一个只有项目管理经验、编程基础"半桶水"的人，在 AI 的帮助下从零做出了两个医疗数据开源工具，其它正在探索中。
先说背景：我的编程水平
我是做项目管理的，写代码这件事------坦白讲，水平很一般。会一点 HTML/CSS，看得懂简单的 Python 和 JavaScript，偶尔用用SQL，API 大概明白是"系统之间传数据的管道"这个层面。如果让我手写一个完整项目，那基本不现实。
但我在医疗信息化行业干了多年，太清楚医院数据层面的痛点了------系统之间数据不通、外送化验单 PDF 堆成山无法检索、各种接口扯皮......这些痛点一直都在。
2026 年 5月，开始关注Coding Agent。抱着"试试看"的心态入了坑，没想到这一试，直接打开了新世界的大门。
时间线总览
2026 年 5 月 AI 辅助开发初体验：HospitalStats
从一句话的需求到 .NET 查询引擎落地
解决了 Oracle US7ASCII 中文乱码 + ROWNUM 分页
2026 年 7 月 第二个项目：Lab2FHIR
4 天 42 次提交，404 份 PDF 化验单 → FHIR R4
全流程 AI 辅助：架构设计、代码、测试、文档
2026 年 7 月 搭建 is81.net 门户站
纯静态 HTML/CSS/JS，统一设计系统
给两个项目一个"家"
2026 年 7 月 ProjectX，继续用 AI 探索新方向......项目一：HospitalStats ------ 和中文乱码死磕，用时约7天
痛点从哪来
医院经常有上级检查，临床科室也经常有数据查询需求，我就有了做一个"东西"的想法，那时候还没有完整的思路，只有大概的方向：把上级检查、临床科室常用的查询需求做进这个"东西"里，不就可以节约大量重复劳动时间吗？不过那时候我一个人完成不了，也就只停留在"想想"阶段。我们用的 Oracle 11g 数据库，字符集是 US7ASCII。这玩意儿有个致命问题：只要数据库字符集是 US7ASCII，传输层就会把所有超出 ASCII 范围的字节替换成问号 。患者姓名变成 ???，药品名称变成 ????，诊断信息全毁。
更头疼的是，Oracle 11g 没有 OFFSET/FETCH 语法，做分页查询得手写三层嵌套 ROWNUM 子查询。每来一个查询需求，都是一场噩梦。
AI 辅助开发过程
我不懂 .NET，不会 C#。但我知道要解决什么问题。
我的做法很简单：
- 把需求拆成自然语言：跟 AI 说清楚"我想做一个东西，大概功能是什么什么，用 Oracle 11g 数据库，字符集是 US7ASCII"
- AI 给出方案，我来判断：AI 会先给你列个计划，然后经过跟你的探讨后开始执行，遇到乱码会解释为什么会有这个问题（US7ASCII 编码层的字节替换），然后给出几种解决思路。我有项目管理的经验，能判断哪种方案更"靠谱"------比如纯本地运行比依赖第三方库更符合医院内网环境。
- 迭代式对话：AI 写代码，我跑起来测试，出错了把报错信息贴回去，AI 继续改。如此循环。
- 给 AI"穿鞋"：Claude Code 的 CLAUDE.md 文件就像给 AI 的项目手册，我把项目的约束条件（内网部署、Windows 环境、越轻越好）写进去，AI 每次给方案都自动对齐这些约束。
结果呢？从初版的数据统计平台，到最终归纳为一个 36KB 的轻量 .NET 查询引擎，完成了以前我想都不敢想的工作。
作为 PM 的经验发挥了什么作用？ 需求拆解、方案评估、风险把控、交付标准------这些完全是 PM 的日常技能。写代码交给 AI，但"做对的东西"这件事，靠的是项目管理思维。
项目二：Lab2FHIR ------ 4 天 42 次提交，从零到上线
又一个医院痛点
病理科每个月产生 400+ 份外送化验/病理 PDF 报告------DNA 倍体分析、TCT 液基细胞学、HPV 分型检测、胃镜病理、外科病理......这些 PDF 文件散落在文件服务器上，无法检索、无法统计、无法与 HIS/EHR 系统互通。
临床医生想查病人历史报告，得在文件夹里翻半天。病理科想按疾病类型统计发病率？一个一个打开 PDF 手动数吧。
"4 天 42 次提交"是怎么做到的
有了第一个项目的经验，这次我更有章法了。整个开发流程是这样的：
Day 1：跑通核心链路
先不管界面好不好看、功能完不完整，先把最关键的事做了------能不能把 PDF 里的文字准确提取出来？花了半天验证 pdfplumber 能把患者姓名、性别、年龄、病理号、诊断结论准确拿到。只要核心链路通了，心里就有底了。
Day 2：6 种报告类型全覆盖
不同报告的格式千差万别。DNA 报告要提取 DI 值、SPF 值和染色体状态，胃镜病理要提取慢性炎症、活动性、萎缩、肠化四项评分。关键是报告类型先识别、再解析------这里有个坑：胃镜病理和外科病理的报告抬头都写"病理诊断报告单"，如果先匹配"病理诊断"，胃镜就被错误归类了。解决方法很简单：胃镜特征词优先检查，病理诊断兜底匹配。
这个"优先级匹配"的思路，是我跟 AI 来回讨论时一起想出来的------我懂业务逻辑（胃镜报告有哪些特征词），AI 懂代码实现（怎么写优先级解析器），配合得天衣无缝。
Day 3：FHIR 标准化输出 + 前端
FHIR R4 是国际医疗数据交换标准，配 LOINC 编码映射。这是整个项目对外价值的核心------有了 FHIR，数据才能对接 HIS、参与互联互通。AI 帮我生成了完整的 DiagnosticReport + Observation Bundle 结构。
前端用 Vue 3 + Element Plus，做了一个三栏对照布局：左边是解析后的结构化数据，中间是 PDF 原文，右边是 FHIR JSON(可以隐藏)。用户边看原文边核对，一目了然。
Day 4：测试 + 部署
404 份真实 PDF 样本全部通过，诊断提取成功率 100%。FTS5 全文搜索 6 毫秒响应。用 nssm 注册成 Windows 服务，nginx 反向代理，开机自启------医院信息科同事只需要双击一个安装脚本。
我的项目开发流程（AI 辅助版）
经过两个项目，我摸索出了一套适合"非专业开发者 + AI"的流程：
1.挖痛点 → 2.定范围 → 3.跑核心 → 4.螺旋式 → 5.收尾第一步：挖痛点（PM 的老本行）
问自己三个问题：
- 谁在痛？（病理科医生？临床医生？信息科？）
- 痛多久了？（是"忍忍就过去了"还是"每天都想骂人"？）
- 我能不能解决？（技术复杂度、数据可获得性、部署环境约束）
这一步完全不需要写代码，但决定了后面所有工作的方向。PM 的经验在这里是最大的优势。
第二步：定范围（用 AI 帮忙梳理）
把痛点描述给 AI，让它帮你梳理成结构化的需求清单。注意：AI 给出的需求可能很"理想化"，你需要用领域知识做减法。
比如 Lab2FHIR，AI 一开始建议上 OCR（因为很多 PDF 是扫描件），但我看了实际样本后判断------这 404 份全是文本型 PDF，pdfplumber 就够了。砍掉 OCR 省了至少一周的开发时间。
原则：够用就好，别被 AI 带偏。
第三步：跑通核心链路（最重要的里程碑）
先做最小可行原型。一个 API 端点、一个能跑的函数、一个能看的页面------什么都行，但一定要"从头到尾跑通"。
为什么这一步最关键？因为：
- 证明了技术上可行（不会开发一半发现死胡同）
- 给了自己信心（"我靠，真的能跑！"）
- 给 AI 提供了"地基"（后续迭代都在这个基础上叠加）
第四步：螺旋式迭代（AI 的强项）
核心链路通了，接下来就是一圈一圈往外扩。每一轮迭代：
- 我描述"这一轮要加什么功能"
- AI 生成代码
- 我跑起来验证
- 出问题 → 贴错误信息给 AI → AI 修复 → 回到步骤 3
- 功能 OK → 提交 commit → 开始下一轮
Lab2FHIR 的 42 次提交就是这么来的------每 1-2 小时一个可工作的增量。以前写代码是"憋大招，一次上线"，现在是"小步快跑，持续交付"。
第五步：收尾交付（别忽略的门面）
代码能跑 ≠ 项目做完了。这一步包括：
- 部署脚本（一键安装，降低使用门槛）
- 生产环境验证（需求部门用真实数据验证）
- 写 README 和文档（AI 帮忙生成，我审核修正）
- 开源协议选择（MIT 还是 AGPL，想清楚）
- 做产品页（is81.net 上的项目介绍页）
项目间的"知识复利"
做完 HospitalStats 再做 Lab2FHIR，我发现一个有意思的现象：AI 辅助开发的效率是递增的。
第一个项目时，我还在摸索怎么跟 AI 沟通------描述需求的方式、报错信息的回传格式、什么时候该信任 AI、什么时候该质疑它。磕磕绊绊，但做出来了。
第二个项目，我已经形成了自己的工作流。CLAUDE.md 里沉淀了项目的设计系统和部署约束，AI 一上来就"懂"我的上下文。各种有用的Skills也装上了。4 天 42 次提交，这个速度在一年前我完全不敢想象。
现在探索其它痛点，效率只会更高------因为每个项目的经验（技术选型、部署方案、设计系统、甚至 prompt 技巧）都在喂养下一个项目。
这不是 AI 在替代我，而是我和 AI 一起在变强。
给同样"小白"的你几条真心话
1. 你有"非技术优势"
项目管理经验让你懂需求分析、懂范围控制、懂风险判断。这些东西 AI 做不到，但写代码的人经常缺。你缺的是代码实现能力，AI 正好补上了这块短板。
2. 从真实的痛点出发
不要为了"学编程"而做项目，从你工作中真正烦人的问题出发。痛点越具体越好------"全院病理 PDF 没法检索"比"我想做一个医疗数据平台"好一百倍。
3. 先跑通，再完美
MVP 先行。看到一个端点返回正确数据的那种喜悦，是支撑你继续往下走的最强动力。
4. AI 是副驾驶，你才是机长
AI 会写出看起来很漂亮的代码，但判断它"对不对"的是你。领域知识、业务逻辑、部署环境约束------这些关键决策 AI 给不了，得你自己把握。
5. 把每一次对话当成"项目文档"
建一个 CLAUDE.md 或类似的上下文文件，把项目的设计决策、约束条件、技术选型理由都写进去。这不只是给 AI 看的------三个月后你自己回头看，也会感谢现在的你。
第三个项目：ProjectX，探索继续
HospitalStats 解决了数据"出不来"的问题，Lab2FHIR 解决了报告"不标准"的问题。
ProjectX 在探索什么？还没想好。但可以肯定的是------这次的开发速度只会更快，因为我和 AI 的默契又上了一层。
如果你也是一个"想做事但觉得自己不会写代码"的人------AI 工具已经足够强了，强到可以补上你缺的那块技能板。你只需要带着你的领域知识和解决问题的决心，就可以开始了。
is81.net ------ 一个 PM 用 AI 做的医疗数据开源工具站
GitHub: github.com/is81
交流: is81@qq.com