实验目的
1.掌握 SpringBoot 项目的创建方法
2.理解 SpringBoot 项目结构
3.学会编写 REST 接口
4.学会使用 AI 工具辅助代码开发
5.理解 AI 生成代码的结构与逻辑
实验环境
开发工具： IntelliJ IDEA
JDK 版本： JDK 17
构建工具： Maven
AI 工具： 通义灵码
测试工具： 浏览器或postman
实验内容
第一部分：创建 SpringBoot 项目
- 使用 IDEA 创建项目
项目名称：springboot-ai-demo
项目结构：
springboot-ai-demo
├─ controller
├─ entity
├─ SpringbootAiDemoApplication
└─ resources
- 确保 Maven 项目成功导入，所有依赖已正确加载
第二部分：使用 AI 辅助开发 RESTful API
- 使用 AI 生成实体类
在 IDE 中向通义灵码输入 Prompt：
生成一个 Student 实体类，包含：id、name、age
AI 生成代码如下：
public class Student {
private Integer id;
private String name;
private Integer age;
}
Student 类在项目中属于哪一层？
答：Entity Layer
- 使用 AI 生成 Controller
向通义灵码输入 Prompt：
生成 StudentController，包含查询学生列表接口，返回 JSON 数据
AI 生成示例代码：
@RestController
@RequestMapping("/students")
public class StudentController {
@GetMapping
public List<Student> list() {
List<Student> list = new ArrayList<>();
list.add(new Student(1, "Tom", 20));
list.add(new Student(2, "Lucy", 21));
return list;
}
}
- 运行 Spring Boot 应用
找到主类 SpringbootAiDemoApplication，运行 main 方法启动应用。
打开浏览器访问：http://localhost:8080/students
观察返回的 JSON 数据：
{"id": 1, "name": "Tom", "age": 20}, {"id": 2, "name": "Lucy", "age": 21}
- 使用 AI 解释代码
选中代码，让通义灵码解释：
@RestController 的作用是什么？
AI 回答：核心定义
@RestController 是 Spring MVC/Spring Boot 框架中的核心注解，本质是 @Controller + @ResponseBody 的组合注解，用于标记一个类为「RESTful 风格的控制器」，主要作用是处理 HTTP 请求并直接返回 JSON/XML 等数据格式的响应（而非跳转页面）。
- 编写 Hello 接口
向通义灵码输入 Prompt：
生成 Hello 接口，访问路径 /hello，返回 Hello SpringBoot
AI 生成示例代码：
@GetMapping("/hello")
public String hello() {
return "Hello SpringBoot";
}
访问：http://localhost:8080/hello
第三部分：实验总结
请回答以下问题：
问题 1
SpringBoot 中 Controller 的作用是什么？
答：一、Controller 核心作用
在 SpringBoot 中，Controller（控制器）是前端与后端交互的 "中转站"，也是分层架构中「控制层」的核心组件。你可以把它理解为：前端发送的所有请求（比如点击按钮、输入网址），都会先找到对应的 Controller，由它接收请求、整理参数，再调用业务层处理逻辑，最后把处理结果封装成响应返回给前端。
二、详细作用拆解（附代码示例）
- 接收前端请求
通过 @GetMapping/@PostMapping/@RequestMapping 等注解，映射前端请求的 URL 和请求方式（GET/POST/PUT/DELETE），并接收请求参数（路径参数、请求体、请求头、查询参数等）。
- 分发请求到业务层
Controller 不处理核心业务逻辑（比如计算、数据校验、数据库操作），只负责 "转发"------ 调用 Service 层的方法完成业务处理，是 "请求入口" 和 "业务逻辑" 之间的桥梁。
- 封装并返回响应
将业务层处理后的结果（如实体对象、集合、提示信息）封装成前端能识别的格式（JSON、页面、字符串等），返回给前端。
问题 2
AI 生成代码后是否需要人工检查？为什么？
答：一、结论
AI 生成代码后必须进行人工检查，这是保障代码质量、安全性和业务适配性的核心环节，AI 生成的代码仅能作为 "初稿"，无法完全替代人工审核。
二、核心原因（附具体案例）
- AI 生成的代码可能存在逻辑错误或业务适配性问题
AI 只能基于训练数据和 Prompt 生成代码，但无法完全理解你的业务场景、项目规范和隐藏需求：
• 示例：你要求 AI 生成 "计算 50 以内奇数乘积" 的代码，AI 可能忽略 "数值溢出" 问题（用 int 而非 long long），或循环条件写错（i <= 50 包含 50 这个偶数）；
• 再比如 AI 生成的 Student 实体类，可能缺少项目要求的 toString()、序列化注解（@Serializable），或字段类型不符合数据库设计（如 id 用 Integer 而非 Long）。
- AI 代码可能存在安全性漏洞
AI 不会主动考虑代码的安全风险，容易产生漏洞：
• 示例：AI 生成的 Controller 接口，可能未做参数校验（如接收用户输入的 age 未判断是否为负数）、未防范 SQL 注入（直接拼接 SQL 语句）、缺少接口权限控制；
• 这些漏洞会直接导致系统被攻击、数据泄露，必须人工排查。
- AI 代码可能不符合项目编码规范和最佳实践
每个团队 / 项目都有统一的编码规范（如命名规则、注释要求、分层架构），AI 生成的代码往往 "通用但不贴合"：
• 示例：AI 生成的方法名可能是 get_student()（下划线命名），但你的项目要求驼峰命名（getStudent()）；
• 或 AI 生成的 Controller 直接写了业务逻辑，违反 "分层架构" 原则，需要人工调整。
- AI 可能生成冗余、低效或兼容性问题的代码
• 性能问题：AI 生成的循环逻辑可能冗余（比如嵌套循环可优化为单循环），或使用低效的数据结构（如用数组存储少量数据却用 LinkedList）；
• 兼容性问题：AI 生成的 SpringBoot 代码可能使用高版本注解（如 @GetMapping 的新特性），但你的项目依赖低版本框架，导致运行报错；
• 冗余代码：AI 可能生成无意义的注释、未使用的变量，增加代码维护成本。
- AI 可能存在知识滞后或错误引用
AI 的训练数据有时间上限（比如无法覆盖 2025 年新发布的框架特性），或引用已废弃的 API / 方法：
• 示例：AI 生成的 Java 代码可能使用 Date 类（已被 Java 8 的 LocalDateTime 替代），或 SpringBoot 代码引用已移除的配置项。
问题 3
本实验最大的收获是什么？
答：一、核心收获（通用版，适配 AI 辅助编程 + SpringBoot 开发实验）
- 清晰认知 AI 编程的定位：工具辅助而非替代
实验中通过 AI 生成 Student 实体类、Controller 代码等操作，深刻理解到 AI 能大幅提升编码效率（快速产出基础代码），但必须通过人工检查（校验逻辑、规范、安全性）才能保证代码可用 ------ 明确了 "AI 做初稿，人工做质控" 的高效编程模式，避免过度依赖 AI。
- 掌握分层架构的落地逻辑，理解各层核心职责
从实体层（Entity）、控制层（Controller）的定义与作用，到各层间的协作关系（Controller 接收请求→调用 Service→依赖 Entity 传参），不再停留在 "理论分层"，而是能结合实际代码理解 "为什么分层"（解耦、易维护）、"各层该做什么"（Controller 只做请求转发，不写业务逻辑），建立了规范的编程思维。
- 强化 "代码质量把控" 的核心意识
无论是成绩等级判定的边界值校验、50 以内奇数乘积的数值溢出处理，还是 AI 代码的人工审核，都意识到 "能运行的代码≠高质量代码"------ 编程不仅要实现功能，还要兼顾逻辑严谨性、安全性、规范性和业务适配性，形成了 "先校验、再实现、后优化" 的代码编写习惯。
二、精简版（适合实验报告 / 简短总结）
-
明确 AI 辅助编程的边界：AI 可提升编码效率，但人工检查（逻辑、安全、规范）是保障代码可用的必要环节；
-
深度理解 SpringBoot 分层架构中各层（Entity/Controller）的核心职责，掌握规范的代码组织方式；
-
建立 "功能实现 + 质量把控" 的双重编程思维，重视代码的业务适配性、安全性和可维护性。
总结
-
核心认知：AI 是编程效率工具，人工对代码的业务、安全、规范把控不可替代；
-
能力落地：从理论到实践掌握了 SpringBoot 分层架构的核心逻辑和代码编写规范；
-
思维升级：形成 "功能 + 质量" 双重导向的编程习惯，而非仅关注代码 "能运行"。