被微信拒审那天,我才真正学会 Vibecoding:一个人 + AI,3 万行代码、1.8 万张素材的小程序全复盘

本文不是功能介绍,也不是教程搬运,而是一次完整的 Vibecoding 实战复盘------一个人 + AI,从产品想法到生产环境部署,中间经历了微信审核被拒、色号数据造假危机、素材库三次推倒重来。AI 做得漂亮的地方、犯的错、以及"人类侧"到底该干什么,全部摊开来讲。文末有我沉淀的四步工作流和五条心得,建议先收藏。

一、先看结果:一个人 + AI 交付了什么

先上数字,说话才有底气:

交付物 规模
微信小程序(原生) 22 个页面、16 个工具模块,约 1.7 万行
内容生产线脚本(JS + Python) 46 个脚本,约 1.4 万行
生产环境素材库 18,440 张程序化生成的原创像素图纸
真实色卡数据 10 家厂商、1,289 个真实色号(MARD / Artkal / Hama / COCO...)
配套后端 Spring Boot + MySQL + Redis,Docker 部署在云服务器

全部代码由我描述需求、AI 编写,我负责验证、拍板和部署。放到两年前,这是一个小团队至少几个月的活。

项目叫「拼豆图纸乐园」------拼豆(Perler Beads)手工辅助小程序。如果你不知道拼豆是什么:把小塑料珠按图纸摆到钉板上,熨斗一烫成型,是近两年很火的手工品类。

二、这个小程序是干嘛的

一句话:拼豆爱好者的"制图工具 + 素材乐园"。核心能力:

  • 图片转图纸:拍照/选图 → Lab 色彩空间 + k-means 限色 → 匹配真实厂商色号 → 生成可编辑的拼豆图纸,附带用料清单(颗数、克重、包数换算)
  • 图纸编辑器:canvas 手势画板,画笔/填充/直线/矩形/圆形/取色/橡皮 8 种工具,双指缩放平移,5~60 格画布
  • 素材库:18,440 张原创图纸,11 个系列,每日新图轮换、绝版图机制
  • 摆豆追踪器:边拼边标记进度,剩余色统计、计时、退出续摆
  • 留存体系:签到、成就徽章 19 枚、7 级等级、每周主题挑战
  • 图纸码互赠:作品编码成短字符串,好友粘贴即导入------纯点对点,绕开 UGC 审核

架构上有几个设计决策值得说一下:

  1. 个人主体可过审:无 UGC、无社区、无付费,所有用户数据仅存本机(云同步走自建后端 KV)。这是产品层面的"合规先行",后面拒审故事会印证它的重要性。
  2. 三层内容通道 :内置 data/ 兜底 → 自建后端 API → 微信云开发(只读),远端优先、同 id 去重。断网有内容,远端可热更新。
  3. 本地优先存储 :storage.set() 是唯一写出口,全部业务数据先落本机,后台静默同步到服务端------页面代码对此零感知。

实际界面

体验地址:

五个一级页面长这样:

首页------每日限定图纸与各模块入口聚合:

素材乐园------18,440 张图纸按分类瀑布流展示,支持搜索、收藏、待做清单:

每日玩法------签到送券、今日限定轮换、绝版图纸馆、每周挑战:

灵感图鉴------成品参考、20 套配色方案、新手图文教程:

我的空间------作品库云同步、成就徽章墙、多图合并采购清单:

三、技术亮点拆解(代码级)

CSDN 老规矩,上代码。挑四个最有含金量的点。

亮点 1:图片转拼豆图纸------CIELab + k-means 两段式限色

这是整个产品的技术核心:把一张照片变成"每一格都是真实可购买色号"的拼豆图纸。难点在于:直接把像素吸附到最近的色卡色,色彩数会爆炸 (几十上百种,用户没法买);直接量化又容易丢掉小面积关键色(比如红眼珠黑瞳孔)。

解法是两段式:

第一段:k-means 聚出图像主色结构(8/12/16/24/32 档可选)

第二段:把每个聚类中心吸附到最近的色卡色,得到"允许色集合"

第三段:逐格在允许色集合内做最近邻匹配

而且颜色匹配不在 RGB 空间做,在 CIELab 感知色彩空间做(比 RGB 更符合人眼感知),距离函数还对色度做了加权------肤色和渐变的还原明显更好:

// Lab 距离(对色度误差稍加权,肤色/渐变还原更准)

function labDist2(a, b) {

const dl = a[0] - b[0], da = a[1] - b[1], db = a[2] - b[2];

return dl * dl + da * da * 1.6 + db * db * 0.9;

}

// 两段式限色:先聚类保结构,再吸附色卡限色数

let allowed = null; // null = 全色卡;否则为允许的色卡下标集合

if (o.maxColors > 0 && opaque.length) {

const centers = kmeans(opaque, o.maxColors, 8);

const set = new Set();

for (const c of centers) {

let best = 0, bd = Infinity;

for (let i = 0; i < palLab.length; i++) {

const d = labDist2(c, palLab[i]);

if (d < bd) { bd = d; best = i; }

}

set.add(best);

}

if (set.size) allowed = set;

}

// 之后逐格只在 allowed 集合内做最近邻匹配

再叠加一个 despeckle 降噪:孤立异色像素(四邻域零同色票)并入邻居中 ≥3 票的多数色------去掉噪点的同时不会误伤真正的细节。整套算法纯本地、确定性、无 AI 调用,58KB 的模块跑在千元机上毫无压力。

顺带一提:合规文档里明确声明"图片转点阵为本地确定性算法",这也是过审话术的一部分。

亮点 2:零侵入的本地优先云同步引擎

小程序的云同步最常见的写法是每个页面存取都走网络,代码侵入大、弱网体验差。这个项目的做法是把同步做成存储层的旁路:

/**

* 云同步引擎:小程序全部本地数据 <-> 后端 t_user_kv

* 策略:本地优先 + 后台双向同步

* - storage.set() 即标脏,防抖 1.5s 后 PUT 到数据库(失败自动重排重试)

* - 启动登录后 GET 全量回填本地,本地有而服务端没有的键推上去

* - 页面代码零改动(storage.js 的 set() 是唯一写出口)

*/

function markDirty(key) {

if (!CONFIG.API.ENABLED || !hydrated) return;

pending[key] = true;

if (timer) clearTimeout(timer);

timer = setTimeout(flush, DEBOUNCE_MS); // 防抖 1.5s

}

function flush() {

const keys = Object.keys(pending);

pending = {};

keys.forEach(key => {

let value = null;

try { value = wx.getStorageSync(key); } catch (e) { }

api.request('/api/user/kv/' + key, { method: 'PUT', data: { value }, silent: true })

.catch(() => { pending[key] = true; }); // 失败重排,下次触发继续推

});

}

三个细节:防抖合并 高频写入、失败重排 保证最终一致、启动回填完成前不推送(避免旧数据覆盖云端)。22 个页面的业务代码一行都不用改,就获得了多端同步能力。

亮点 3:1.8 万张素材不是靠人画,是"素材工厂"量产的

素材库背后是一条程序化生成流水线:

  • 种子随机 + 光影引擎:任意基础形状自动叠亮部/暗部/环境过渡三层着色,同一只猫能生成一百只不重样的橘猫
  • 零件库组合生成 :pix-parts.js 零件库 + 十余个生成器(gen-500 / gen-10k / mega / titan...),titan 档每分类 2000 张、≥30 色
  • MD5 内容去重:与现库 14,471 个哈希比对,杜绝重复素材
  • dry-run 铁律 :所有生成器支持干跑模式,先出统计(数量/唯一性/色数分布/分类占比),人确认后再 --push 分块推生产库

这条流水线本身,也是 AI 在开发过程中"自己长出来的"------这正是 Vibecoding 复利的最佳注脚。

亮点 4:小而美的工程细节

  • 图纸码互赠:RLE 行程压缩把一张图纸编码成短字符串,走剪贴板点对点传输------不需要服务器中转,也就不构成 UGC
  • iOS canvas 4096 上限降档:200×200 图纸超清导出会超 iOS 画布限制,自动降档
  • 缩略图离屏渲染 + LRU 缓存:本地图纸用离屏 canvas 渲染成临时图片,LRU 上限 150 张,长列表滚动不卡
  • Python 高配版提取管线 :extract_pattern.py(1054 行)能从一张成品照片反推点阵图纸------多角度自相关去斜、网格相位折叠、链式走线、逐格置信度。给一张别人晒的成品图,它能吐回可编辑的图纸

四、Vibecoding 实战:三个惊险故事

技术亮点是 AI 写的,但真正值钱的是这三个故事------每个都是 AI 和我"协作边界"的一次校准。

故事 1:微信拒审,根因让所有人大跌眼镜

第一次提审被拒:『选择图片』功能需接入内容安全 API。

诡异的是,后端的 imgSecCheck 接口早就写好了 。让 AI 排查,真正的根因链是:前端页面调用了 api.secCheckImage(),但文件顶部忘了 require('../../utils/api')------选图回调直接抛 ReferenceError,内容安全检测代码从未执行过。更早的构建里甚至还有第二层问题:部署到服务器的 jar 包根本没包含 seccheck 模块(源码有、构建产物没有)。

教训:一条功能链路 = 前端调用 + 传输 + 后端接口 + 构建产物 + 部署,任何一环断掉,表现都是"功能不存在"。AI 沿链路逐环验证的能力比人强------它真的会去解包线上 jar 数里面的 class------前提是你要它"验证链路",而不是"看看代码"。

这次事故还催生了一个工具:scan-requires.js,全项目静态扫描"用了某模块但没 require",把运行时才炸的坑变成 CI 级检查。每次事故沉淀一个工具,是 Vibecoding 的正确姿势。

顺带一个冷知识:未发布过线上版本的小程序调内容安全接口必然返回 HTTP 412,这是微信官方预期行为,发布后自动恢复。这种知识人是搜不到的,AI 结合社区经验直接给出了结论和提审备注话术。

故事 2:AI 拒绝编造 1,289 个色号------它的诚实边界

对照竞品补功能时发现:我们的色号和真实厂商对不上。翻开内置数据,文件头注释写着:⚠️ 以下 code 仅为占位编号,并非品牌官方色号。

这时 AI 面临一个选择:编 1,289 个色号(反正长得像就行),还是想办法搞真的?

它做对了:拒绝编造。因为用户会照着色号去买豆子,编错就是事故。它的实际做法是去竞品网站扒前端,找到对方调用的公开色卡 API,抓取了 10 家厂商的真实"色号-色名-色值"全表,并写了一个可复跑的构建脚本重建数据文件。过程中还顺带修了一个潜伏 bug:后端校验色值 ≤300,而 COCO 色卡有 329 色------旧校验逻辑下,新色卡作品的云同步会静默失败。

Vibecoding 里 AI 的"我不知道"和"我编一个"的边界,要靠你在关键数据上明确划出来。 你不划,它有时候真的会编。

故事 3:杯垫只生成出 28/1300 张------确定性与去重的哲学矛盾

扩素材库时遇到灵异事件:生成 6 个新系列,其他系列都正常,杯垫纹样只出 28/1300。

AI 第一轮信誓旦旦地报告"生成完成 1300 条",dry-run 一看只有 28 条。第二轮才定位到根因:杯垫是结构性图案------同尺寸同纹样,布局完全确定,生成一百次都是同一张图,全被 MD5 内容去重杀了。

解法很优雅:把图案里的颜色位随机化,每次尝试产生不同的配色布局,既保留"杯垫"的结构特征,又能通过去重。

dry-run 统计是生成类任务的生命线:数量、唯一性、色数分布、分类占比,四个数字一眼看穿问题,比看 100 张预览图都快。AI 说"完成"只是假设,统计数字才是事实。

五、AI 犯过的五个错(本文最值钱的部分)

  1. bash 内联脚本转义坑 :node -e "..." 里的正则 \b 被 shell 吃成退格符,导致一次全项目扫描静默地全部通过(假的"全部正常"最危险)。后来的规矩:超过三行的脚本一律写文件再跑。
  2. 字母表冲突 :素材生成器的调色字母用了 A...L,其中 K 和轮廓色字符 K 撞名,主题色把黑色轮廓覆盖了------所有角色的眼睛不是黑的。肉眼发现,一行修复。这类跨模块约定冲突,AI 单点检查很难发现。
  3. iOS canvas 4096 上限:这个反而是 AI 主动加的降档保护。平台限制类的知识,AI 比多数人熟,要主动问它"各平台有什么坑"。
  4. 坐标系混用 :e.detail.x(页面坐标)减缓存的 rect(视口坐标),页面一滚动点击就偏移。修法是点击时实时查询画布位置。这类"环境性 bug"模式固定,AI 修起来很在行。
  5. 它会顺着你说 :你说"水印写拼豆制图坊",它就写"拼豆制图坊",哪怕小程序明明叫"拼豆图纸乐园"。关键名词、品牌、数字,永远要自己再读一遍。

六、我沉淀的 Vibecoding 工作流

四步循环

  1. 需求写成验收标准:不说"加个导出功能",说"导出图片底部展示色号和用豆数,像 beanpindou.com 那样;水印放右下角不压格子;文案引导搜索小程序名"。具体参照物 + 位置 + 约束,直接决定一次成型的质量。
  2. 让 AI 沉淀工具 :重复任务变成仓库里的幂等脚本(scan-requires、build-palettes、gen-10k、SSH 隧道数据库工具)。Vibecoding 的复利不在对话里,在仓库里。
  3. 干跑 + 统计 + 真机,验证铁三角:AI 没有手指,点不了小程序;AI 会说"已推送",但要看接口返回和 SQL 统计;破坏性操作前强制备份------AI 提出 DELETE 之前,我要求先 SELECT 出备份文件。
  4. 决策与执行分离 :做不做 UGC(类目资质风险)、IP 素材删不删(版权风险)、色号能不能编(用户真金白银买豆)------AI 给分析,判断和承担后果的是我。决策定了,AI 一条 SQL 干净利落地执行。

五条心得(可直接抄走)

  1. 需求写成验收标准:位置、参照物、约束条件,一次说清,省三轮对话
  2. 让 AI 沉淀工具:重复任务变成仓库里的幂等脚本,复利惊人
  3. 干跑 + 统计 + 真机是验证铁三角:AI 的"完成"只是假设,数据才是事实
  4. 破坏性操作人类守门:备份先行、影响面说清、可回滚才执行
  5. 决策与执行分离:方向、风险、数据真实性人管;实现、排查、批量操作交给 AI

七、写在最后

一个人做一款有后端、有数据库、过审核、跑在生产环境上的小程序,在过去是一个小团队的活。Vibecoding 不是"让 AI 写代码你就不用懂",而是你负责判断和验收,AI 负责一切确定性的执行------这个分工下,个人能做的事情半径被放大了一个数量级。

文中提到的每个功能点------两段式限色、图纸码互赠、摆豆追踪、采购清单------都是线上真实可用的版本,不是 demo 截图。想实际跑一下验证的同学,微信搜「拼豆图纸乐园」,或者扫下面这个码:

这个项目还在继续长:相似色智能合并、图纸合并、圆形/六边形画板都在排期。欢迎评论区交流你的 Vibecoding 实战心得------特别是你被 AI 坑过的那些瞬间,那是全网最稀缺的素材。

相关推荐
码事漫谈13 小时前
以后人人都可以成为导演
后端
Resean022313 小时前
Spring 源码分析(二)配置类的解析与扫描
java·后端·spring
一只爱撸猫的程序猿13 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
北城笑笑14 小时前
Vue 110 ,若依SSE流式接口限次空500排查与解决
前端·javascript·vue.js·后端·vue
ServBay15 小时前
Local harness 将退役,VS Code 本地开发要不要搬到云端?
后端·ai编程·visual studio code
ashiho16 小时前
【LeetCode hot 100】3. 无重复字符的最长子串 (三种解法)
java·数据结构·后端·算法·leetcode·滑动窗口
张一凡9316 小时前
你的 AGENTS.md,真的管到模型写代码了吗?
前端·后端·agent
00后程序员16 小时前
iOS 实时活动怎么开发,Windows 上用 KXBuild 和 ActivityKit 写灵动岛
后端·ios
程序员cxuan17 小时前
推荐 10 个 WorkBuddy 中的邪修用法
人工智能·后端·程序员
Bacon17 小时前
给项目做一次"全身 CT":Agent Skills 生态里的代码体检全链路
前端·人工智能·后端