先把目标与代码行为对上

你想重命名十张图片,代码却遍历整个桌面,说明实现范围已经偏离。运行前写出预期输入目录、输出目录、是否覆盖和是否联网,再在代码中寻找对应行为。看不懂的片段需要解释,不要把“AI生成”当作可信来源。

尤其留意递归遍历、删除、移动、上传、安装依赖和执行子进程。它们未必不合理,但必须与当前任务有直接关系,并且范围可核对。

读写路径要在执行前确定

使用完整且已确认的目录,检查相对路径依赖的当前工作位置。输入与输出不要混在一起,以免后续循环把新产物再次处理。文件名来自外部材料时,也要防止意外解释为路径或命令。

先制作少量无敏感内容的样本。脚本若支持预览变更,让它列出将处理的路径与目标名称;预览不等于真正执行结果,但能发现明显越界。

权限与网络只给任务需要的部分

不要因为脚本报错就直接管理员运行或放开全部目录。先确定缺少的究竟是读权限、目录存在性、文件占用还是依赖;针对原因修复,保留其他限制。

外部请求要看目标与发送内容,依赖要核对可信来源。订阅凭据、API key和私人文件不应为了排错被打印到终端或上传至未知服务。

用结果和失败方式共同验收

在样本上检查文件数量、名称、内容和原件是否保留,再故意使用一个预期可处理的无效输入,观察它是否明确失败。静默跳过与吞掉错误会让“运行结束”看起来像全部完成。

批量任务还应记录哪些成功、哪些失败,以及重跑是否重复改变已经处理的文件。不能只凭进程退出码零或模型一句完成就处理全部真实资料。

确认后再扩大范围,并保留回退

保存经审查的脚本版本与操作记录,真实执行前备份必要原件。涉及不可逆写入或外部动作时,先让结果具体可预览,再由有权操作的人决定执行。

AI建议的代码仍需要人工审查与测试;GitHub官方的Copilot使用说明也讨论了生成建议的局限。本文的检查流程用于控制实际影响,不证明任意脚本经过几步就绝对安全。