发布监控串起来。

数据分析平台的核心不是图表，而是指标定义、数据血缘、权限、刷新周期和自助分析边界。

内容审核系统需要把规则引擎、模型判断、人工复核、申诉和审计串成可追踪流程。

客服 AI 系统从知识推荐、话术草稿、工单摘要和质检入手，比直接自动回复更容易控制风险。

电商搜索推荐不只是召回和排序，还要处理商品数据、库存价格、用户行为、实验和可观测性。

企业 RAG 系统不只是向量检索，文档权限、版本、切分、引用和反馈闭环都会影响答案质量。

风控系统需要把实时特征、离线训练、规则策略、模型评分和审计解释串成闭环。

医疗预约分诊系统需要严格区分信息收集、风险提示、科室推荐和医生诊断边界。

物流路径优化系统需要结合订单、仓网、运力、时效、成本和运营干预，不能只输出理论最优路线。

工业质检系统要处理设备数据、图像采集、边缘推理、缺陷标注、追溯和产线反馈。

AI 助教系统要处理课程知识、学生画像、答题记录、反馈安全和教师干预，而不是让模型自由发挥。