AI 驱动开发实战复盘：从 0 到上线，一个真实项目的工程化总结

文章目录：

- 一、项目起点：问题不是工具少，而是无法复用
- 二、项目目标：解决"工具使用效率"问题
- 三、系统设计：从一开始就按"工程项目"来做
- - [1️⃣ 数据驱动，而不是页面驱动](#1️⃣ 数据驱动，而不是页面驱动)
  - [2️⃣ 核心模型尽量简单](#2️⃣ 核心模型尽量简单)
- [四、AI 在开发中的真实角色](#四、AI 在开发中的真实角色)
- - [1️⃣ 需求阶段：辅助整理，而不是替代思考](#1️⃣ 需求阶段：辅助整理，而不是替代思考)
  - [2️⃣ 设计阶段：提供方案，而不是做决策](#2️⃣ 设计阶段：提供方案，而不是做决策)
  - [3️⃣ 编码阶段：效率提升最明显](#3️⃣ 编码阶段：效率提升最明显)
  - [4️⃣ 调试阶段：降低问题定位成本](#4️⃣ 调试阶段：降低问题定位成本)
- [五、核心方法论：如何正确使用 AI 开发](#五、核心方法论：如何正确使用 AI 开发)
- - 方法一：任务必须可拆解
  - 方法二：上下文决定结果质量
  - 方法三：人负责设计，AI负责实现
  - [方法四：不要过度信任 AI](#方法四：不要过度信任 AI)
- 六、开发流程（实际执行方式）
- - [6.1 利用AI开发前端项目](#6.1 利用AI开发前端项目)
  - [6.2 利用AI开发后台管理系统](#6.2 利用AI开发后台管理系统)
  - [6.3 利用Curos开发经验分享](#6.3 利用Curos开发经验分享)
- 七、效率提升的本质
- [八、AI 的能力边界](#八、AI 的能力边界)
- - [AI 擅长：](#AI 擅长：)
  - [AI 不擅长：](#AI 不擅长：)
- 九、结论：开发范式正在改变
- 最后

这篇文章只回答一个问题：

👉 AI 在真实项目开发中，应该怎么用，才能真正提升效率？

我用一个完整项目做了一次验证：

前后端完整开发
管理后台
总耗时：3 天

如果完全手写代码，大约需要 1~2 周。

👉 效率提升约 3~4 倍

但更重要的不是"快"，而是：

👉 开发方式本身发生了变化

一、项目起点：问题不是工具少，而是无法复用

一开始的动机很简单：

我收藏了大量工具网站，但几乎用不上。

问题主要有三个：

收藏无分类 → 查找成本高
无使用场景 → 不知道什么时候用
无信息沉淀 → 每次都要重新理解

本质问题其实是：

复制代码

工具很多，但不可管理、不可复用

这也是我决定做这个项目的原因：

👉 做一个"可复用"的工具导航系统，而不是简单的链接集合

二、项目目标：解决"工具使用效率"问题

在真正动手之前，我先明确了一件关键的事：

❗ 这个项目到底解决什么问题？

最终目标可以总结为一句话：

👉 降低工具的"查找成本 + 理解成本 + 使用成本"

围绕这个目标，核心设计方向是：

支持分类（降低查找成本）
提供描述（降低理解成本）
支持收藏 / 记录（降低复用成本）

三、系统设计：从一开始就按"工程项目"来做

项目采用标准的前后端分离架构：

复制代码

前端（Vue） → 后端 API → 数据库

但关键不在技术选型，而在两个设计原则：

1️⃣ 数据驱动，而不是页面驱动

工具信息统一由后端定义，例如：

复制代码

{
  "name": "xxx",
  "category": "AI",
  "tags": ["写作"],
  "description": "...",
  "url": "..."
}

前端只负责一件事：

复制代码

渲染数据

👉 这样做的好处：

前后端解耦
易扩展
易维护

2️⃣ 核心模型尽量简单

后端核心只抽象 5 个实体：

Tool（工具）
Category（分类）
User（用户）
Favorite（收藏）
History（记录）

设计思路是：

👉 以 Tool 为中心，其它都是行为扩展

这样可以避免：

过度设计
表结构膨胀

四、AI 在开发中的真实角色

很多人会问：

👉 AI 到底帮了多少？

我把整个开发流程拆开来看，会更清晰。

1️⃣ 需求阶段：辅助整理，而不是替代思考

我没有直接让 AI 生成需求，而是：

自己写一个"粗糙版本"
让 AI 帮我优化结构

AI 在这里的作用是：

补全遗漏
优化表达
提供通用方案

但它做不了：

判断优先级
理解真实用户需求

2️⃣ 设计阶段：提供方案，而不是做决策

AI 可以帮你：

推荐技术栈
提供架构思路
生成基础设计

但关键点在于：

❗ 最终决策必须由人来做

因为：

AI 不了解你的业务
不知道系统未来扩展方向

3️⃣ 编码阶段：效率提升最明显

这是 AI 发挥最大价值的阶段。

可以放心交给 AI 的：

CRUD 接口
页面结构
基础组件
通用逻辑

不建议交给 AI 的：

核心业务逻辑
复杂状态管理
性能敏感代码

👉 我的使用方式是：

小步迭代，而不是一次生成

例如：

"帮我实现收藏功能"
"帮我写这个接口"
"帮我优化这个组件"

4️⃣ 调试阶段：降低问题定位成本

AI 在调试阶段非常好用：

我通常这样用：

复制代码

贴错误日志 + 相关代码 + 问题描述

它可以：

快速定位问题
提供修复方案
给出优化建议

👉 相当于一个"随叫随到的经验型开发"

五、核心方法论：如何正确使用 AI 开发

这部分是最关键的总结。

方法一：任务必须可拆解

AI 不适合处理"大问题"，只适合"小问题"。

错误方式：

复制代码

帮我做一个完整系统

正确方式：

复制代码

1. 实现工具列表接口
2. 实现收藏功能
3. 实现搜索功能

方法二：上下文决定结果质量

AI 输出质量 = 输入信息质量

建议提供：

当前代码
数据结构
明确目标

方法三：人负责设计，AI负责实现

这是一个分工问题：

人 → 负责"做什么"
AI → 负责"怎么写"

如果反过来，就会失控。

方法四：不要过度信任 AI

AI 生成的代码：

可能冗余
可能不规范
可能有隐藏问题

所以必须：

自己 review
必要时重构

六、开发流程（实际执行方式）

整个项目我采用的是：

👉 人主导 + AI 执行 + 持续修正

流程如下：

明确需求（人）
生成基础代码（AI）
局部优化（人 + AI）
出问题 → 调试（AI 辅助）
最终重构（人）

需求和方案确定好之后，接下来，AI编程辅助工具： Cursor，就可以闪亮登场了。

6.1 利用AI开发前端项目

关于Cursor的介绍和使用，不是本文重点，这里就不再阐述了

1、在Cursor AI对话框，选择Agent模式，模型选择：GPT-5.4（目前是最新的版本，最适合代码生成的模型）

输入："基于上面的需求，帮我自动生成前端的页面代码，以vue来实现"

2、点击发送后，Cursor将自动生成项目结构及各文件代码。

3、选择允许接受所有代码后，自动生成的项目结构如下所示：

4、在终端执行npm install 安装依赖，接着运行npm run dev 启动本地开发服务

5、打开浏览器，访问http://localhost:3000

6.2 利用AI开发后台管理系统

同样的方式，在Cursor AI对话框，选择Agent模式，输入提示词，生成后端项目结构，如图所示。

篇符有限，其余功能就不一一罗列了，总的来说，就是把你的开发需求或问题喂给Cursor。

6.3 利用Curos开发经验分享

使用 Cursor 这类 AI 编程辅助工具，想要发挥其最大效用 ，核心就在于掌握向 AI 精准提问 的方法。不少人会疑惑，和 AI 提问是否有诀窍？其实道理很简单：先在脑中梳理清楚 自身的开发需求 或遇到的技术问题 ，再用简洁直白 的日常语言向 AI 表述，单次提问 聚焦一个核心诉求 即可，切勿杂糅多个问题，同时要为 AI 提供有效的开发上下文。

倘若在借助 AI 编程工具生成代码时，发现其输出的内容偏离预期 、逻辑混乱 ，大概率是因为自身的需求描述不够清晰 ，或是缺少关键的上下文信息作为支撑。

七、效率提升的本质

很多人关注的是：

AI 提升了多少效率？

但更重要的是：

👉 效率提升来自哪里？

本质上有三点：

减少重复编码（CRUD、模板代码）
减少查资料时间
提高试错速度

八、AI 的能力边界

这部分必须说清楚。

AI 擅长：

标准代码生成
模板逻辑
常见问题解决

AI 不擅长：

产品设计
复杂系统架构
业务理解
技术取舍

👉 一句话总结：

AI 可以替你写代码，但不能替你做决策

九、结论：开发范式正在改变

这次实践让我最大的感受是：

开发正在从：

复制代码

人写代码

变成：

复制代码

人做决策 + AI 执行

最后

如果你是开发者，可以认真想一个问题：

👉 未来你的核心竞争力，是"写代码"，还是"设计系统"？

这可能会决定你接下来 3~5 年的发展方向。