上周我接了一个中等复杂度的需求：在现有业务模块中新增一个时段售卖配置功能。
涉及表单设计、时间段校验、联动逻辑、接口对接——不算简单，但也不是什么高难度的活。
不同的是，这次我没有按传统方式一步步手动推进，而是用了一套我搭建了两个月的 AI 工作流系统，让 AI 作为执行引擎跑完了全流程。
结果是这样的：
| 阶段 | 耗时 | 产出 |
|---|---|---|
| 需求分析 | ~8 min | 结构化分析文档 + 10 条待澄清问题 |
| 设计文档 | ~4 min | 组件设计 + 数据流 + 修改文件清单 |
| 代码开发 | ~10 min | 创建分支 + 编写核心组件 |
| 单元测试 | ~21 min | 生成测试 + 发现并修复 2 个 Bug |
| 提测文档 | ~8 min | 完整提测文档（含影响面评估） |
| 合计 | ~51 min |
注意：以上时间包含我审核确认的时间，不含需求澄清的等待时间。
🤖 这不是 Copilot 补全代码
很多人听到"AI 辅助开发"，想到的是 Copilot 帮你补全一行代码，或者 ChatGPT 帮你写个函数。
我做的不是这个。
我做的是：让 AI 成为整个开发流程的执行引擎。
- AI 读 PRD，自动生成结构化的需求分析文档
- AI 分析现有代码结构，生成设计文档（含组件图、数据流、修改清单）
- AI 创建 Git 分支，按设计文档编写代码
- AI 生成单元测试，自动运行，发现 Bug 后自动修复
- AI 生成提测文档，自动回填分支名、修改范围、影响面
我全程只做一件事：在关键节点审核确认。
AI 说"需求分析完成，有 10 条待澄清问题，请确认"——我看一眼，确认。 AI 说"设计文档已生成，请确认方案"——我看一眼，调整一处，确认。 AI 说"代码已完成，单元测试发现 2 个问题已修复"——我 review 一下，确认。
人从"执行者"变成了"审核者"。
⏳ 传统方式要多久？
同样的需求，按传统方式：
| 阶段 | 传统耗时 |
|---|---|
| 需求分析（手写 Markdown） | 30-60 min |
| 设计文档（手写 + 画图） | 1-2 h |
| 代码开发 | 2-4 h |
| 单元测试（手写） | 30-60 min |
| 提测文档（复制粘贴） | 20-30 min |
| 合计 | 5-8 h |
文档类工作提效 80%+，整体流程提效约 60-70%。
🏭 这不是 Demo，是真实需求
我知道你在想什么："这是不是挑了个简单需求跑个 Demo？"
不是。这是一个真实的业务需求，有真实的 PRD、真实的代码仓库、真实的接口联调、真实的提测流程。
而且这套系统不是只能跑一次——它是一个可复用的工作流框架。换一个需求，输入新的 PRD 链接，同样的流程自动推进。
过去两个月，我用这套系统跑了 10+ 个需求，每次都在迭代优化。系统会自动学习我的偏好：哪些格式我总是修改的，下次就直接按新格式来。
🧠 关键不是 AI 多强，是流程设计
很多人觉得"AI 辅助开发"就是模型能力的问题——等 GPT-5 出来就好了。
不是的。
模型能力是地板，流程设计才是天花板。
同样的模型，给它一句"帮我写个组件"和给它一套完整的上下文（技术栈约束、编码规范、现有代码结构、设计文档），产出质量天差地别。
我做的事情本质上是：把开发流程中的隐性知识，编码成 AI 可执行的显性规范。
明天聊聊这套系统背后的设计理念——为什么前端开发 80% 的时间其实不在写代码，以及我是怎么用 AI 把这部分"干掉"的。
💬 如果你也在探索 AI 辅助开发工作流，欢迎评论区交流。完整技术方案稍后发出。
