一、做的是啥东西，有啥用
工作以来我一直在数据相关领域，给业务做过数据分析，也建过BI系统。上一代BI的典型特征是由IT做好指标、建好看板，然后业务用户在预定的范围内进行查询；后面有了ChatBI，但是用户自由度仍然有限，一个关键限制是传统BI都是独立应用，很难融入用户各种工作流程。
而在Agent时代，用户应该以Agent作为入口，应用和数据都是原子能力，由用户或者其Agent来决定如何分析数据、组织流程。基于这个想法，我做了一个轻量化的数据库语义网关 DatI (Data Intelligence): 只需接入数据库，配置语义元数据，发布为MCP服务，接下来就完全由用户决定如何使用它。
下面是一个数据分析的例子：
现有产品中定位类似的有 DBHub 和 MCP Toolbox，但是它们更多的是本地工具，在企业内使用，缺乏安全管控与语义信息。当前项目已开源 github.com/yimindev/da… ，感兴趣的话可以进一步了解，这里我们聊聊感受和折腾过程。
二、为啥要在业余时间折腾这个
核心动机就是 焦虑，一方面，近些时间AI编程的爆发式发展，作为开发者，会有非常大的不安感，主动拥抱它、并利用它来完成交付一个东西，能让自己可以稍微踏实点。
另一方面，日常工作中个人都是只负责一个小部分，很多时候缺乏挑战与成就感，会焦虑自身没有足够的成长，难以实现自身的价值。
而把它作为一个纯粹的业余个人项目，最大的好处是拥有100%的自主权，可以聚焦在真正对用户有价值的特性，而不用过多考虑商业价值、团队组织诉求等。
三、AI编程实录与踩坑总结
标题说花了大半年，实际项目从去年8月就启动了，算下来断断续续一年多了。去年靠古法编程，进展较慢，再加上拖延症，后来有一段时间就停滞了。直到今年采用Coding Agent，效率极大提升，才一鼓作气把东西做完整。
分享一下真实的模型花销与各工具体验：
- 模型上我的选型标准主要是便宜、不折腾：
- Minimax 2.5/2.7 (3-4月份，总花费 55元)：体验尚可，相比古法编程效率还是大幅提升，但后来 review 发现不少暗坑
- Kimi 2.6 (5月份，总花费 99元)：看中其多模态能力，想把前端做得精致点，实际体验中规中矩，并没有太惊艳
- Deepseek V4/V4.1 (6月至今，主力模型，总花费 201.2 元)：按需计费对于业余项目比较划算，使用体验也不错；不过有时候感觉有点啰嗦
- Gemini 3.7/3.8 (8月至今间断使用，淘宝 52元 包年，最划算)：最大特点就是快，肉眼可见跟其他模型不是一个速度；另外就是前端能力强，一些样式可以做得挺精致
- Coding Agent 体验：
- opencode：早期助力，成熟度最高、最稳定的开源选择
- pi：简单、干净、透明，上下文传递链路直观；使用/tree 可以省Token
- Antigravity：Gemini默认Agent，习惯TUI后，开始还不适应GUI，不过用多了后感觉GUI信息密度，操作友好上也有不少优势
- AI coding 策略：
- 坚持Review：虽然不少行业大佬有说 “不用看代码，把控架构即可”，但是我个人还是会审视代码，这样心里更有底，另外也确实一直能找到可改进的地方
- 自动端到端(E2E)测试：对开发效率和质量提升最多的一个经验就是让Agent自己执行端到端测试，相比UT，用例可读性高，而且能真正把流程串起来
四、欢迎探讨
相比开发，推广实际更难，对Data Agent有兴趣的可以关注下 DatI (Github: github.com/yimindev/da… )。对开源项目、AI Coding等方面有兴趣的也欢迎一起讨论！
