不写PRD、不画原型、不搞技术方案——从一个想法到上线一个完整的微信小程序，我只用了AI和碎片时间。这篇不只讲我做了什么，更重要的是怎么做的方法论——你可以直接复用到自己的项目上。
先说结论：Vibe Coding的核心方法论
在展开细节之前，先把方法论讲清楚。这套方法论不只适用于我的项目，任何个人开发者用AI做产品都可以套用：
原则一：想清楚"做什么"，把"怎么写"交给AI
你的时间应该花在产品思考上——解决什么问题、核心体验是什么、用户路径怎么走。代码实现、数据处理、算法调优，这些让AI来。
原则二：先跑通再完美
不要一开始就追求完美架构。先用Mock数据跑通核心链路，确认体验OK，再逐步替换成真实实现。
原则三：对话式开发，快速迭代
跟AI的协作不是"写需求文档→交付代码"的瀑布流，而是高频对话：我说一句、AI做一步、我看效果、再调整。每轮迭代控制在5-10分钟。
原则四：让AI做重复劳动，你做决策
数据录入、格式转换、样板代码、调试排错——这些重复劳动全部交给AI。你只需要做那些需要判断力的决策。
第一步：技术选型（花10分钟想清楚）
Vibe Coding不代表不思考。技术选型要快速决策，但不能不决策。
我的选型思路是一句话排除法：
| 方案 | 一句话排除理由 | 结论 |
|---|---|---|
| App | 我没有iOS/Android经验，上架周期长 | ❌ |
| H5网页 | 无法调用设备振动、分享链路弱 | ❌ |
| 微信小程序+云开发 | 零运维、LBS原生、目标用户就在微信里 | ✅ |
方法论提炼： 个人项目选技术栈的核心标准不是"最优"，而是**"最快能跑通的"**。云开发让我不用关心服务器、域名、部署——少一个环节就少一个卡住的可能。
第二步：确定MVP功能（只做必须有的）
很多个人项目死在"想做的太多"。Vibe Coding的关键是快速验证，所以MVP只留核心链路：
选场景 → 帮你决定（随机推荐）→ 查看详情 → 导航过去 → 打卡记录
砍掉的功能： 评论系统、好友排行、积分商城、路线规划……这些都是"有了更好"但不是"没有不行"的。
方法论提炼： 问自己一个问题——"如果这个功能没有，用户还会用吗？" 如果答案是"会"，那就先不做。
第三步：数据先行（AI生成 + 人工校验）
一个推荐类产品，没有数据什么都是空的。但手动录入167个景点的详细信息？至少一周。
我的做法：
- AI批量生成：告诉AI"列出杭州适合带娃/约会/聚会的景点"，给出格式要求（名称、地址、坐标、品类、适合年龄、设施、标签等）
- 高德API补充：用坐标数据调高德API补充精确地址和周边信息
- 人工校验：抽检20%的数据确认准确性，修正明显错误
一天完成了原本一周的工作量。
方法论提炼： AI生成数据的正确姿势是"批量生成 + 抽样校验"，不是"逐条确认"。信任但验证（Trust but verify）。给AI明确的数据格式和字段约束，生成质量会高很多。
第四步：架构设计（让AI给方案，你做选择）
我没有自己设计架构。而是这样做的：
"我要做一个周末活动推荐小程序，微信云开发，需要这些功能……你帮我设计一下架构，列出需要哪些云函数、数据库集合、前端页面。"
AI给了方案，我做了两个调整就定稿了。
最终架构很简单——三层：
- 前端：5个页面 + 5个组件
- 云函数：6个核心函数
- 云数据库：4个集合
方法论提炼： 不要从零开始设计架构。告诉AI你的需求和约束，让它给初版方案，你只需要基于经验做微调。这比自己从白纸开始快10倍。
第五步：核心算法（与AI对话式迭代）
推荐算法是这个产品的核心差异化。我跟AI的协作过程是这样的：
第1轮对话： 我说需求
"用户打卡过的地方要影响后续推荐，去过博物馆就多推文化类。但不能一直推同一类，要有探索性。"
AI给了基础方案：品类打分 + 随机因子。
第2轮对话： 我提问题
"如果用户一年前喜欢游乐场，但最近都在去博物馆，怎么办？应该更关注近期偏好吧？"
AI引入了指数衰减模型（每次新打卡，旧偏好乘以0.85衰减）。
第3轮对话： 我提边界情况
"新景点只有一个人打了1星，评分就是1.0，太不稳定了怎么办？"
AI给了锚定基础分的方案（预设3个虚拟4分评价作为锚点）。
最终公式：
总分 = 评分分(30%) + 人气分(10%) + 偏好分(40%) + 鲜度分(15%) + 随机因子(5%)
三轮对话，算法从无到有。 每轮不超过5分钟。
方法论提炼： 跟AI讨论算法的最佳姿势是——"先说需求，再提问题，最后扔边界情况"。不要一次说完所有需求，分步迭代效果更好。AI很擅长基于你的反馈逐步完善方案。
第六步：开发节奏（碎片时间也能持续推进）
我没有整块的时间做这个项目，全靠碎片时间。能持续推进的关键是每次会话有明确目标：
| 时间段 | 可用时间 | 做什么 |
|---|---|---|
| 通勤路上 | 20分钟 | 想产品逻辑，记到备忘录 |
| 午休 | 30分钟 | 让AI写一个云函数 |
| 晚上哄娃后 | 1小时 | 联调一个完整功能链路 |
| 周末 | 2-3小时 | 集中处理需要调试的部分 |
方法论提炼： Vibe Coding特别适合碎片时间开发。关键是每次会话开始时，用一句话告诉AI你要做什么，让它快速进入上下文。比如："继续昨天的打卡功能，现在要加照片上传"。
第七步：体验优化（用户感知 > 技术完美）
功能做完不等于体验好。这里分享几个我用AI快速优化体验的具体例子：
优化1：让等待变有趣
"帮你决定"如果直接出结果，用户感知太快、没有仪式感。
让AI加的效果： 12帧老虎机滚动动画，间隔从80ms递增到230ms（缓出曲线），最后一帧触发手机振动。把"查询结果"变成了"开奖体验"。
优化2：让慢操作感觉快
照片上传要5秒，但用户不该等5秒。
策略： 选照片的瞬间就后台上传（预上传），点提交时照片早已传完。用户感知是"秒过"。
优化3：让失败无感知
GPS定位可能超时、天气API可能挂掉、云函数可能冷启动——但用户不需要看到任何错误。
策略： 每个外部依赖都有兜底方案。定位超时→用默认坐标；天气挂了→显示"晴天25度"；云函数不可用→降级到本地Mock数据。
方法论提炼： 体验优化的核心不是"技术上做到最快"，而是**"让用户感觉快"**。预加载、乐观更新、优雅降级——这三板斧可以解决80%的体验问题。告诉AI你的体验目标（而不是技术目标），它通常能给出很好的方案。
第八步：与AI协作的Prompt技巧
用了这么久AI辅助开发，总结几条实用的Prompt技巧：
技巧1：给上下文，不给实现
❌ "帮我写一个排序函数" ✅ "我在做一个景点推荐系统，需要根据用户偏好对景点列表排序，偏好数据结构是这样的……你帮我实现排序逻辑"
带上下文的prompt，AI输出的代码跟你的项目更契合。
技巧2：先让AI给方案，再要代码
❌ "直接帮我写推荐算法的代码" ✅ "我需要一个推荐算法，你先说一下设计思路和各因子权重，我确认后再写代码"
先对齐思路可以避免"写了一堆然后推倒重来"。
技巧3：贴错误信息时加上你的猜测
❌ "这个报错帮我看看：[报错信息]" ✅ "这个报错帮我看看：[报错信息]。我猜是云函数的权限问题，因为本地跑没问题，部署后才报错"
你的猜测帮AI缩小排查范围，解决速度快一倍。
技巧4：让AI生成测试数据
与其自己造假数据测试，不如："帮我生成10条不同场景的打卡记录测试数据，包含高分低分、有图无图、不同品类"。AI生成的测试数据覆盖面比你手造的全。
踩过的坑（附解决思路）
| 坑 | 现象 | 解决思路 |
|---|---|---|
| 定位超时 | 室内GPS冷启动10秒+ | 2秒超时+默认坐标兜底 |
| 云函数冷启动 | 首次调用3秒延迟 | Promise.all并发+预热 |
| HTTP图片被拦 | 线上图片不显示 | 前端+后端双重HTTP→HTTPS转换 |
| 开发环境不稳定 | 云函数偶尔不可用 | cloud.js封装层自动降级Mock |
| 照片上传慢 | 提交后等待5-6秒 | 选择即上传（预上传策略） |
方法论提炼： 大部分坑的解法都遵循同一个模式——"设置超时 + 准备兜底方案"。跟AI说"这个操作可能失败或超时，帮我加一个降级方案"，它就能帮你处理好。
项目成果
- 景点数量：167个（覆盖杭州主要遛娃/约会/聚会地点）
- 支持场景：4个（带娃、约会、聚会、独处）
- 景点品类：8大类（自然风光、主题乐园、文化教育、商业综合体、运动健身、创意手作、动植物园、城市公园）
- 开发方式：全程Vibe Coding，碎片时间推进
- AI贡献占比：约70%的代码由AI生成，我负责产品设计、Review和调整
总结：一套可复用的Vibe Coding工作流
把上面的步骤提炼成一套通用流程：
1. 想痛点（你自己遇到的问题就是最好的切入点）
↓
2. 定MVP（只做"没有不行"的功能，其他全砍）
↓
3. 选技术栈（标准：最快能跑通，不是最优）
↓
4. AI生成数据（批量生成 + 抽样校验）
↓
5. AI给架构（你只做微调，不从零设计）
↓
6. 对话式开发（需求→方案→代码→反馈→迭代）
↓
7. 体验打磨（预加载、乐观更新、优雅降级）
↓
8. 上线验证（先让身边人用，收集真实反馈）
Vibe Coding的本质： 把AI当作一个不知疲倦的技术搭档。你负责方向和决策，它负责执行和实现。门槛降低了，但思考不能少——"做什么"和"为什么这么做"，永远是人的工作。
下一篇，聊聊这个小程序上线后遇到的困境。
逐光·AI实战手记
