AI 编程从原型到上线的完整流程
01工具的对比与选择工具大致分为两类：全包式应用：帮你搞定一切（托管、数据库、部署）
AI助手：给你更多控制权，但需要你自己管理基础设施
如果你刚入门，从全包式应用开始。当你需要更多控制权，或碰到工具上限时，再转向AI助手。
我尝试过Replit、Lovable、Codex和Claude Code。Claude Code是我目前的首选。
但小项目我更喜欢Lovable（比如宠物的健康追踪管理），不用操心UX，界面又好看。
Vibe Coding工具
AI 编程智能体
VS Code、Windsurf、Cursor 这类集成开发环境（IDE）我没有列入清单，不过它们很多都内置了自己的编码助手。Cognition 也做了编码助手 Devin，但感觉也不太适合放在这里对比。
也没有包含只做设计原型的工具，因为今天我们的重点是搭建应用。
02 会在哪里出问题选好工具之后，就可以开始干活了。
然而大多数项目就是从这里开始跑偏的。如果不清楚自己想要什么，或者频繁改主意，最后就会得到一堆混乱的代码。
Vibe Coding的恶性循环是：总在修复同一个bug
我们在过程中经常会发现，你报了bug，AI说修好了，但其实没有。
无论怎么说、怎么做，都很难真正修复。让人非常崩溃。
这类问题通常源于几个原因：
[*]你对想要的东西描述不够清晰
[*]
[*]频繁改主意，代码里全是这些反复横跳的痕迹
[*]
[*]中途切换了技术栈，代码不同部分用了不同技术（通常也是需求频繁变更导致的）
[*]
要避免这种情况，你需要稍微理解软件是如何运作的。软件有三层：
[*]数据层：数据存储的地方
[*]控制层：软件运行的逻辑
[*]视图层：你在界面上看到的内容
大部分问题，都出在这三层不同步。
当你最开始描述需求时，它会对需要存什么数据、逻辑如何运行、界面显示什么做出假设。
改主意时，AI必须记得同时更新这三层。
如果只做简单的界面修改，可能只影响视图层，AI通常能直接处理好。
但如果是复杂的界面改动——比如想改变排序方式——可能会影响全部三层。可能需要修改数据存储方式、数据获取时机，才能改变界面排序。
这就是容易出错的地方。当AI忘记跨三层同步修改，或是修改不一致时，就会出现难以解决的bug。
前面提到给宠物做的健康追踪管理就是这样。随着不断迭代，需求一直在变。我想优化界面让输入更方便，但有些优化意味着数据存储方式也要改。改得越多，应用里的隐蔽bug就越多。
而且问题会不断累积。助手工作时，会倾向于遵循它看到的代码模式。如果它看到的是过时的视图层，在更新数据层时就可能做出错误决策。
这就是打破原有的项目重头再来的原因。第二次描述应用时，我已经清楚自己想要什么，需求没有变。Lovable才能正确搭建三层结构，我才能得到完全符合预期的结果。
03规划–评审–修正先想清楚，再开始工作。
每个优秀的产品经理都知道，一个想法在理论上听起来再好，一旦开始细化规格，问题就全出来了。细节才是成败关键。
用vibe coding时，如果我们边写代码边细化细节，成本很高——就算是AI助手写也一样。而且很容易产生bug。
AI会犯错。每次你改主意，都会带来一点技术债——旧想法的痕迹还留在代码里。这些技术债会迷惑后续处理，导致恶性循环，bug越来越多。
永远从规划开始，在规划方案上迭代。
有时只有一个模糊想法，要和AI一起把它变具体；有时我想法很明确，只需要写下来。无论哪种方式，每一次都要从规划开始。
不是PRD或者技术文档，而是小批量、迭代式的方式工作，不是传统大型项目那套流程。
系统性学习PMP的敏捷流程对个人小项目真的很有用。
实操案例
比如做一个回答产品探索相关问题的知识库。我对它有宏大愿景，希望它成为全能的coach。但需要时间一步步实现。
第一个目标，是能访问我所有写过的内容，这样它就能回答那些我已经有文字答案的常见问题。但我不知道怎么实现。于是找Claude帮忙，一起制定方案。
Claude梳理出了端到端的实现方式，解释了很多我不懂的东西，帮我选择服务商（比如向量数据库和嵌入API）。在讨论中，我不断补充和细化需求。我们用Markdown一起迭代，而不是用代码。
方案成熟后，也不是立刻开始写代码。而是把方案交给AI评审。
在和Claude的初始对话中，Claude会学到我的偏好（这是好事），也会学到我的偏见（这是坏事），它会继承我的思维盲区。我们俩都很可能漏掉关键细节，这些细节在实现时会引发问题。
方案评审的任务，就是用全新视角评估方案。
用来验证：
方案是否符合项目的编码规范和架构
没有过度设计
找出逻辑缺陷、思考漏洞、思维盲区，或任何值得注意的问题
不修复方案，只反馈问题。
然后我把评审的意见发给规划助手，一起整合有效反馈。我们重复这个循环，直到三方都满意：我、规划、方案评审。
这个循环对避免“死活修不好bug”的恶性循环至关重要。从一份扎实的方案开始，意味着我们不是在代码里思考，而是在文档里思考，只有确定至少第一个小模块要做什么时，才开始code。
用AI做规划时，记住这些方法：
频繁开启新对话：对话越长，AI表现越差，这叫“上下文腐烂”。我常分块规划：先做整体概览，理解端到端流程，写成文档，然后开新对话。下一轮对话深入某个模块，完成后清空上下文，再做下一部分。这样能保证助手始终输出高质量结果。
不只依赖AI的训练数据：我经常让第二个AI调研我们要做的东西，研究最佳实践，找出人们最常犯的错误，再把报告交给规划助手。
质疑AI的建议：如果某条建议听起来不对劲，或你不确定，让它澄清甚至解释理由。你不一定是专家，但你应该理解选择，并确保走在正确的路上。
让AI解释所有你不懂的东西：碰到不熟悉、不理解的内容，直接让AI解释。如果还不懂，告诉它哪里困惑，让它再讲一遍。
04实现–评审–修正方案准备好后，我会开启全新对话，重置上下文窗口。让新AI按方案实现功能。
如果规划做得好，AI应该能独立完成实现。完成后，它通常会让我测试改动。但我不会立刻测试。相反，我要让另一个AI检查编码的工作。
这就是AI代码评审的作用。AI代码评审会阅读方案、浏览代码库、评估改动，查找：
bug
重复代码
不必要的新模式或技术
过度设计
AI代码评审的核心目标，就是帮我们避开恶性循环，确保编码遵循良好的软件工程实践。
我会让代码评审重点关注三块：
异常处理
测试覆盖率
安全性
刚开始做时，我对这三块一窍不通，但一路学到了很多。这里我简单讲一下技巧。
页:
[1]