第01天 目标与范围界定

用户3210305018468
27 阅读10分钟

第01天 目标与范围界定****

今日寄语 ："很多低代码项目不是死在技术上，而是死在想做'万能系统'的野心上。"**

1 .0 今日导读****

前置依赖: 无(起始章节)

核心产出: MVP范围清单目标受众分析技术选型列表

预计耗时:

  • [指南] 阅读理解: 30-45分钟

  • [实践] 必做作业: 30-60分钟

  • [*] 选做挑战: 1-2小时

学习重点:

  1. 理解低代码平台的核心价值与差异化

  2. 掌握MVP范围界定的原则

  3. 明确你的目标受众与交付场景

AI 结对策略: 使用 Claude/ChatGPT 分析竞品架构，快速生成系统上下文与功能清单。

[提示] **关于"21天" : 如前言所述,这是知识组织框架而非严格时间表。你可以按自己的节奏学习,重要的是理解架构思想、掌握实现路径。

1.1 写在最前面:MVP的生存法则****

准备好了吗？让我们开始这段旅程。

1.2 产品定位：我们到底在做什么？****

在开始写第一行代码之前，请先停下来，喝口咖啡，认真思考这三个问题：为谁做？解决什么问题？有什么差异化？

1.2.1 目标受众（Who）****

我们的低代码平台（暂命名为  "MetaFlow" ）主要服务于两类截然不同的用户：

  1.  专业开发者（Pro-Code） ：

     **痛点：大量重复的CRUD操作占用开发时间，修改字段需要前后端多处同步变更。

     **需求：通过可视化工具生成基础代码，同时保留手写扩展复杂逻辑的灵活性。

  1.  技术型业务人员（Citizen Developer） ：

     **痛点：业务需求依赖IT部门排期，响应周期长。

     **需求：具备基础SQL/逻辑思维，希望通过可视化方式快速构建审批流程和报表。

1.2.2 核心价值主张（Value Proposition）****

市面上已经有 OutSystems、Mendix、钉钉宜搭了，我们为什么还要造轮子？

Data-First（数据优先） ：

     先设计数据模型，再生成 UI*。根基稳了，房子才盖得高。

AI-Assisted（AI 辅助） ：

     AI 是智能助手*。能够辅助生成 DSL、优化代码、提供开发建议，提升开发效率。

Flexible Export（灵活导出） ：

     出码能力*。生成的应用支持导出为标准的前端源码，便于后续接管和定制开发。

1.3 范围界定:学会说"不"****

为了在有限的学习时间内掌握核心概念,我们必须对很多诱人的功能说"不"。这是 MVP 的核心生存法则。

[目标] 本书的MVP策略 : 不是"21天做完所有功能",而是"21个主题掌握完整知识体系"。每个模块我们会明确标注哪些是 已实现的核心 ,哪些是 设计方案 ,哪些是 后续增强 。**

模块本书包含 (已实现/原型) [√]后续增强 (需补充实现) [○]理由
内核元数据引擎、DSL 解析器、插件系统分布式事务、多云部署先跑通单机,再考虑分布式
数据通用CRUD、筛选分页、Prisma适配动态建模、NoSQL 支持、复杂 ETL关系型数据库能覆盖 90% 场景
UI组件注册表、渲染器、基础表单完整设计器、复杂图表、3D 渲染BI 和大屏是另一个领域
逻辑事件总线、简单工作流、JS 沙箱复杂规则引擎 (Drools)、AI 决策能跑通审批流就算成功
运维基础日志、Token 鉴权、指标原型全链路监控 (APM)、弹性伸缩监控可以后期接入 Prometheus

 

[警告] 避坑指南 : 哪怕你觉得"这个功能很简单,顺手加一下",也 千万不要加 。学习阶段,任何非核心功能都会分散注意力,影响对核心架构的理解。**

风险提示****

- 范围蔓延风险：每天都要审视是否偏离了MVP目标

- 技术债务风险：快速开发必然产生技术债务，需要在后期偿还

- AI依赖风险：不要过度依赖AI生成的代码，需要人工审查

1.4 业务场景：我们要造什么？****

空谈架构误国。为了验证平台的可用性，我们将贯穿全书构建一个真实的业务系统—— “油田设备资产管理系统(EAM)” 。

这不仅仅是一个 Demo，它包含了工业互联网最核心的要素：移动巡检、维修工单、设备台账。

1.4.1 核心功能****

  1.  设备台账 (EAM) ：建立设备电子台账，包括设备编号、型号、位置、购置日期、保修期限等信息。

  2.  设备巡检：一线人员通过移动端扫码设备二维码，执行日常巡检任务，记录设备运行参数，上传现场照片，发现异常自动触发维修工单。

  3.  维修工单：设备出现故障后，自动创建维修工单，分配给维修人员，跟踪维修进度、记录维修历史，实现闭环管理。

  4.  预防性维护：根据设备保养计划，系统自动生成定期保养任务，实现“以养代修”。

1.4.2 业务实体预览****

  1.  员工 (Employee) ：姓名、班组、岗位（决定审批权限）。

  2.  设备台账 (Asset) ：设备编号、型号、位置、状态（正常/故障）、购置日期、保修期限。

  3.  巡检记录 (InspectionRecord) ：巡检时间、设备ID、巡检人、运行状态、现场照片（Image）、GPS位置。

  4.  维修工单 (MaintenanceOrder) ：工单编号、设备ID、故障描述、状态（待分配/维修中/已完成）、维修人员、完成时间。

  5.  审批流 (Workflow) ：

     **场景 A：常规维修 -> 班组长直接分配。

     **场景 B：重大故障 -> 设备管理科介入 + 资源协调。

     **场景 C：巡检发现异常 -> 自动触发维修工单。

1.4. 3 学习目标清单****

完成本书学习后,你应该掌握:

  • [√] 数据模型设计器的架构与实现原理（支持设备、巡检、工单实体）

  • [√] 移动端表单页面生成的技术方案（扫码/拍照/定位）

  • [√] 闭环工单流程配置的设计与实践

  • [√] 基础权限控制的实现方法（班组隔离）

1.5 系统上下文：宏观视角****

我们需要明确 MetaFlow 平台在整个企业 IT 版图中的位置。

免责声明 ：MetaFlow 仅为本书教学用的虚构平台名称，如有重名，纯属巧合。**

C4Context
title System Context Diagram for MetaFlow Platform

    Person(developer, "应用开发者", "不仅是程序员，也包括懂技术的业务人员")
Person(end_user, "终端用户", "使用生成应用的人，如执行设备巡检的员工")

    System(metaflow, "MetaFlow 低代码平台", "核心系统：包含设计器(Designer)、引擎(Engine)与运行时(Runtime)")

    System_Ext(db, "业务数据库", "SQLite（MVP）/PostgreSQL/MySQL, 存储用户实际产生的业务数据")
System_Ext(auth, "身份认证中心", "LDAP/OAuth2, 企业的统一登录入口")
System_Ext(ai, "AI 模型服务", "OpenAI/Claude API, 我们的智能大脑")

    Rel(developer, metaflow, "设计数据模型、拖拽页面、配置流程", "HTTPS")
Rel(end_user, metaflow, "访问运行时应用，处理任务", "HTTPS")
Rel(metaflow, db, "读写业务数据 (Schema自动管理)", "JDBC/SQL")
Rel(metaflow, auth, "验证用户身份与权限", "OIDC")
Rel(metaflow, ai, "请求代码生成、SQL解释、逻辑优化", "REST API")

 

核心三剑客

  1.  Designer (设计态) ：这是给开发者用的 IDE。它的产物不是代码，而是 JSON Schema (元数据) 。

  2.  Runtime (运行态) ：这是一个通用的解析引擎。它读取 JSON，动态渲染出页面和逻辑。

  3.  Server (服务端) ：负责处理数据存储、API 转发和权限校验。

1.6 技术选型：工欲善其事****

这是一个经过深思熟虑的  "全栈 TypeScript"  组合，旨在降低上下文切换成本。

前端 (Frontend)****

框架：React 18 + TypeScript

状态管理：Zustand

拖拽库：dnd-kit

组件库：Ant Design 5

[提示] 架构设计 : 虽然 MVP 阶段选择 Ant Design 作为基础组件库，但我们会通过 Renderer 适配层 进行封装 (详见 Day 05)，确保 DSL 与具体 UI 库解耦，未来可平滑替换为 MUI、Element 等其他库。**

后端 (Backend)****

运行时：Node.js (NestJS)

ORM：Prisma

数据库：SQLite（MVP）；生产推荐：PostgreSQL

AI 集成****

SDK：LangChain.js

AI 工具准备****

- Claude：用于架构分析和竞品研究

- ChatGPT：用于代码生成和文档撰写

- GitHub Copilot：用于实时代码辅助

[√] 必做任务 (预计 30-60 分钟)****

任务1: 环境准备 (预计 20分钟)

  1. 安装 Node.js 20+ 和 pnpm

   ```bash

   # 检查版本

   node --version  # 应该 >= 20.0.0

   npm install -g pnpm

   ```

  1. 安装 VS Code + 推荐插件

   - ESLint

   - Prettier

   - Prisma (可选)

  1. 验收标准: 命令行能正常执行 node --version 和 pnpm --version

任务2: 思考MVP范围 (预计 15分钟)

  • 根据你的实际场景,填写以下表格:
我的场景必须有可以没有理由
_________________________

 

任务3: 选择学习路径 (预计 5分钟)

  • 根据前面"三种学习路径",决定你的学习节奏

  • 在日历上标记学习计划

[] 选做挑战 (预计 1-2 小时)***

1. 竞品分析: 试用 3 个低代码平台(如 Mendix, 铉铉宜搭, 华为 AppCube)

   - 记录优点和不足

   - 思考: 它们的MVP范围是如何界定的?

2. AI工具准备 (可选)

   - 注册 OpenAI/Claude API (或本地安装 Ollama)

   - 测试一个简单的 Prompt: "帮我设计一个设备巡检的数据模型"

请确认你已经:

  • 理解了低代码平台的三大价值: Data-First、AI-Assisted、Flexible Export

  • 明确了MVP范围界定的原则: 学会说"不"

  • 了解了油田设备维保场景的业务逻辑

  • 看懂了系统上下文图(设计器/运行时/服务端)

  • 确定了自己的学习路径和节奏

  • 完成了开发环境的基础准备

[提示] 如果上述任何一项不清楚,建议重新阅读对应章节**

1. 目标受众: 专业开发者(Pro-Code) + 技术型业务人员(Citizen Developer)

2. MVP边界: 不是"21天做完所有功能",而是"21个主题掌握完整知识体系"

3. 技术选型: 全栈TypeScript + SQLite(MVP) + Ollama(AI)

4. 贯穿场景: 油田设备维保系统(移动巡检+维修工单+闭环流程)

5. 核心理念: 先设计数据模型,再生成UI; AI是结对程序员,不是代替品

-  [Report] Low-Code and the Democratization of Programming: 了解低代码发展的宏观趋势

-  [Book] The Lean Startup by Eric Ries: 深入理解 MVP(最小可行性产品)的核心理念

-  [Article] 低代码平台的架构设计模式: 搜索相关技术博客

1.7 常见问题****

Q1: 为什么不直接用现成的低代码平台?

A: 本书目标是帮你理解架构原理,具备自主可控的能力。现成平台可能锁定你的技术栈、数据结构和业务逻辑。

Q2: SQLite能否用于生产环境?

A: 不建议。SQLite适合MVP和小型应用(并发<10),生产环境应使用PostgreSQL并启用RLS、连接池等企业级特性。

Q3: AI工具是必须的吗?

A: 不是必须,但强烈建议。AI能大幅提升开发效率。本地Ollama免费且隐私安全,是很好的选择。

Q4: 21天真的能学完吗?

A: 再次强调:"21天"是21个知识模块,不是严格的时间限制。你可以按自己的节奏学习,1周到1年都可以。

avatar
文章
阅读
粉丝