用 AI 除錯與讀懂錯誤訊息：從貼上堆疊追蹤到定位根因的完整流程

為什麼要用 AI 來除錯

除錯是每位工程師花最多時間的工作之一。傳統流程是把錯誤訊息丟到 Google 或 Stack Overflow，翻找相似案例再自己拼湊答案。AI 助手如 ChatGPT、Claude 改變了這件事：你可以把錯誤訊息、相關程式碼與執行環境一次交給它，讓它同時扮演搜尋引擎、資深同事與橡皮鴨的角色。

但很多人用 AI 除錯的方式是錯的，只丟一行「這段程式壞了幫我修」，得到的往往是猜測式的答案。真正有效的做法，是把 AI 當成協助你「讀懂線索」的夥伴，而不是許願機。本文會拆解一套可重複的流程。

第一步：先讀懂錯誤訊息的結構

在把任何東西貼給 AI 之前，你自己要先看懂錯誤訊息的三個部分：例外類型（exception type）、訊息內容（message）、堆疊追蹤（stack trace）。以 Python 為例：

Traceback (most recent call last):
  File "app.py", line 42, in process_order
    total = sum(item['price'] for item in cart)
  File "app.py", line 42, in <genexpr>
    total = sum(item['price'] for item in cart)
KeyError: 'price'

這裡例外類型是 KeyError，訊息是 'price'，堆疊追蹤告訴你出錯的檔案與行號（app.py 第 42 行）。光看這三點，就知道某個 item 字典裡沒有 price 這個鍵。堆疊追蹤要從最下面往上讀，最底部是實際拋出例外的位置，往上則是呼叫鏈。

第二步：給 AI 足夠的上下文

AI 除錯的品質，取決於你給的資訊量。一個好的除錯提問，至少要包含以下四項：

1. 完整的錯誤訊息與堆疊追蹤（不要只貼最後一行）。
2. 出錯的那段程式碼，以及相關的呼叫端。
3. 你的執行環境（語言版本、框架版本、作業系統）。
4. 你「預期」發生什麼，實際「又」發生了什麼。

以下是一個可直接套用的提問模板：

我在執行下面這段程式時出現錯誤，請幫我定位根本原因並說明為什麼。

【環境】Python 3.12，FastAPI 0.110
【預期】購物車加總所有商品價格回傳 total
【實際】拋出 KeyError: 'price'

【完整錯誤】
(把 traceback 全部貼上)

【相關程式碼】
(把 process_order 與呼叫它的地方貼上)

請先說明根因，再給修正建議，並指出這個問題可能還藏在哪些地方。

注意最後一句「還藏在哪些地方」，這會讓 AI 不只修眼前這一行，而是幫你找出同類問題。

第三步：用追問縮小範圍

AI 第一次回答通常會給出最可能的原因，但不一定命中。這時不要直接換問題，而是用追問法收斂。例如：

• 「你說可能是資料來源缺欄位，我確認過資料庫都有 price，那還有什麼可能？」
• 「這個錯誤只在生產環境出現，開發環境正常，這代表什麼？」
• 「如果我加上 print(item) 在第 41 行，你預期會看到什麼？」

這種對話式除錯的關鍵，是把 AI 的假設一個一個驗證掉。每次你提供新的觀察（例如 log 輸出），AI 就能排除錯誤假設，逐步逼近真相。這其實就是科學方法：提出假設，設計實驗，觀察結果，修正假設。

第四步：讀懂常見錯誤類型

不同語言的錯誤有固定模式，讓 AI 幫你歸類會更快。以下整理幾種高頻錯誤與它們的典型根因：

錯誤類型	常見語言	典型根因
NullPointerException / undefined is not an object	Java, JavaScript	存取了尚未初始化或已被清空的物件
KeyError / KeyNotFound	Python, C#	存取字典中不存在的鍵
IndexOutOfRange	多數語言	陣列索引超出長度，常見於迴圈邊界
Connection refused / timeout	網路相關	服務未啟動、埠號錯誤或防火牆阻擋
CORS error	前端	後端未設定允許跨來源請求
Segmentation fault	C, C++	存取非法記憶體位址

把錯誤類型告訴 AI，再附上你的程式碼，它就能針對這一類的典型陷阱去檢查。例如遇到 Connection refused，好的 AI 會反問你「服務有啟動嗎？埠號對嗎？」而不是直接改程式。

第五步：驗證 AI 的修法，不要照單全收

這是最重要的一步。AI 會給出看起來合理的修法，但它可能治標不治本，甚至引入新問題。回到前面的 KeyError 例子，AI 可能建議：

total = sum(item.get('price', 0) for item in cart)

用 get 加預設值確實不會再拋錯，但這是對的修法嗎？如果某商品沒有 price 是資料錯誤，那把它當成 0 元只是把 bug 藏起來，帳目會對不上。正確的做法可能是：在資料進入購物車時就驗證欄位，或在缺欄位時明確拋出有意義的錯誤。

所以每次拿到 AI 的修法，要問自己三個問題：這是治本還是治標？它會不會讓錯誤靜默消失？有沒有測試能證明它真的修好了？必要時請 AI 一起補上單元測試來驗證。

實戰範例：一個非同步的競態條件

來看一個較難的例子。有段 JavaScript 程式偶爾會回傳舊資料：

let cache = null;

async function getUser(id) {
  if (!cache) {
    cache = await fetchFromAPI(id);
  }
  return cache;
}

把它連同「每次傳不同 id 卻拿到同一個 user」的現象貼給 AI，好的助手會指出兩個問題：第一，cache 用單一變數卻服務不同 id，第二個 id 的請求會拿到第一個的快取。第二，多個請求同時進來時，if (!cache) 判斷與賦值之間有競態視窗。這種「讀懂現象背後的並發模型」正是 AI 除錯發揮價值之處，因為它能一次考慮多個面向，而人在疲勞時容易只看到其中一個。

常見陷阱

第一個陷阱是資訊不足。只貼一行錯誤訊息，AI 只能猜。第二個陷阱是過度信任，把 AI 的話當成絕對正確而不驗證。第三個陷阱是貼上敏感資訊，例如 API 金鑰、資料庫密碼、真實用戶個資，除錯前務必先把這些遮蔽或替換成假資料。第四個陷阱是忽略版本差異，AI 的訓練資料可能是舊版框架，遇到新版 API 時要主動告知版本號。

小結

用 AI 除錯的核心，不是把問題丟出去等答案，而是把 AI 變成放大你觀察力的工具。先自己讀懂錯誤結構，給足上下文，用追問收斂假設，最後嚴格驗證修法。掌握這套流程後，你會發現除錯速度明顯提升，而且更能理解問題的根因，而不只是讓紅字消失。