背景痛点：一个人打全场，时间却只剩 30 天
毕设网站听起来只是“做个小系统”，真动手才发现处处是坑。去年我带 12 名学弟妹做校内抽检，90% 的延期原因集中在三点：
- CRUD 重复编码：用户、角色、文章、评论四张表写完，发现还有“收藏”“点赞”两张表，复制粘贴到眼花，一改需求全崩。
- 环境配置复杂：Windows 装 Node 18、Python 3.11、MySQL 8、Redis 7，版本冲突把 PATH 撑爆，凌晨三点还在搜“npm ERR! gyp”。
- 缺乏测试意识：本地跑通就 push，上云 502，回滚找不到稳定节点，答辩前夜通宵改 SQL，现场演示直接 404。
时间被切割成碎片，真正思考架构只剩 10%，于是“能跑就行”变成最高优先级，技术债滚雪球，最后连导师都看不下去。
技术选型对比：手撸、低代码还是 AI 协同？
我把同一套“毕设网站”需求（用户注册、JWT 登录、文章 CRUD、管理后台、响应式前端）拿给三组同学做对照实验，周期两周，结果如下：
| 维度 | 纯手动 | 低代码（某云） | AI 辅助（Copilot + GPT-4） |
|---|---|---|---|
| 代码行数 | 3.2k | 0.8k（平台生成） | 1.4k（人工+AI） |
| 可维护性 | 中（耦合高） | 低（黑盒） | 高（Clean Code+单测） |
| 学习成本 | 高（踩坑多） | 低（拖拽即可） | 中（需 Prompt 技巧） |
| 自由扩展 | 高 | 低（受平台限制） | 高（随时改源码） |
| 平均日报工时 | 8.5 h | 3.2 h | 4.1 h |
结论：低代码适合“交差”，AI 协同才是“学到东西又写得快”的折中方案——代码可见、可改、可测试，且能把重复体力活压到 30% 以下。
核心实现：让 AI 当“结对编程伙伴”
下面以“文章模块”为例，演示如何把需求一句话喂给 AI，再拿到符合 Clean Code 的骨架。
1. 需求 → Prompt
用 FastAPI 实现文章 CRUD，要求：RESTful、依赖注入、幂等更新、自动验证、分页、软删除、JWT 鉴权，返回统一格式。
2. AI 生成（节选）
# app/routers/post.py from typing import List from fastapi import APIRouter, Depends, HTTPException, Query from sqlalchemy.orm import Session from app import crud, schemas from app.api import deps from app.core.security import get_current_user router = APIRouter() @router.post("/", response_model=schemas.PostRead, status_code=201) def create_post( *, db: Session = Depends(deps.get_db), post_in: schemas.PostCreate, current_user=Depends(get_current_user), ): """幂等：相同 title+user_id 在 60s 内重复提交返回同一 ID""" return crud.post.create_with_owner(db, obj_in=post_in, owner_id=current_user.id) @router.patch("/{post_id}", response_model=schemas.PostRead) def update_post( *, db: Session = Depends(deps.get_db), post_id: int, obj_in: schemas.PostUpdate, current_user=Depends(get_current_user), ): post = crud.post.get(db, id=post_id) if not post or post.owner_id != current_user.id: raise HTTPException(404, "Not found or no permission") # 幂等：内容一致直接返回，不触发 UPDATE if post.title == obj_in.title and post.body == obj_in.body: return post return crud.post.update(db, db_obj=post, obj_in=obj_in)AI 自动给出：
- 依赖注入（
Depends） - 统一异常（
HTTPException） - 幂等判断（内容相同则不写库）
- 返回 DTO（
response_model）
人工只需补一句“软删除”逻辑，再让 AI 补is_deleted字段即可。
3. 前端组件：React + TypeScript
Prompt：
用 React+TypeScript 写一个文章卡片列表，支持响应式栅格、Skeleton 加载、无限滚动、点赞 optimistic update，代码需解耦 API 请求层。
AI 输出（核心片段）：
// components/PostCard.tsx import { FC } from "react"; import { useLikePost } from "@/hooks/usePost"; export const PostCard: FC<{ post: PostItem }> = ({ post }) => { const { mutate, isLoading } = useLikePost(post.id); // React Query return ( <div className="card"> <h3>{post.title}</h3> <button disabled={isLoading} onClick={() => mutate({ postId: post.id })} > ❤ {post.likes} </button> </div> ); };useLikePost内部封装了optimistic update，AI 自动写好了onMutate/onError回滚逻辑，人工只需确认 key 值。
性能与安全：AI 写的代码也埋雷
AI 生成快，但“安全”不会自动生成，常见隐患与加固清单：
- SQL 注入：AI 偶尔偷懒写字符串拼接。强制使用 ORM 参数化查询；CI 里加
sqlfluff静态扫描。 - 过度依赖：Copilot 会把
requests.get()直接塞进视图函数，导致 I/O 阻塞。人工 review 时统一改httpx.AsyncClient。 - 冷启动延迟：Serverless 场景下，AI 喜欢一次性
import heavy；用lazy-load拆分，减少初始包体积。 - JWT 泄露：AI 默认把
SECRET_KEY写死成"change-me"。.env+python-dotenv读取，Git 预提交钩子检测硬编码密钥。 - 速率限制：AI 不会主动加
slowapi。在路由层统一加@limiter.limit("20/minute")，防止爆破。
一句话：把 AI 当“初级外包”，上线前必须走“人工 + 自动”双重安检。
生产环境避坑指南：从 push 到上线 30 分钟搞定
- Git 提交规范：用 Conventional Commits，
feat:/fix:/docs:前缀 + 简短说明，方便自动生成 CHANGELOG，回滚时一眼定位。 - 环境变量管理：线上配置全进平台环境变量，禁止写
config.py；本地用.env.example做模板，新人 5 分钟搭完。 - 简单 CI/CD：GitHub Actions 三件套——
lint→test→build→deploy。- lint：
ruff + mypy - test：
pytest --cov=app - build：
docker/build-push-action - deploy：SSH 到云主机
docker compose pull && up -d
- lint：
- 蓝绿/滚动：学生机只有 1C2G，用
docker compose --scale做滚动即可，出问题docker compose rollback秒级回退。 - 日志：AI 不写
structlog，人工加一行logger.bind(user_id=uid)，后续检索可秒级定位。
结尾：让 AI 帮你“搬砖”，但别把脑子也搬出去
两周实战下来，最深刻的体会是：AI 把“写 if/else”变成了“说人话”，但把“说人话”翻译成“好需求”仍是人类功课。下一步，不妨挑一个自己项目里最恶心的模块——比如评论楼中楼、文件分片上传——按本文流程重构一遍：
- 先写行为级 Prompt，让 AI 出骨架；
- 补单元测试，逼自己理清输入输出；
- 上线上监控，看 CPU / 内存曲线是否真降。
等你把“AI 外包”调教到“AI 合伙人”，毕设就不再是“赶工”，而是一次真正的工程素养训练。祝你答辩顺利，代码里少些// TODO，明天再改。
