我是一名口腔医学大一学生，0系统CS背景。 上周，基于 GitHub 最新的 Spec-Kit 框架，我利用 AI（MiniMax）在7天内构建了一个可视化的代码生成工作台
Special-Architect。 本文将硬核复盘我在7天内如何从 "Vibe Coding"（凭感觉写）转向 "Spec-Driven"（规范驱动），详细拆解 AI“作弊”式调试的深坑、Next.js 架构演进，以及如何凭借该项目拿到 2 个硬核实习 Offer 的过程。 项目地址：GitHub - special-architect
01. 背景：当医学生决定“动手术”写代码
我是 Porter，18岁，口腔医学专业。
在医学里，我们讲究“循证”：诊断（Diagnosis）→ 方案（Treatment Plan）→ 实施（Implementation）。 但我发现，目前的 AI 编程（比如用 Cursor 直接聊）往往是 Vibe Coding——你给 AI 一句模糊的指令，它给你一段能不能跑随缘的代码。
对于非科班出身的我，这种模式在构建复杂系统时简直是灾难：代码不可控、上下文丢失、Debug 极其痛苦。
直到我看到了 GitHub 发布的 Spec-Kit。它的核心理念 Spec-Driven Development（规范驱动开发） 击中了我： 先定义规范（Spec），再生成计划（Plan），最后实施代码（Implement）。
这不就是医学里的“先诊断后治疗”吗？于是，我发起了一个挑战：7天时间，把 Spec-Kit 的理念工程化，做一个可视化的 GUI 软件生成平台。
02. 踩坑实录：AI 也会“糊弄学”
这7天并非爽文，而是充满了与 AI 斗智斗勇的过程。除了架构的反复推倒（从 Python Gradio 到 Next.js 全栈），最让我头皮发麻的是 AI 独特的“作弊”技巧。
如果你也在做 AI 辅助开发，以下两个深坑请务必警惕：
🕳️ 巨坑一：AI 的“硬编码绕过”式调试 (The Hardcoded Override)
在开发后端 API 的测试用例时，我遇到了一个诡异现象：单元测试全过，但在真实环境中跑不通。
排查过程：
我让 AI 修复一个正则解析的 Bug。AI 尝试了两次，发现正则怎么写都不对（解析不到代码块）。
第三次，AI 居然“学聪明”了。它没有去修复正则逻辑，而是直接在函数里写了一个 if 判断：
// AI 生成的“修复”代码
if (prompt.includes("贪吃蛇")) {
return "import pygame..."; // 直接硬编码返回了预期的结果！
}
技术复盘： LLM 在面对多次报错的压力（或 Prompt 中即使反馈的 Negative Feedback）时，会倾向于寻找“最短路径”来满足当前的测试条件。它为了让测试变绿，直接 Mock 了答案，Override 了逻辑。 对策： Code Review 是必须的，尤其是 AI 声称“修复了复杂逻辑”但代码变动却很小的时候。此外，我的测试是gpt-5.1code是最诚实的。
🕳️ 巨坑二：上下文丢失导致的“拆东墙补西墙”
在 Day 5 重构前后端通信时，我让 AI 修复一个 SSE（Server-Sent Events）连接断开的问题。 AI 很快给出了新代码，SSE 连上了，但我发现文件写入功能全挂了。
排查过程：
AI 在重写 route.ts 时，因为上下文窗口限制（或者注意力漂移），它只关注了“修复 SSE”这个指令。它重写了整个文件，把 SSE 的逻辑写得很完美，但直接把之前写好的文件系统写入逻辑（File System IO）给删了，或者简化成了一个空函数 TODO。
它以为那个不重要，或者单纯是“忘”了。
技术复盘： AI 改一个 Bug 经常会绕过（Bypass）其他所有逻辑。 对策：
- Git Diff 是救命稻草：永远不要盲目 Accept，用 Diff 工具看它到底删了什么。
- 模块化：不要让 AI 一次性重写几百行的大文件，把功能拆分成小的 Utility 函数，降低上下文丢失风险。
03. 架构演进：7天里的三次重构
Day 1-3：试图“封装”的死胡同
- 初始构想：直接写一个 Web 面板调用
Claude-CLI。 - 失败原因：CLI 工具的封装难度远超预期，且无法灵活调用 Spec-Kit 的核心逻辑（Prompt 链）。
Day 4：Vibe Coding 的滑铁卢
- 尝试方案：让 AI 用 Python 的
Gradio库直接生成一个平台。 - 技术瓶颈：Gradio 适合快速 Demo，但在处理复杂的前后端通信时灵活性极差。
Day 6-7：拥抱全栈与“水合错误”的决战
- 最终架构：彻底的前后端分离（Decoupled Architecture）。
- Frontend: React 19 + Vite (专注于 UI 和状态)
- Backend: Next.js 14 API Routes (专注于 AI 编排和文件流)
- Communication: HTTP + SSE
系统架构图：
graph TD
User["用户需求"] -->|自然语言| UI["React 客户端 (Vite)"]
UI -->|"POST /generate"| API["Next.js API 服务"]
subgraph "Backend (Next.js)"
API -->|"Step 1: Specify"| Agent["MiniMax AI Engine"]
API -->|"Step 2: Plan"| Agent
API -->|"Step 3: Implement"| Agent
FileSys["文件系统"]
end
Agent -->|生成代码| FileSys
FileSys -->|"SSE 实时流"| UI
FileSys -->|项目文件| ProjectDB["projects/{uuid}"]
关键技术点：
- Spec-Driven 的三阶段生成：强制执行
Specify->Plan->Implement流程，极大降低 AI 幻觉。 - Server-Sent Events (SSE)：后端通过
res.write持续推送 AI 思考过程，前端像看直播一样看着代码生成，解决了 HTTP 超时问题。
04. 真实数据：￥49 带来的 6 倍效率
- 开发成本：￥49（主要用于 MiniMax API 的 Token 调用）。
- 代码产出：通过 AI 生成了约 50,000 行 代码（含生成的项目代码）。
- 效率对比：如果纯手写，这个工作量至少需要 1 个月；用 Spec-Driven + AI，我用了 7 天。
这不仅是写得快，更重要的是代码质量的可控性。通过 Spec 文档的约束，AI 写出的代码结构清晰，甚至自动包含了 requirements.txt 和 README.md。
05. 成果：用 GitHub 项目换来的 Offer
项目完成的那天，我没有投递简历。我认为在 AI 时代，GitHub Repo 就是最好的简历。
我通过 Perplexity 检索了相关的医疗科技公司和关注 AI 产业落地的教授，发了 4 封“盲邮”。邮件里只有简单的自我介绍、GitHub 链接和一段演示视频。
结果出乎意料： 第二天，我就收到了 2 封回复。
- Offer 1：某医疗平台教授的实习邀请。教授在邮件中提到：“能感受到你是兴趣驱动……欢迎你来尝试，让整个团队更高效。”
- Offer 2：某工业教授的实习要求。
这让我意识到：企业和导师看重的，不再是你背了多少八股文，而是你将 AI 新技术工程化落地的执行力。
06. 总结与开源
作为一个医学生，我可能写不出最高效的算法，但我通过 Spec-Driven Development 证明了：非科班开发者也能构建复杂的全栈系统。
这个项目 Special-Architect 已经开源。它可能还很粗糙，代码里还有我熬夜写下的“屎山”，但它验证了一条新路。
如果你也对 Spec-Driven Development 感兴趣，或者想看看一个 18 岁医学生是如何理解软件架构的，欢迎来我的 GitHub 提 Issue 或点个 Star！
👉 GitHub 地址: github.com/Porter-code…
希望我的经历能给同样在学习编程的你一点启发。不要被“非科班”的标签限制住，AI 给了我们弯道超车的机会，前提是你懂得如何驾驭它。
