给阿嬤一封来自云端的信（上）

用 AI 替你写一封给阿嬤的家书。项目本身很简单，但从模型调用、云函数、数据库、静态托管到一键部署，全部基于云开发，AI 工具使用云开发提供的大模型完成。 本文不以功能为重点，而是以工程化思维为线索，拆解一个应用从构思到上线的完整链路。

一、爱在心口口难开

二刷《给阿嬤的情书》，依旧眼泪汪汪，推荐大家去看！

电影里，谢南枝替人写了一辈子侨批。那些来找她的同乡，并不是没有话说，只是不知道怎么把心里话落到纸上。

隔着山海，隔着谋生的日子，隔着一张薄薄的信纸，一句"我想你"常常要绕很远，才敢写出来。

云开发团队做了一个小应用，叫「给阿嬤的情书」。

由 AI 为你落笔家书，不编造虚假情节，只收拢你细碎零散的点滴倾诉，规整成一封完整可寄、适宜分享的家书。

二、产品闭环

产品流程：填称呼、选关系、填写内容、选风格，AI 生成后可分享或投递树洞。

用户输入往往只有几句零散的话：

阿嬤，我很久没回家了。小时候你总在巷口等我放学，给我做橄榄菜配白粥。我现在工作很忙，但很想你。

AI 生成的目标不是模板化地写一句"亲爱的阿嬤我非常想念您"，而是围绕用户提供的真实细节展开：

阿嬤，见字如面。

近来天热，不知你胃口可还好。

我常想起小时候放学，远远看见你站在巷口，手里像总有一碗白粥等我。那时候只觉得橄榄菜香，如今才知道，原来那是有人惦记的味道。

我在外头一切都好，只是忙起来时，总觉得日子过得太快，快到连一句想你都常常忘了说。

阿嬤，等我回去，再陪你吃一碗白粥。

写信完成之后，即可到分享页面，将信件分享给他人，或者投递到公共树洞。

三、工程链路才是真正的考验

「给阿嬤的情书」看起来只是一个超轻量级网页应用，但从产品搭建到产品上线，不可避免地面临以下工程问题：

• 模型调用 前端不能直接暴露模型 Key，需要服务端代理。

• Prompt 编排 不同关系、不同风格、不同输入内容，需要在服务端统一拼装请求。

• 结构化输出 模型返回内容需要可解析，不能只返回一段自然语言。

• 数据持久化 生成后的信件需要入库，才能被分享页和树洞再次读取。

• 访问链路 分享链接需要根据 id 还原完整信件。

• 内容安全 开放输入需要处理不合适的称呼和表达。

• 部署编排 云函数、环境变量、前端构建、静态托管需要一次性部署到位。

如果拆分能力独立搭建，项目会离散为：模型 API、Node 服务、数据库、对象存储、静态托管、CI/CD、环境变量管理等多个模块，运维复杂。 本项目采用云开发一体化建设，全链路收口统一实现：

• 云函数 负责服务端逻辑，包括模型调用、Prompt 编排和返回解析。

• 云开发 AI 网关 负责接入大模型。

• NoSQL 数据库 负责保存每一封生成后的信。

• 静态托管 负责承载 React 前端。

• CodeBuddy 负责把开发、调试、部署串起来。

它表面上是一个"写信"应用，实际跑通的是一个完整的 AI 应用工程闭环。

四、云开发：应用能调，AI 工具也能接

在 AI 应用开发里，云开发更关键的价值，是把模型能力也纳入同一个开发环境。

项目中，loveletter 云函数通过云开发 AI 网关调用 hy3-preview 模型生成信件正文。

云开发 AI 网关兼容主流 AI 协议，调用方式接近常见的大模型 API：配置 Base URL、API Key、Model Name 即可请求。

云开发 AI 网关支持多种主流协议：

协议	适合场景
Chat Completions	OpenAI 兼容，适合大多数文本生成场景
Responses API	OpenAI 新一代接口，适合更复杂的状态管理
Anthropic Messages API	Claude 原生协议，适合 Claude 生态工具

这意味着，除了应用里的云函数可以调模型，任何支持自定义模型端点的 AI 编程工具都可以通过云开发 AI 网关调用模型。

其中 CodeBuddy 原生集成了云开发，开箱即用，可以直接部署云资源。

其他工具如 Cursor、Claude Code、Codex、Trae、Cline、GitHub Copilot 等，只需配置 Base URL 和 API Key 即可接入。

五、云函数：用服务端代理模型调用

项目核心云函数 loveletter。它接收前端传来的 to、relation、words、style，在服务端完成 Prompt 编排，然后请求云开发 AI 网关。

const ENV_ID = process.env.TCB_ENV || process.env.SCF_NAMESPACE;
const AI_ENV_ID = process.env.AI_ENV_ID || ENV_ID;
const AI_BASE_URL = `https://${AI_ENV_ID}.api.tcloudbasegateway.com/v1/ai/cloudbase`;
const AI_API_KEY = process.env.AI_API_KEY;
const MODEL = 'hy3-preview';

async function generateLetter(messages) {
    const resp = await fetch(`${AI_BASE_URL}/chat/completions`, {
        method: 'POST',
        headers: {
            'Content-Type': 'application/json',
            Authorization: `Bearer ${AI_API_KEY}`,
        },
        body: JSON.stringify({
            model: MODEL,
            messages,
            temperature: 0.8,
            max_tokens: 2000,
        }),
    });

    if (!resp.ok) {
        const text = await resp.text();
        throw new Error(`AI 网关返回 ${resp.status}: ${text}`);
    }

    const data = await resp.json();
    return data.choices?.[0]?.message?.content?.trim() || '';
}

服务端代理带来的工程收益：

• AI_API_KEY 放在云函数环境变量中，不暴露到浏览器侧。

• 前端只调用云函数，不直接请求模型网关。

• Prompt 编排、结构化输出解析、内容审核都可以在服务端统一处理。

• 模型生成结果可以直接写入云开发 NoSQL。

• 数据库返回的 _id 可以作为分享页和读信页的唯一入口。

前端调用保持轻量：

const res = await cloudbase.callFunction({
    name: 'loveletter',
    data: {to, relation, words, style},
});

const result = res.result;
const content = typeof result.body === 'string' ? JSON.parse(result.body) : result;

用户看到的是一封信；技术实现上，是云函数、AI 网关、数据库和前端路由之间的一次完整协作。

六、上线流程编排化

AI 应用部署涉及多个步骤：云函数部署、环境变量注入、前端构建、静态托管上传。

CodeBuddy 和云开发集成后，可以把这些步骤编排起来。在 CodeBuddy 中直接说：

帮我部署本项目。

它会执行：检查云开发环境、部署云函数、注入环境变量、构建前端、上传静态托管、输出访问地址。

云开发把 AI 应用需要的后端能力收在一起，CodeBuddy 再把这些能力接入开发与部署流程。

七、Prompt 约束

模型、后端和部署跑通之后，信写得好不好，仍然取决于 Prompt 设计。

本项目不希望生成"标准、空泛、煽情"的 AI 作文，因此在 loveletter 中对风格做了明确约束：

const STYLE_HINT = {
    warm:
        '基调：温情家书。' +
        '语言质朴克制，不堆砌形容词，用具体的生活细节代替空泛抒情。' +
        '比如写"前日晚饭烤番薯，三个孩童吃得欢喜"，而不是"我非常想念你"。' +
        '句式偏短，口语化但不粗糙，带一点文言的温润感。' +
        '每段只写一件小事或一个牵挂，段与段之间留白。',
};

这里最重要的不是"写得感人"，而是把产品希望呈现的内容质感拆成可执行规则：

• 忠于用户输入，不凭空编造。
• 用生活细节代替抽象抒情。
• 句子短一点，留白多一点。
• 可以润色，但不要把别人的回忆写假。
• 不让模型自由发挥到偏离产品定位。

Prompt 是产品规则的一部分。前端负责交互体验，云函数负责服务端编排，Prompt 则负责定义生成内容的边界。

小结

本项目功能明确：写一封家书。

但值得展开的不是"AI 可以写信"，而是这句话背后的工程链路：

• 云开发把模型接入、Serverless 运行时、数据存储、静态托管收敛到同一个环境，避免能力离散。

• 云开发 AI 网关 同时服务应用端和开发端，模型、鉴权、额度可以统一管理。它既可以通过 SDK 在服务端调用，也支持接入各类 AI 编程工具（查看完整列表），配置 Base URL 和 API Key 即可使用。

• CodeBuddy把云资源部署编排进开发工作流，从"代码写好了"到"项目上线了"通过一条指令完成。

AI 应用开发多出的不只是一个模型接口，而是模型接入、后端、数据、托管和部署被重新放到了一条链路里。

下篇继续讲更细的工程问题：结构化输出如何保证稳定解析，如何把称呼规范和内容边界写进模型调用，以及 AI 工具通过一条指令完成部署背后的工程化流程。

在线体验

案例代码