在现代前端开发中，利用 AI 辅助编程已成常态。近期，我们进行了一项技术实验：完全依赖 AI 模型（结合 Copilot 与 高阶 LLM）从零实现一个基于 @antv/g6 的复杂流程图（血缘图谱）功能。
本次实验旨在探究在缺乏详细接口文档、仅有截图和基础需求描述的情况下，AI 能否独立完成“端到端”的交付，以及由此带来的研发模式转变。
🛠️ 技术栈与实验背景
- 核心库：OpenSpec, AntV G6
- AI 辅助工具：Visual Studio Code Copilot + Claude Opus / GPT-Codex
- 输入条件：仅提供需求截图与简要描述
📊 关键指标分析：时间都去哪了？
实验结果展示了一个有趣的“时间倒挂”现象：
- 工具执行耗时（编码）：约 1 小时 包含代码生成、报错重试的时间。
- 效果及构件验证耗时（验收）：约 3 小时 用于人工 Review、样式微调及逻辑验证。
💡 洞察：AI 极大地压缩了“手写代码”的时间（仅需数次请求），但显著增加了“验证与纠错”的成本。对于开发者而言，工作重心从 Writing 转移到了 Reviewing 和 Debugging。
惊喜：AI 的高光时刻
1. 零冷启动成本，Mock 数据先行
在缺乏后端接口数据甚至没有接口文档的早期阶段，AI 展现了惊人的推演能力。它能够根据页面截图，快速给出一个结构合理的 Mock 数据方案。
- 价值：避免了前端在开发前期需要手动构造海量假数据的“返工”风险，让 UI 开发可以并行甚至先于后端接口定义进行。
2. 极速构建基座
AI 能够迅速生成页面骨架、组件结构以及流程图节点的初版代码。开发者可以基于这个“半成品”直接进行业务逻辑的填充，从而能够将更多精力聚焦于关键业务，而非重复性的脚手架搭建。
挑战：幻觉与理解偏差
尽管效率提升明显，但针对图形化界面（GUI）和第三方图形库的开发，AI 的表现仍是“好坏参半”：
1. “规范演进”中的幻觉 (Spec Evolution Hallucination)
这是本次实验中最具警示意义的发现。在从“需求简述（Proposal）”向“详细设计（Design）”转化的过程中，AI 出现了过度解读：
- 现象：原本需求中仅用于展示的“状态标签”，在经过 AI 的多轮文档迭代后，被错误地理解并实现为了“操作按钮”（如发布、下线按钮）。
- 教训：AI 会在补全逻辑时产生“脑补”，开发者必须严格审查其对业务意图的理解，防止功能范围蔓延（Scope Creep）。
2. 视觉还原的局限性
对于复杂的图形结构，AI 的一次性还原率尚待提高：
- 结构错误：如遗漏顶级节点、节点层级关系混乱。
- 样式偏差：初始生成的节点尺寸过大，或者忽略了图形编辑器常见的交互需求（如画布缩放功能）。
- 误读文档：有时 AI 会“过于呆板”，错误地将需求文档中的说明性文字（如“字段说明”）直接渲染成页面上的 UI 元素。
总结
AI 辅助前端开发在通用 CRUD 页面上表现卓越，但在领域特定的可视化场景中，仍需要人工的深度介入。
