用 AI 替你写一封给阿嬤的家书。项目本身很简单，但从模型调用、云函数、数据库、静态托管到一键部署，全部基于云开发，AI 工具使用云开发提供的大模型完成。 本文不以功能为重点，而是以工程化思维为线索，拆解一个应用从构思到上线的完整链路。
一、爱在心口口难开
二刷《给阿嬤的情书》，依旧眼泪汪汪，推荐大家去看！
电影里，谢南枝替人写了一辈子侨批。那些来找她的同乡，并不是没有话说，只是不知道怎么把心里话落到纸上。
隔着山海，隔着谋生的日子，隔着一张薄薄的信纸，一句“我想你”常常要绕很远，才敢写出来。
云开发团队做了一个小应用，叫「给阿嬤的情书」。
由 AI 为你落笔家书，不编造虚假情节，只收拢你细碎零散的点滴倾诉，规整成一封完整可寄、适宜分享的家书。
二、产品闭环
产品流程：填称呼、选关系、填写内容、选风格，AI 生成后可分享或投递树洞。
用户输入往往只有几句零散的话：
阿嬤，我很久没回家了。小时候你总在巷口等我放学，给我做橄榄菜配白粥。我现在工作很忙，但很想你。
AI 生成的目标不是模板化地写一句“亲爱的阿嬤我非常想念您”，而是围绕用户提供的真实细节展开：
阿嬤，见字如面。
近来天热，不知你胃口可还好。
我常想起小时候放学，远远看见你站在巷口，手里像总有一碗白粥等我。那时候只觉得橄榄菜香，如今才知道，原来那是有人惦记的味道。
我在外头一切都好，只是忙起来时，总觉得日子过得太快，快到连一句想你都常常忘了说。
阿嬤，等我回去，再陪你吃一碗白粥。
写信完成之后，即可到分享页面，将信件分享给他人，或者投递到公共树洞。
三、工程链路才是真正的考验
「给阿嬤的情书」看起来只是一个超轻量级网页应用，但从产品搭建到产品上线，不可避免地面临以下工程问题：
-
模型调用 前端不能直接暴露模型 Key，需要服务端代理。
-
Prompt 编排 不同关系、不同风格、不同输入内容，需要在服务端统一拼装请求。
-
结构化输出 模型返回内容需要可解析，不能只返回一段自然语言。
-
数据持久化 生成后的信件需要入库，才能被分享页和树洞再次读取。
-
访问链路 分享链接需要根据
id还原完整信件。 -
内容安全 开放输入需要处理不合适的称呼和表达。
-
部署编排 云函数、环境变量、前端构建、静态托管需要一次性部署到位。
如果拆分能力独立搭建，项目会离散为：模型 API、Node 服务、数据库、对象存储、静态托管、CI/CD、环境变量管理等多个模块，运维复杂。 本项目采用云开发一体化建设，全链路收口统一实现：
-
云函数 负责服务端逻辑，包括模型调用、Prompt 编排和返回解析。
-
云开发 AI 网关 负责接入大模型。
-
NoSQL 数据库 负责保存每一封生成后的信。
-
静态托管 负责承载 React 前端。
-
CodeBuddy 负责把开发、调试、部署串起来。
它表面上是一个"写信"应用，实际跑通的是一个完整的 AI 应用工程闭环。
四、云开发：应用能调，AI 工具也能接
在 AI 应用开发里，云开发更关键的价值，是把模型能力也纳入同一个开发环境。
项目中，loveletter 云函数通过云开发 AI 网关调用 hy3-preview 模型生成信件正文。
云开发 AI 网关兼容主流 AI 协议，调用方式接近常见的大模型 API：配置 Base URL、API Key、Model Name 即可请求。
云开发 AI 网关支持多种主流协议：
| 协议 | 适合场景 |
|---|---|
| Chat Completions | OpenAI 兼容，适合大多数文本生成场景 |
| Responses API | OpenAI 新一代接口，适合更复杂的状态管理 |
| Anthropic Messages API | Claude 原生协议，适合 Claude 生态工具 |
这意味着，除了应用里的云函数可以调模型，任何支持自定义模型端点的 AI 编程工具都可以通过云开发 AI 网关调用模型。
其中 CodeBuddy 原生集成了云开发，开箱即用，可以直接部署云资源。
其他工具如 Cursor、Claude Code、Codex、Trae、Cline、GitHub Copilot 等，只需配置 Base URL 和 API Key 即可接入。
五、云函数：用服务端代理模型调用
项目核心云函数 loveletter。它接收前端传来的 to、relation、words、style，在服务端完成 Prompt 编排，然后请求云开发
AI 网关。
const ENV_ID = process.env.TCB_ENV || process.env.SCF_NAMESPACE;
const AI_ENV_ID = process.env.AI_ENV_ID || ENV_ID;
const AI_BASE_URL = `https://${AI_ENV_ID}.api.tcloudbasegateway.com/v1/ai/cloudbase`;
const AI_API_KEY = process.env.AI_API_KEY;
const MODEL = 'hy3-preview';
async function generateLetter(messages) {
const resp = await fetch(`${AI_BASE_URL}/chat/completions`, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
Authorization: `Bearer ${AI_API_KEY}`,
},
body: JSON.stringify({
model: MODEL,
messages,
temperature: 0.8,
max_tokens: 2000,
}),
});
if (!resp.ok) {
const text = await resp.text();
throw new Error(`AI 网关返回 ${resp.status}: ${text}`);
}
const data = await resp.json();
return data.choices?.[0]?.message?.content?.trim() || '';
}
服务端代理带来的工程收益：
-
AI_API_KEY放在云函数环境变量中，不暴露到浏览器侧。 -
前端只调用云函数，不直接请求模型网关。
-
Prompt 编排、结构化输出解析、内容审核都可以在服务端统一处理。
-
模型生成结果可以直接写入云开发 NoSQL。
-
数据库返回的
_id可以作为分享页和读信页的唯一入口。
前端调用保持轻量：
const res = await cloudbase.callFunction({
name: 'loveletter',
data: {to, relation, words, style},
});
const result = res.result;
const content = typeof result.body === 'string' ? JSON.parse(result.body) : result;
用户看到的是一封信；技术实现上，是云函数、AI 网关、数据库和前端路由之间的一次完整协作。
六、上线流程编排化
AI 应用部署涉及多个步骤：云函数部署、环境变量注入、前端构建、静态托管上传。
CodeBuddy 和云开发集成后，可以把这些步骤编排起来。在 CodeBuddy 中直接说：
帮我部署本项目。
它会执行：检查云开发环境、部署云函数、注入环境变量、构建前端、上传静态托管、输出访问地址。
云开发把 AI 应用需要的后端能力收在一起，CodeBuddy 再把这些能力接入开发与部署流程。
七、Prompt 约束
模型、后端和部署跑通之后，信写得好不好，仍然取决于 Prompt 设计。
本项目不希望生成“标准、空泛、煽情”的 AI 作文，因此在 loveletter 中对风格做了明确约束：
const STYLE_HINT = {
warm:
'基调：温情家书。' +
'语言质朴克制，不堆砌形容词，用具体的生活细节代替空泛抒情。' +
'比如写"前日晚饭烤番薯，三个孩童吃得欢喜"，而不是"我非常想念你"。' +
'句式偏短，口语化但不粗糙，带一点文言的温润感。' +
'每段只写一件小事或一个牵挂，段与段之间留白。',
};
这里最重要的不是“写得感人”，而是把产品希望呈现的内容质感拆成可执行规则：
- 忠于用户输入，不凭空编造。
- 用生活细节代替抽象抒情。
- 句子短一点，留白多一点。
- 可以润色，但不要把别人的回忆写假。
- 不让模型自由发挥到偏离产品定位。
Prompt 是产品规则的一部分。前端负责交互体验，云函数负责服务端编排，Prompt 则负责定义生成内容的边界。
小结
本项目功能明确：写一封家书。
但值得展开的不是"AI 可以写信"，而是这句话背后的工程链路：
-
云开发把模型接入、Serverless 运行时、数据存储、静态托管收敛到同一个环境，避免能力离散。
-
云开发 AI 网关同时服务应用端和开发端，模型、鉴权、额度可以统一管理。它既可以通过 SDK 在服务端调用，也支持接入各类 AI 编程工具（查看完整列表），配置 Base URL 和 API Key 即可使用。
-
CodeBuddy把云资源部署编排进开发工作流，从"代码写好了"到"项目上线了"通过一条指令完成。
AI 应用开发多出的不只是一个模型接口，而是模型接入、后端、数据、托管和部署被重新放到了一条链路里。
下篇继续讲更细的工程问题：结构化输出如何保证稳定解析，如何把称呼规范和内容边界写进模型调用，以及 AI 工具通过一条指令完成部署背后的工程化流程。
