我让 AI 写完了一个完整项目：从需求到上线的真实记录

先说结论：AI 不是"替你写完"，而是"替你写完 70%"

标题起得夸张，但过程是真的。上个月我用 AI 辅助，把一个内部工具从一句模糊需求做到线上跑起来，前后大约两周的业余时间。如果纯手写，我估计要一个半月。

但如果你期待的是"输入一句话，AI 吐出一个完整项目"，那这篇文章可能会让你失望。真实的体验是：AI 把开发流程里最枯燥、最耗时的 70% 做掉了，剩下的 30% 恰恰是决定项目生死的部分，而且那 30% 它经常帮倒忙。

下面按真实的时间顺序拆，每一步我都标了"AI 表现评级"。

第一步：需求拆解——AI 被严重低估的强项

很多人一上来就让 AI 写代码，这是最大的浪费。

我最初的需求只有一句话："做一个能自动汇总团队成员每周进度的工具。"

我把这句话丢给 AI，让它做三件事：列出所有隐含需求、识别我不确定的地方、给出最小可用版本（MVP）的边界。

它输出了一份让我意外的清单，包括：

• 进度从哪来？（手动填写 / 从 Git 提交抓取 / 从任务系统同步）
• 汇总是给谁看的？（管理者视角和成员视角差别很大）
• "每周"是自然周还是滚动七天？跨时区怎么算？
• 成员没填怎么办？催办还是留空？
• 历史数据要保留多久？

这些我原本一个都没想清楚。结果是我花了一个小时，把方案砍到一个只做"手动填写 + 每周自动生成摘要 + 邮件推送"的版本。

实操建议：在写任何代码前，让 AI 扮演"挑剔的产品经理"，专门找需求里的歧义。这一步几乎零成本，却能省掉后面几天返工。

AI 表现评级：需求拆解 A

它不会替你做决策，但能把模糊的东西变具体，这是纯体力活，正好适合 AI。

第二步：架构设计——有用，但要人来拍板

我让 AI 给出技术选型建议，同时要求它给出反对自己的理由。

这个"要求唱反调"的提示词效果极好。它自己反驳了自己推荐方案里的两个假设：

• "你只有几十个用户，上微服务是自找麻烦。"
• "定时任务用数据库轮询比引入消息队列更省心。"

最后定下来的架构非常朴素：一个单体服务 + 一个定时任务 + 一个数据库。整个系统只有三个部分。

踩坑提醒：AI 在架构上有一个明显的"过度设计倾向"。如果你不明确说"我要最小方案"，它默认会给你一套能支撑创业公司的架构。这在个人项目里是灾难。

AI 表现评级：架构 B-

能给多个方案和权衡，但需要人类用"这项目到底多大规模"去校准。

第三步：编码——这是最快的一步，也是最容易埋雷的一步

两周里大概有六成时间花在这里，但产出速度是手写的三倍以上。

我的做法是：不整文件让它写，而是按函数、按接口一个一个来。每次只让它写一个小块，我立刻跑一遍再继续。

AI 写得好的地方：

• 模板代码、数据模型定义、CRUD 接口——几乎不用改。
• 写单元测试——它比我勤劳得多，会主动覆盖边界情况。
• 正则表达式、日期处理、字符串格式化——省下大量查文档时间。
• 给出报错的修复建议——特别是那些语焉不详的框架错误。

AI 写得差的地方，必须重点警惕：

• 幻觉 API：它会调用不存在的库函数或参数，而且语法看起来完全正确，不运行根本发现不了。
• 静默的错误处理：经常写出 catch 里什么都不做、或者直接吞掉异常的代码。
• 过期的写法：默认用几年前的版本习惯，新 API 得你手动提醒。
• 注释与实现不符：注释说做了校验，代码里根本没校验。

实操建议：把 AI 当作一个打字飞快、但从不熟悉你项目的初级同事。它写的每一行都要能跑通才算数，绝不能"看起来对"就合入。

AI 表现评级：编码 A-（配合"小块 + 立即验证"工作法）

第四步：测试——AI 的主场

这是我最想把 AI 用在的地方，而且是全流程里性价比最高的一步。

我给了 AI 两种提示词：

1. "为这个函数写出所有你认为可能出错的输入。"
2. "假设你是恶意用户，找出这个接口的漏洞。"

第二个提示词帮我发现了两个真实问题：一个是缺少输入长度限制，一个是可以越权读取别人的数据。

它还主动补了一堆我根本想不到的测试用例：空字符串、超大数字、并发调用、时区边界、emoji 输入。测试这一步，AI 的产出质量明显高于它写业务代码的质量，因为测试的错误成本低，幻觉不容易造成严重后果。

AI 表现评级：测试 A+

第五步：部署与运维——最弱的一环

到了这里，AI 的表现明显滑坡。原因很简单：部署依赖你的真实环境，而 AI 看不见你的服务器。

它给的部署脚本看起来专业，但实际跑起来问题一堆：权限配置、端口占用、环境变量泄露、日志权限、守护进程重启策略……这些都必须靠人一个个验证。

它还容易给出"看起来很安全但其实危险"的建议，比如建议你为了省事把数据库直接暴露公网端口。

重要原则：凡是涉及网络暴露、权限、密钥、防火墙的配置，AI 的说法只能当参考，绝不能盲信。让它解释"这样做的风险是什么"，比让它直接给答案更有价值。

AI 表现评级：部署 D

全流程对比表

避坑清单（可直接套用）

1. 先要需求，再要代码。跳过需求拆解直接写代码，是最高频的时间浪费。
2. 明确要求"最小方案"。否则 AI 默认给你过度设计的架构。
3. 小块生成，立即验证。绝不一次性吞下几百行未运行的代码。
4. 警惕幻觉 API。任何没见过的函数调用，先跑一遍再说。
5. 检查所有异常处理。找 catch 空块和吞异常的代码。
6. 让 AI 唱歌反调。"请反驳你刚才的方案"是性价比最高的一句提示词。
7. 测试放心交给 AI。这是它最强、最安全的环节。
8. 安全与部署人工把关。涉及暴露面、权限、密钥的地方，AI 只做参考。
9. 保留人工接管能力。你始终要能看懂 AI 写的东西，否则出问题无法排查。

那到底值不值得用？

值得，但要用对位置。

把 AI 放在需求梳理、模板代码、测试用例、文档撰写上，回报率极高，几乎零风险。把 AI 放在架构拍板、安全配置、部署运维上，你必须保持主导，把它的输出当作"参考意见"而非"结论"。

最大的认知转变是：不要指望 AI 替你完成项目，而是让它替你消灭那些不需要思考的部分。你的价值从"写代码"转移到"判断、验证和决策"。这才是那个 70% 提速的真正来源。

项目最后上线了，跑得挺好。而我最庆幸的，不是省了多少时间，而是在需求阶段就砍掉了三四个本来会拖垮进度的大功能。