Ai的Ide-trae使用经验（全栈高效率开发）
背景
随着Ai模型的发展，日新月异，作为十几年的小程序员，还是要多学习，最近公司也有web的项目。属于小项目，但需要开发效率，最后通过讨论与预研，最后选用了 django-ninja+nextjs的方案。 2025/06/01
技术
后端
- 公司是以Ai开发为主，团队对于java, C++, Golang都不熟悉，而django是python下成熟的方案，预研运行效率，响应速度在几ms，最多10多ms，对于小项目没有大问题。
- 部署：python的打包部署不完善，当前采用的是pyintstall方案，以前的项目有打包经验，可以解决。
前端
- vue/nextjs: 以前也用过vue作为开发，但vue的工程框架并不是太好，这次算是尝试，改为nextjs,更好的路由管理，工程化更好。
- exe：引入tauri可以解决，对于vue/react打包都是不错的。
工具
python: pycharm + deepseek
react: trae（国际版） + cloud 4/gmini 2.5pro
经验
后端
- 前期做好 Sql表关系的规划
- 写接口时或是发现问题时，一定要带上表结构的上下文，deepseek即可有很好的回答
前端
- 问：为什么需要cloud 4/gmini 2.5pro？
答：试过，国内挺多的模型，2025/05/25前，测试的结果是，国内模型写nextjs,前端不太行。 - 基础目录：nextjs,大模型搭基础架构并不好，前期需要自己找一个基础目录，搭好private与route的规划。
- 项目规则：trae下有一个project_rule.md，项目规则，最好定好，以下是我使用的示例：
运行: pnpm
技术栈：tauri + nextjs + shadcn/ui
ui组件在可以的情况下都使用shadcn/ui, icon使用lucide-react
风格：简约，干净， 优雅，冷色调。
文件名用小写,多单启用-连接;组件function用大驼峰;变量用小写。
本前端地址： localhost:3456
Table的页面：tableHead追加样式<TableHead className="text-center font-bold bg-gray-100">, <TableCell className="text-center"> 图标等都居中。
table的跳页统一改为QPagination组件。
core文件夹下，各个模块的功能模块都放在各自的文件夹下. pages.tsx同级c-开头为当前页的业务组件，即无法做到复用的业务组件放在core文件夹下。
提到地址:61301端口的都指http://localhost:61301，使用lib/api_client.ts的apiRequest或request调用后端接口。
后端示例（备份下）
### 包管理工具：uv
### 项目技术：django-ninja 运行端口：61302 函数返回：returns包
### 主要内容：所属项目、工单流程、工单体、工作人员。
### 当前处于开发阶段
需要调整数所库时, 可以删除各个apps下的migrations文件夹，及删除Remove-Item db.sqlite3 -Force文件，重新创建数据库。
### 日志与异常
日志： from q_log.log_nb import logger 用法: logger.info('日志信息')
异常堆栈： logger.error(traceback.format_exc())
### apps:
work_flow: 1、工单流程：支持自定义流程，流程中含有多个节点。 节点: 当前节点名称，前节点是谁(用于退回操作), 后节点，即操作什么后，跳转到目标节点idwork_order:
work_order: 1、附带的信息，可以指向其他表，用于扩充信息。可以考虑添加评论的表作为示例。 2、节点切换：当前节点与历史节点，并依据工作流程进行切点切换。 3、用户在当前节点的操作会有什么影响，则是由api接口函数定义，并不在字段中。
work_user: 流程中各个节点，可以进行操作的人员。 人员信息：账号，密码，手机，部门，职位，所属片区：即执法的区域（如村与片区）
### 自测试（任务工作流程）
#### 表初始化
py脚本：放于init目录下
人员：工作用户 -》 主管人员 -》审核人员
流程：所有人可以发起流程 -》 工作人员进行执行 -》 主管人员初步查看工作成果 -》 审核人员最终审核
附带信息：初步只是追加信息与图片名称
#### 测试脚本(test目录下)
py测试脚本，
需要查bug进行检查时，创建check_xxx.py命名脚本,
模拟用户操作使用simulate_xxx.py命名脚本。
说明：上面的示例，分别提到运行工具，风格，组件细节等。 可以看到其实也是由 大->小 这样写的，这样规则文件，可以随着项目的进展去完善，但大的风格一定是提前写好，如文件名、变量规范等。
- 编写提示词：trae已具备上下文记忆，但如果你要切换工作的文件或只在哪些的文件相关联，请指名是哪些文件，指定的文件名后，模型会更专注于文件内进行工作。
- 组件化：对于要写成组件的代码，明确要求模型将哪些部分做成基础组件，这样写提示词，效果更佳。
工作效率
使用全栈的工作效率，可以大大提升小项目的开发效率。 公司一开始，也是前后端分开，但运行过程中会发现，因为小项目没有十分完整的方案文档，对接时往往有大的沟通问题，与一开始想要的高效率有一定的冲突。采用Ai+全栈的开发方式，可以大大提高开发效率。
