一个人开发全栈 SaaS，AI 编程到底帮了多少忙

天空110
11 阅读10分钟

我一个人做了一个全栈项目：后端 FastAPI + 前端 Next.js + 管理后台 Ant Design，外加一个独立部署的代理服务。四个子系统，二十张数据库表，从开发到上线到迭代，全程就我一个人。

不是炫耀，是想说：如果没有 AI 编程工具，这件事根本不可能。

但同时我也想说实话：AI 编程远没有某些文章吹的那么神。 它有非常强的地方，也有让你想砸键盘的时候。

今天就掏心窝子聊聊，AI 编程在真实项目里，到底帮了多少忙，又在哪些地方帮了倒忙。

帮了大忙的地方

1. 跨文件改动：一个需求，十个文件

全栈项目最烦的事情之一，就是一个需求涉及太多文件。

比如我要加一个"共享账号"功能，需要动的地方包括：

  • 数据库模型加字段
  • API 接口加参数
  • Service 层加分支逻辑
  • 账号分配器加新的分配策略
  • 前端定价页改文案
  • 管理后台加显示列
  • 文档更新

七八个文件，横跨 Python、TypeScript、Markdown 三种语言。

以前我的做法是：先在脑子里理清改动链路，然后一个一个文件改，改完再全局搜索确认没遗漏。一个下午就搭进去了。

现在我告诉 AI："加一个共享账号模式，一个账号可以分配给多个用户，由套餐的 max_concurrent_users 字段控制。"

它会：

  1. 先读现有的账号分配代码，理解当前逻辑
  2. 改数据库模型，加字段
  3. 改 Service 层，加共享分配的分支
  4. 改 API 接口，支持新参数
  5. 改前端组件，显示共享信息
  6. 最后还会问我："需要更新文档吗？"

十分钟搞定的事情，以前要半天。

关键不是速度快，而是不容易漏。人脑同时追踪七八个文件的改动链路，很容易遗漏某个调用方。AI 会主动搜索所有相关引用，逐个检查。

2. 数据库相关的体力活

写 SQL、改表结构、更新 ORM 模型——这类工作占了后端开发很大比例，但技术含量不高，主要是繁琐。

我的项目有二十张表。每次加新功能，经常需要加字段、改索引、更新关联查询。

以前的流程：写 SQL → 连数据库执行 → 改 SQLAlchemy 模型 → 改 Pydantic Schema → 改 API 返回值 → 改前端类型定义。一个字段，六个地方要同步。

现在我只需要说清楚业务需求，比如："给套餐表加一个 is_visible 字段，控制是否在前端显示，跟 is_active 独立。"

AI 会把从数据库到前端的整条链路都改了。我只需要 review 一遍确认没问题，然后去数据库执行 SQL 就行。

把"搬砖"时间压缩了 80%，把精力留给业务设计。

3. 调试：它会自己跑、自己查、自己修

这是 AI 编程最让我惊喜的能力。

有一次，用户升级套餐后还被限频。我把问题描述丢给 AI，它的排查路径是：

  1. 先读了 API Key 同步到缓存的代码
  2. 发现同步逻辑只写入了新配置，没清理旧字段
  3. 加了一行清理逻辑
  4. 检查所有调用这个方法的地方，确认没有副作用

从描述问题到修复完成，两分钟。 我自己排查，光理清缓存里存了哪些字段就得五分钟。

还有一次更狠：它写完一个功能后自己提出了并发风险——

"当前实现在高并发下可能有竞态条件。建议加行锁。"

它不仅发现了问题，还给了解决方案并修改了代码。这已经不是调试了，是代码审查。

4. 写文档和更新文档

程序员最讨厌写文档。但项目一复杂，没文档就是灾难。

我的做法是：每次做完一个功能，让 AI 更新相关文档。

比如改了订阅逻辑，我会说："把这次的改动更新到 docs/订阅逻辑.md 里。" 它会读现有文档，找到该更新的地方，精确修改，而不是重新写一篇。

这里有个关键设定：在项目配置文件里明确告诉它"如果已有类似文档，更新它，不要新建"。

否则你会发现文档目录里多出一堆重复文件：设计.md、设计-v2.md、设计-最终版.md……

帮了倒忙的地方

如果只说好的，那就是广告了。说说 AI 编程让我踩坑的地方。

1. 上下文一长就犯迷糊

这是最大的问题。

一个对话如果超过十几轮，AI 对之前讨论过的内容就开始模糊。你明明说了"这个字段叫 account_tier"，过了几轮它又给你写成了 tier。

解决办法是：复杂任务拆成小步。

不要一口气说"帮我实现整个支付系统"。而是分步来：

  • "先帮我写支付订单创建接口"
  • （确认 OK 后）"再写支付回调处理"
  • （确认 OK 后）"最后处理退款逻辑"

每一步都让它做完、确认、再下一步。虽然慢一点，但准确率高得多。

2. 有时候改着改着就"过度设计"了

AI 有一个倾向：你让它改一个小地方，它会顺手把周围的代码也"优化"了。

比如你让它修一个 bug，它会顺便加上错误处理、重构函数签名、给变量改名、加注释……

大部分时候这些"优化"是好的。但有时候它改了你没让它改的东西，引入了新的问题，而你又不知道它改了，等到出 bug 了才发现。

解决办法：养成 review 的习惯。

每次 AI 改完代码，花一分钟看一下 diff。重点看它是不是改了你没要求它改的文件。

3. 前端样式和交互，不如自己调

AI 写逻辑代码很强，但写前端 UI 的审美真的一般。

它能把功能写对——数据渲染对了、交互逻辑对了、API 调用对了。但样式和布局经常需要自己手动调。间距不对、颜色不协调、响应式有问题……这些细节 AI 把握不好。

我的做法是：让 AI 写功能逻辑和数据层，样式自己微调。

分工明确，各取所长。

4. 不了解你的线上环境

AI 对你的本地代码了如指掌，但它不知道你的线上环境长什么样。

比如我的数据库在腾讯云，缓存在美国服务器，代理部署在另一台机器。这些部署信息，AI 没法自己感知。

所以涉及部署和运维的操作，我都写成了脚本。AI 只需要执行脚本，不需要了解底层细节。

bash scripts/deploy-hk-api.sh    # 部署 API
bash scripts/deploy-proxy.sh     # 部署代理
bash scripts/deploy-hk-web.sh    # 部署前端

在配置文件里告诉 AI 这些脚本的存在，它就知道部署时该跑什么命令了。

我的工作流

聊了优缺点，整理一下我现在的日常工作流：

开始一个功能

1. 想清楚要做什么（这步 AI 替不了你）
2. 跟 AI 描述需求
3. 让它先出方案，我 review 方案
4. 确认后让它实现
5. 检查 diff，确认改动范围符合预期
6. 测试功能
7. 让 AI 更新相关文档

修一个 bug

1. 把报错信息完整贴给 AI
2. 让它自己排查和修复
3. 让它走完整个调试循环，不中途打断
4. 确认修复后，让它检查有没有类似问题

管理项目记忆

这一点很重要：在项目根目录维护一个配置文件，把项目结构、技术栈、部署命令、文档索引都写清楚。

这样每次开新对话，AI 读了这个文件就能快速了解项目全貌。不用每次都从头解释"我这个项目是干什么的"。

## 项目结构
| 目录 | 用途 |
|------|------|
| app/ | 后端 API（FastAPI） |
| web/ | 前端（Next.js） |
| admin/ | 管理后台（Ant Design） |
| proxy/ | 代理服务 |

## 部署
bash scripts/deploy-hk-api.sh   # API 服务
bash scripts/deploy-proxy.sh    # 代理服务

写一次，所有对话都生效。 这是 AI 编程效率最容易被忽视的加速器。

真实数据

分享一些我自己的体感数据，不科学但真实：

任务类型以前耗时现在耗时提效幅度
跨文件功能开发半天1-2 小时3-4x
数据库字段全链路添加2 小时15 分钟8x
Bug 排查修复30 分钟 - 2 小时5-15 分钟4-8x
写/更新文档30 分钟5 分钟6x
前端 UI 开发2 小时1.5 小时1.3x
架构设计和需求分析2 小时2 小时1x

可以看到，AI 在结构化、可重复的工作上提效巨大，但在需要创造力和判断力的工作上，提效有限。

架构设计和需求分析，我花的时间跟以前一样。因为这些事情的核心是"想清楚"，而不是"写出来"。AI 可以帮你写出来，但它替不了你想清楚。

给想尝试的人几个建议

  1. 从小任务开始。 别上来就让 AI 帮你写一个完整的系统。先试试修一个 bug、加一个小功能，感受一下它的能力边界。

  2. 养成 review 习惯。 AI 改完代码一定要看 diff。不是不信任它，是你需要知道它改了什么，这样出了问题才能快速定位。

  3. 写好项目配置文件。 把技术栈、项目结构、常用命令写清楚。这五分钟的投入，能省你未来每次对话的十分钟解释时间。

  4. 复杂任务分步做。 一步一确认，比一口气说完、最后返工强得多。

  5. 你是架构师，AI 是开发者。 你负责想清楚要做什么、怎么做，AI 负责高效执行。角色不能反过来。

最后

一个人做全栈项目，以前是不可能的——或者说，可能但很痛苦。

AI 编程工具把这件事变得可行了。它不是银弹，有明显的局限性。但在它擅长的领域，效率提升是实打实的。

我现在的状态是：80% 的时间在思考业务逻辑和产品设计，20% 的时间在写代码（大部分是 review AI 写的代码）。

这个比例，跟两年前完全反过来了。

关于 Claude Code 的使用

我日常开发用的是 Claude Code，一个跑在终端里的 AI 编程工具。文章里提到的所有场景——跨文件改动、自动调试、文档更新——都是它的实际表现。

国内直接用 Claude Code 有些门槛：注册、付费、网络环境。如果你不想折腾这些，可以试试 Code2AI（console.code2ai.codes），两行配置就能接入：

export ANTHROPIC_BASE_URL="https://code2ai.codes"
export ANTHROPIC_AUTH_TOKEN="你的token"
claude

新用户有 3 天免费试用。先写点代码感受一下，再决定是否值得投入。

标签：AI编程、全栈开发、独立开发、SaaS、Claude Code、开发效率、Code2AI

avatar
文章
阅读
粉丝