用 Vibe Coding 搭了一个完整小程序「一定能成」

前言

这不是一篇技术教程，而是一个产品创作者的完整记录------从脑子里一个模糊的想法，到上线一个包含用户端、API、后台管理、AI 集成的真实产品，全程用 Codex 协作完成。

一、引子：一个想法的诞生

我一直有一个困扰。

市面上缺一个让我能把目标「真正执行下去」的工具。

Notion 太自由，需要自己搭建模板，搭完模板就没动力执行了。待办清单太简单，只能记「今天要做什么」，解决不了「今天为什么要做这个」和「明天该做什么」。OKR 太企业级，适合团队管理，不适合个人日常。

我想要的东西其实很简单：

一个工具，我告诉它目标，它帮我拆成每天能做的事，然后每天提醒我、反馈我、最后和我一起复盘。

这个想法在我脑子里转了很久。但每次一想到要落地------前端要写页面、后端要搭接口、数据库要设计表、还要接 AI、还要做后台管理、还要部署------我就觉得一个人搞不定。

直到我遇到了 vibe coding。

准确地说，是遇到了能支持 vibe coding 的工具。

二、需求发掘：痛点不是想出来的，是聊出来的

这个产品的需求不是坐在电脑前拍脑袋想出来的。它来自两个地方：自己的失败经验 ，和和朋友的聊天。

从自己开始

我有过很多次「列了一个宏伟计划，然后三天就放弃了」的经历。

想健身，办了卡，去了两次，没了。想学英语，下了 App，打了三天卡，忘了。想存钱，月底一看，还是花超了。

每一次失败的原因其实差不多：

目标本身太模糊（「我要变健康」------什么叫健康？）
没有拆到「明天就能做」的程度（「我要每天锻炼」------练什么？多久？在哪？）
执行中没有反馈（打卡就是打个勾，然后呢？）
放弃了也没有复盘（下次继续犯同样的错）

和朋友聊

我发现这不是我一个人的问题。

和朋友吃饭时聊到这个话题，几乎每个人都有类似的经历。一个朋友说：

「我每次列计划都很兴奋，感觉人生要改变了。然后执行三天就没了，下次再列一个更兴奋的计划。」

另一个朋友说：

「我知道我应该做什么，但我就是不知道第一步从哪里开始。」

这些对话让我意识到：痛点不在「定目标」，而在「从目标到执行的第一公里」。

五个核心问题

我把这些观察整理成了五个问题，它们后来直接决定了产品的功能设计：

#	问题	产品回应
1	不知道目标是否现实	AI 先评估可行性，给分数和建议
2	不知道第一天该做什么	AI 把目标拆成每天的具体任务
3	不知道怎么把长周期拆开	计划分阶段（适应期 → 执行期 → 强化期 → 收尾）
4	打卡只是记录，没有反馈	AI 教练每天给出针对性反馈
5	失败了没有复盘，下次还犯	计划完成后自动生成最终复盘

产品的定位就这样出来了：一个 AI 帮你从「模糊目标」走到「每一天该做什么」的工具。

三、灵感启发：从碎片到产品

有了痛点，下一步是把它变成一个可交互的产品。这个过程不是线性的，更像是拼图------灵感碎片一块一块地拼起来。

最初的灵感碎片

碎片 1：让用户「说」目标，而不是「填」目标。

大多数目标管理工具的第一步是让你填表单：目标名称、截止日期、优先级、分类......还没开始执行就觉得累了。

我想要的体验是：用户上来就说一句话------「我想在三个月内减掉 10 斤」或者「我想半年内考过雅思 6.5」------剩下的交给 AI。

碎片 2：AI 是「教练」，不是「工具」

市面上大多数工具把 AI 定位成一个问答助手：你问它答。但在这个场景里，AI 应该是一个主动的角色------它帮你评估目标、生成计划、每天给你反馈、最后和你复盘。

碎片 3：闭环比功能重要

这个产品不需要很多功能。它只需要做好一件事：让用户从「我有一个目标」走到「我今天完成了该做的事」，然后再回到「我离目标更近了一步」。

核心体验闭环

最终，产品的核心体验被设计成一个短的闭环：

复制代码

说出目标 → AI 评估可行性 → 生成结构化计划 → 每日打卡 → AI 教练反馈 → 完成复盘

这个闭环里最关键的环节不是「生成」，而是「执行」。所以数据库和后端不是为了保存一段 AI 文案，而是把 AI 结果拆成可操作的结构化数据------计划、阶段、天、任务、打卡、反馈、复盘。

产品名「一定能成」的由来

名字来自一个很直接的念头：不管是产品还是用户，都需要一个笃定的声音。

用户需要一个让他相信「这次能成」的工具。我自己也需要------一个从 0 到 1 用 AI 搭起来的项目，也说不准能不能成。所以这个名字既是给用户的，也是给自己的。

四、技术选型：为什么是 Codex

在确定用 Codex 之前，我试过两个其他的 AI 编码工具。

尝试过的工具

Claude Code

Claude 的对话能力很强，代码生成质量也不错。但在当时，它对中文项目的支持不够稳定------表注释、接口文档、提示词里的中文容易出现编码问题。而且在一个已经有一定结构的项目里持续迭代时，上下文保持得不够连贯------经常出现「之前说好的设计，换了一个对话就忘了」的情况。

Trae 国内版

Trae 对国内生态很友好，中文支持好，也理解国内常用的技术栈。但它的体验更偏向「从零生成」，在「对已有项目做持续修改和迭代」的场景下，流程不够顺畅。

为什么 Codex 最终胜出

Codex 最打动我的三点：

1. 项目级上下文

它不是单次问答。它在整个项目仓库里工作------读你的代码结构、理解你的命名规范、知道你的数据库表是怎么关联的。这意味着你可以说「在用户 API 里加一个查询今天是第几个打卡日的接口」，它知道去哪里加、怎么命名、和现有代码怎么对接。

2. 全栈覆盖

从一个想法到一个能跑起来的全栈项目，涉及：

数据库建表 + 迁移脚本
后端接口 + 路由 + 中间件
前端页面 + 组件 + 状态管理
AI 集成 + 异常处理 + fallback 逻辑
后台管理系统
部署配置
测试用例 + 文档

Codex 一个工具贯穿了所有环节。切换成本几乎为零------不需要在前端框架、后端框架、数据库工具、AI SDK 之间频繁切换上下文。

3. 迭代式协作

这是最打动我的一点。Codex 的工作方式不是「你问一个问题，它给一个答案」，而是：

你先说一个想法，它生成一个版本；你跑起来看哪里不对；你补充体验要求；它继续改接口、改页面、改数据；最后沉淀成文档。

这个过程非常像身边坐着一个工程搭子：我负责判断方向、提出产品感受和验收标准，它负责把想法拆成代码、文件、接口和数据结构。

坦诚的边界

当然，Codex 也不是万能的。我的判断：

适合的场景：

从 0 到 1 的个人产品
原型快速验证
需要全栈能力但团队只有一个人的项目
对代码质量要求「够用即可，上线后持续优化」

不适合的场景：

高并发、高安全性要求的系统
遗留系统改造（它没有现成上下文）
需要深度性能优化的场景

五、方案构思：AI 负责生成，人负责约束

这是整个产品设计里最重要的部分。

整体架构

scss 复制代码

┌──────────────────┐       ┌──────────────────┐
│  用户端           │       │  管理端           │
│  (uni-app/H5)     │       │  (Vue 3 + Element)│
└────────┬─────────┘       └────────┬──────────┘
         │                          │
         ▼                          ▼
┌──────────────────┐       ┌──────────────────┐
│  用户 API         │       │  管理 API         │
│  (Koa + JWT)     │       │  (Koa + JWT)     │
└────────┬─────────┘       └────────┬──────────┘
         │                          │
         └──────────┬──────────────┘
                    ▼
           ┌──────────────────┐
           │  MySQL           │
           │  (d_c_DB)    │
           └──────────────────┘

四个工程，共用同一个数据库。

为什么拆成四个工程？

职责分离。用户 API 挂了不影响管理端，管理端的大流量查询不影响用户服务。而且可以独立部署------实际上线后用户 API 和管理 API 就部署在不同的端口上。

为什么共用数据库？

一开始考虑过用户端和管理端用不同的数据库，然后通过接口同步。后来果断放弃了------对于一个人项目来说，增加一个数据同步层只会引入更多 Bug。共用数据库 + 合理的前后端校验，够简单、够可靠。

核心业务流程

bash 复制代码

登录
  → 创建目标（填表单：目标名称、周期、预期成果、每日可投入时间......）
  → POST /api/v1/goals/evaluate → AI 评估可行性（或本地 fallback）
  → 分数 >= 60 → POST /api/v1/plans/generate → 生成计划
  → 首页展示活跃计划、今日任务、AI 教练反馈
  → 每日打卡 → 勾选任务 → 更新进度
  → 计划完成 → AI 生成最终复盘
  → 历史页查看所有计划状态

AI 的边界设计：最核心的设计决策

一开始我很容易陷入一个误区：既然用了 AI，那是不是所有东西都让 AI 自由发挥？

后来我意识到------产品里真正可靠的 AI 不是「随便说」，而是「被约束后输出结构化结果」。

所以后端设计了几层保护：

1. AI 输出必须是 JSON，不能是 Markdown 文案

强制使用 DeepSeek 的 response_format: { type: 'json_object' }。如果 AI 返回的不是合法 JSON，直接走 fallback。

2. 所有输出必须经过 normalize 和校验

AI 可能返回字段缺失、格式不对、阶段天数不连续。所以后端有一个 normalize 层，专门做清洗：

字段长度截断
日期格式统一
阶段天数连续性校验
任务数量控制在合理范围
必填字段检查

3. 无 Key 或调用失败时走本地 fallback

AI_API_KEY 为空时，或者 AI 调用超时/返回异常时，系统自动走本地算法生成评估和计划。虽然质量不如 AI，但产品不会因此不可用。

4. 每次调用都记录日志

每次 AI 调用（成功或失败）都写入 ai_model_logs 表，包含完整的请求、响应、耗时、状态。这为后续排查和限流提供了基础数据。

5. 每个场景有独立的每日调用限制

通过 system_configs 表配置每个场景的每日调用上限。防止某个用户刷接口把额度用完。

核心理念就一句话：AI 是「生成引擎」，产品边界由代码控制。

六、数据库设计：围绕「执行闭环」建模

数据库的设计原则很简单：一切为了让用户能把目标执行下去。

核心关系链

bash 复制代码

users
  → goal_evaluations（目标评估）
    → plans（计划主表）
      → plan_phases（阶段）
        → plan_days（天）
          → tasks（任务）
            → checkins（打卡）
              → coach_feedbacks（教练反馈）
                → plan_final_evaluations（最终复盘）

$截图占位：MySQL 数据库中核心表的列表截图 ------ 展示 ding_cheng 库下的所有表名$
$截图占位：plans 表的字段结构截图 ------ 展示关键字段和类型$
$截图占位：tasks 表的几条示例数据截图 ------ 展示 AI 生成的任务数据结构$

为什么拆成 4 层（计划 - 阶段 - 天 - 任务）

这是一个很早就做好的决定：AI 生成的不是一段文案，而是一棵结构树。

plans：计划整体，保存状态（active / completed / abandoned）
plan_phases：阶段，比如「启动适应期」「稳定执行期」「强化提升期」「收尾复盘期」
plan_days：每一天，绑定真实日期，支持后续补卡、跳过、统计
tasks：每天的具体任务，用户打勾的就是这一层

这样设计的好处是：

用户看到的是今天要做的事，不是一大段计划文案
后台可以按阶段、按天、按任务维度做统计
后续支持补卡（补卡任务继承原始任务字段）
最终复盘时可以看到每天的执行质量

三种计日方式的设计背景

不同用户对「打卡频率」的需求不一样。所以设计了三种模式：

模式	说明	适用场景
`calendar`	自然日，每天都打卡	短期冲刺、习惯养成
`workday`	工作日打卡，跳过周末和法定节假日	学习计划、工作项目
`rest_day`	休息日打卡（每 7 天只打 2 天）	健身、运动（需要恢复日）

工作日模式带来一个额外的问题：中国的调休制度。 周末可能补班，工作日可能放假。所以需要一张 holiday_calendars 表，由管理员在后台配置，也支持年度同步。

打卡状态为什么是三级

不是简单的 true/false，而是三级状态：

completed：全部完成
partial：部分完成
incomplete：未完成

这样复盘时可以更真实地看到执行质量------「今天完成了 3 个任务中的 2 个」比「今天打卡失败」有更多信息量。

AI 日志表的设计意图

ai_model_logs 是上线后最有价值的表之一。每条记录包含：

用户 ID
场景（评估 / 生成计划 / 教练反馈 / 复盘 / 偏向评估）
供应商和模型名称
请求完整内容
响应完整内容
耗时（毫秒）
状态（成功 / 失败 / 部分成功）

没有这张表，AI 出问题时就只能靠猜。有了它，后台可以按场景、按用户、按时间段排查问题，还可以做用量统计和成本估算。

运营支撑表

除了核心业务表，还有一组从一开始就设计了的运营表：

表	用途
`system_configs`	系统配置（AI 调用上限、站点名、功能开关）
`announcements`	公告（可配置展示时间、是否只显示一次）
`user_feedbacks`	用户反馈（和处理状态流转）
`avatars` + 关联表	系统头像管理（支持按标签分类、排序）
`preference_assessment_*`	用户偏向评估题目和结果

这些表让项目从「能跑」变成「能运营」。

六章半：一个插曲------后台管理为什么要提前做

不算单独一章，但值得单独说一下。

很多个人项目会先只做用户端，后台「以后再说」。我这次在一开始就做了后台管理。

原因很简单：AI 产品需要观察。

我需要知道：

用户创建了什么目标？
AI 返回了什么内容？格式对不对？
哪些调用失败了？为什么？
每个 AI 场景每天调用了多少次？
用户反馈了什么？有没有共性问题？
节假日配置是否正确影响了计划日期？

没有后台的时候，这些问题只能靠猜。有了后台------哪怕只是一个简单的列表页 + 日志查看------问题就变得可见了。

所以后台不是锦上添花，它是调试入口和运营入口。

七、Vibe Coding 的真实工作流

很多人好奇「和 AI 一起做产品」到底是什么感觉。我用一个真实的案例来说明。

一次典型的开发循环

以「打卡功能」为例，看看它是如何从想法变成代码的：

第 1 步：提出需求（口语化描述）

「我希望用户进入打卡页后，能看到今天的任务列表，勾选完成后点击提交，然后 AI 根据完成情况给一条反馈。」

第 2 步：Codex 理解需求 + 读现有代码

它不会直接开写。它会先读现有的项目结构------plans 表有什么字段、tasks 表怎么关联、有没有已存在的打卡相关接口、前端页面是用什么组件库。

第 3 步：生成方案

它会给出一个方案，包含：

后端需要新增的接口（POST /api/v1/plans/:planId/checkins）
数据库是否需要调整（已有的 checkins 表够用）
前端打卡页的组件结构
AI 调用的时机和参数

第 4 步：我审核，调整方向

我会看方案是否合理。比如 AI 反馈的触发时机------是每次打卡都调 AI，还是只在某些条件下调？调用频率会不会太高？要不要加节流？

第 5 步：Codex 落地代码

涉及多个文件：

后端 controller、service、route
前端页面、组件、API 调用
可能还涉及数据库迁移脚本

第 6 步：启动服务验证

启动后端和前端，实际走一遍流程。发现问题------比如某个字段返回格式不对、页面在手机上展示异常------继续迭代。

角色转变

这个过程里，我的角色发生了有趣的转变。

传统开发模式下，我是「执行者」------每个接口、每个页面、每个字段都要自己写。节奏是：想清楚 → 写代码 → 测试 → 发现漏了什么 → 回去改。

Vibe coding 模式下，我更像是一个 「产品经理 + 验收者」------我负责说清楚要什么、判断做出来的对不对、决定下一步往哪个方向走。Codex 负责把想法变成代码。

这并不意味着我不需要懂技术。恰恰相反------要判断 AI 的方案好不好、代码稳不稳、数据结构合不合理，需要更强的技术判断力。

八、踩坑实录

做这个项目踩了不少坑。挑几个印象最深的说说。

坑 1：数据库在 ECS 上跑不动

项目开发阶段用的是本地 MySQL，一切正常。部署到阿里云 ECS 后，出了问题------数据库查询非常慢，一个简单的列表页要加载好几秒。

一开始以为是代码问题，各种加索引、优化 SQL、加缓存，效果有限。后来才发现是 ECS 的磁盘 IOPS 不够------MySQL 在云服务器上跑，尤其是突发性能实例（t5/t6），数据库操作一多就卡。

解决方案：把数据库从 ECS 自建 MySQL 迁移到阿里云 RDS。迁移后查询延迟从秒级降到毫秒级，效果立竿见影。

教训：对于数据库密集型应用，不要把数据库和应用挤在同一台低配 ECS 上。RDS 虽然多花点钱，但省下的排查时间远超成本。

坑 2：静态图片打包导致包体积爆炸

用户端 H5 里用了一些素材图片------导航图标、AI 教练形象、目标分类图、空状态占位图。开发时觉得「本地引用方便」，全部放在 static/ 目录下直接打包。

结果第一次 build 出来，js 包体积大得离谱，首屏加载要七八秒。检查发现图片全部被 base64 打包进了 js 里。

解决方案：把所有静态图片上传到阿里云 OSS，前端通过 URL 引用。同时做了按类型管理（头像、图标、背景图......），后台可以随时替换和新增。

连带收获：OSS 上还顺带解决了用户头像的问题------用户上传的头像也存 OSS，后台可以管理所有素材。

坑 3：AI 输出不稳定

这是预期内的坑，但实际遇到时还是比想象中更频繁。

典型问题：

AI 返回了 Markdown 格式而不是要求的 JSON
JSON 字段缺失（比如没有返回 phase_name）
阶段天数不连续（第 1 阶段覆盖 1-3 天，第 2 阶段从第 5 天开始，跳过了第 4 天）
任务数过多（某天列了 15 个任务，移动端根本展示不下）

解决方案：后端加了一个 normalize 层，专门做清洗和校验。这个层不信任 AI 的输出------它检查字段是否存在、格式是否正确、数据是否连续、数量是否在合理范围。不通过就走 fallback 或重新尝试。

$截图占位：AI 返回的非法 JSON 日志截图 ------ 展示 AI 输出不规范的真实案例$
$截图占位：normalize 层代码截图 ------ 展示清洗和校验的核心逻辑$

坑 4：前后端接口对齐

一个人做前后端分离项目时，最容易出现的问题就是「接口说好了，但实现的时候对不上」。

比如日期格式------后端返回 2026-06-19，前端期望的是 2026/06/19。比如状态枚举------后端用 active/completed/abandoned，前端代码里写的是 ACTIVE/DONE/ABANDONED。

没有两个人沟通的成本，但切换前端和后端上下文时，自己也会忘。

解决方案 ：统一接口文档（项目里的 docs/api.md），每次改接口同步更新。后来养成了一个习惯------改完接口后，先跑一遍前端页面，确保所有字段都能正常渲染。

坑 5：文档滞后

项目的 README 和实际代码经常不同步。早期好几次出现「README 写的是旧接口路径，代码已经换了新路径」的情况。

教训：文档和代码一样需要被验证。后面我定了一个规则------AI 改了代码后，如果涉及接口变更或表结构变更，必须同步更新对应的文档。这个规则写进了每次改动的 checklist 里。

九、对 Vibe Coding 的重新理解

做完这个项目后，我对 vibe coding 有了更深的理解。

Vibe Coding 不是「AI 替代人」

网上有很多讨论 vibe coding 的帖子，一种常见的焦虑是「AI 会替代程序员」。

我的感受正好相反。

这个项目里，AI 承担的是执行层 的工作------写代码、建表、改文件、补充文档。但所有决策层的工作------产品边界怎么定、字段语义对不对、页面交互顺不顺、AI 输出是否可控------都是人做的。

所以分工其实是：

人负责	AI 负责
产品方向判断	代码生成
功能边界定义	数据结构落地
体验验收	文件修改
决策和取舍	文档编写
质量把关	测试辅助

AI 不是替代者，它是一个高强度协作者。

Vibe Coding 改变了什么

它改变的不是「代码怎么写」，而是「从想到做之间的距离」。

以前一个想法从脑子里到上线，中间隔着搭框架、写接口、做页面、调数据库、部署上线------每件事都需要时间，而且切换上下文本身就很耗精力。

现在这个过程被压缩了。你可以先快速出一个版本，跑起来看看哪里不对，然后继续迭代。节奏从「先想清楚再做」变成了「先做出来，再看哪里不对，然后继续推」。

适合谁、不适合谁

适合这样的人：

有产品判断力，知道自己想要什么
能清晰表达需求（口语化就行，不需要技术术语）
愿意 review AI 的产出，不盲目信任
有一定的技术基础，能判断方案是否合理

不适合这样的人：

完全没有技术背景（仍然需要能判断方案质量）
不能清晰描述需求（AI 猜不到你在想什么）
不愿意看 AI 写的代码（信任但不验证，迟早出问题）

十、结语

「一定能成」是我第一次完整尝试 vibe coding 的产品。

它不是一个 demo。它有用户端（uni-app/H5）、有业务 API（Koa + MySQL）、有后台管理（Vue 3 + Element Plus）、有 AI 集成（DeepSeek）、有完整的测试用例（XMind）、有部署配置。

从一个想法到这些东西全部落地，如果用传统方式一个人做，我可能需要两个月，而且中间很容易因为某个环节卡住而放弃。

Vibe coding 把这段路走通了。

最大的收获不是「AI 帮我写了多少代码」，而是我第一次感受到：当想法可以被快速实现、验证和修改时，做产品的节奏会完全不同。

以前很多想法会停在脑子里------因为一想到要搭架构、写接口、做页面、调数据库，就开始犹豫。现在更像是：先做出来，再看它哪里不对，然后继续往前推。

不是代码变得不重要了，而是从想法到代码之间的阻力变小了。

而当阻力变小，一个人也可以更快地靠近自己真正想做的东西。

「一定能成」------这句话是给用户的，也是给自己的。

附录 A：常用 Prompt 示例

以下是在这个项目中实际使用过的 prompt 风格，供参考：

场景 1：提新需求

「我想加一个功能：用户进入『我的』页面后，可以看到自己的打卡统计------连续打卡天数、总打卡次数、总完成率。数据从 checkins 表统计。帮我设计接口和前端展示。」

场景 2：改现有功能

「现在打卡页的任务列表是上下滑动的，但我希望把已完成的任务自动归到底部，未完成的保持在上面，已完成的按完成时间倒序排列。只改前端，不改后端接口。」

场景 3：修 Bug

「创建计划时，如果用户填的 daily_time 是 0（表示没有固定时间），AI 生成的计划里 task 的 time_label 字段是 null，前端展示就崩了。帮我修一下------让 time_label 为 null 时前端显示『灵活安排』。」

场景 4：加数据库字段

「plans 表里没有记录计划总天数的字段，现在需要加一个 total_days。注意迁移脚本要是幂等的，已经存在的计划要补上这个值。」

附录 B：数据表速览

表	行数（参考）	核心字段数	用途
`users`	少	15+	用户信息
`goal_evaluations`	少	20+	目标AI评估
`plans`	少	20+	计划主表
`plan_phases`	少	10+	计划阶段
`plan_days`	少	10+	计划天
`tasks`	中	15+	每日任务
`checkins`	中	12+	打卡记录
`coach_feedbacks`	中	10+	AI教练反馈
`ai_model_logs`	多	15+	AI调用日志
`system_configs`	少	6	系统配置
`holiday_calendars`	中	8	节假日配置

完。