本文分享了使用AI进行开发的3条实战经验。首先，建议优先选择AppKit而非SwiftUI来开发Mac应用，并利用Claude Design等工具进行设计，选择合适的模型，并善用现成的插件。其次，AI Agent接数据库时，应使用Agent Skill+脚本替代Memory中的工作流，以降低token消耗。最后，为了同步设计和代码，建议确立唯一源，并利用Changelog进行变更记录和代码同步。这些经验强调了AI的分工和秩序，有助于提高开发效率。
最近一直在用 AI 写代码、做 Agent,踩了不少坑,也摸出来一些真正管用的做法。今天挑三件事聊聊,都是动手干出来的结论,不是纸上谈兵。
如果你也在用 AI 辅助开发,或者正打算把 AI Agent 接进自己的工作流,这篇也许能帮你少走点弯路。
一、用 AI 写 Mac App,完全可行,但有几个坑要避
先说结论:借助 AI 去写 Mac App 完全没问题。但要想又快又好,有几条经验值得记下来。
第一,优先选 AppKit,而不是 SwiftUI。 很多人默认上手就用 SwiftUI,因为它开发简单。但 SwiftUI 的能力不如 AppKit 强,做出来的界面也没那么好看。SwiftUI 唯一的优势就是写起来轻松,可这一点恰恰已经被 AI 补上了——既然 AI 能帮你扛下 AppKit 的复杂度,那就没理由为了省事而牺牲效果。
第二,先打磨设计,再动手写代码。 用 Claude Design 之类的工具先把 UI 和交互方案磨清楚,再进入编码阶段,基本能做到事半功倍。别一上来就让 AI 边想边写,那样返工成本很高。
第三,模型挑对了,UI 质量差距明显。 同样一个界面,Opus 做出来的就是比 GPT-5.5 更耐看。涉及视觉和审美的活儿,模型选择会直接影响成品质感。
第四,善用现成的插件。 Codex 有个官方插件叫「Build macOS Apps」,集成了 AppKit Interop、Build/Run/Debug、Liquid Glass 等一系列能力,直接开箱用,省得自己从零搭。
一句话:工具和模型都到位的今天,不会 Swift 也能把一个像样的 Mac App 做出来,关键是别用错路子。
二、AI Agent 接了数据库,但它就是不按流程走?问题出在这
这是个特别典型的场景。有人把数据库接进了 AI Agent,平时用手机发消息就能让它查数据、导出文件,听起来很美。但实际一用就发现两个问题:token 消耗特别大,而且明明把工作流写进了 Memory,它就是不照着做。
根本原因在于一个常见的误解:Memory 只是「背景信息」,不是「执行指令」。
Agent 每次对话,都会重新理解你的意图、重新规划步骤。这个「思考—规划」的过程本身,才是 token 消耗的大头。你把流程塞进 Memory,它只是「知道有这么回事」,但每次还是会自己重新推演一遍,自然又贵又不稳定。
真正的解法:用 Agent Skill + 脚本,去替代写在 Memory 里的工作流。
核心思路是把任务拆成两半,各司其职:
- LLM 只做它擅长的事——把自然语言翻译成 SQL 查询语句;
- 确定性的步骤全部交给脚本——执行 SQL、格式化结果、上传文件,这些根本不需要 AI「思考」,写成 Python 或 Shell 脚本直接跑就行。
还能再进一步:在 Skill 里把你的表结构说明、常用 SQL 模板都内嵌进去,这样 Agent 只需要「填空」,而不用每次从零推理。
这么改完,token 消耗能直接降一个数量级。
总结成一句话:能用脚本干的事,就别让 LLM 干。LLM 只负责翻译,不负责执行。
三、设计和代码总是对不上?用「唯一源 + Changelog」来同步
用 AI 做产品时还有个老大难:设计稿和实际代码,经常对不上版本。改了这边忘了那边,时间一长两套东西就各说各话了。
我现在的处理办法是这样的:
第一,确立一个唯一源。 把 Claude Design 的设计结果当作整个项目设计的唯一基准,一切以它为准。这一步是地基——只要源头唯一,后面就不会乱。
第二,更新设计时,顺手写一份 Changelog。 每次改动设计,都让它生成一份变更记录,然后让 Claude Code 根据这份 Changelog 去同步代码。变更有据可查,同步也就有了依据。
第三,尽量先改设计,再改代码。 顺序很重要。如果偶尔图省事在代码里临时改了,那事后一定要回到 Claude Design 那边补同步一次,别让两边脱节。
这套流程不算复杂,但它解决了「设计和实现两张皮」这个最容易失控的问题。如果你有更好的办法,也欢迎交流。
写在最后
这三件事看起来零散,其实指向同一个底层逻辑:
AI 很强,但要让它真正好用,关键在于「分工」和「秩序」。
- 写 App,是让 AI 扛复杂度,把人从语法细节里解放出来;
- 做 Agent,是让 LLM 只做翻译、让脚本做执行,各干各的强项;
- 管设计,是立一个唯一源、用 Changelog 维持秩序,不让两边失控。
工具会一直更新,但这套「让合适的部分做合适的事」的思路,大概率会一直管用。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
