月亮有石头

通过标准化 AI 辅助编码流程，提升团队开发效率。通过统一的请求与输出模板，确保编码规范、流程清晰、可审计。团队在 Dify 中建立最小 FE 工作流，版本化 Prompt，固定Schema。

接手Flutter项目时，开发者面临版本兼容性、依赖问题和构建错误等挑战。确保工具版本一致、正确配置依赖、解决平台差异和构建问题，能够提高开发效率并减少错误。

对比了 Flutter 与传统前端框架（如 Vue 和 React）在 构建、调试 和 平台兼容性 方面的差异，Flutter 的构建流程、依赖管理、AOT 编译和原生应用签名等关键概念。

本文探讨了大语言模型（LLM）在前端与后端开发中的应用与取代可能性。虽然AI可以自动化前端中的标准化任务（如UI布局生成、代码补全），而后端开发中的结构化任务如API设计、数据库优化更容易被AI取代

当 AI 能写代码后，真正的挑战不再是 prompt，而是工程治理。本文提出用 AGENTS.md 将工程规范前置为可审计、可复用的资产，并给出一个跨工具的最小实践 playbook。

会让 AI 写代码，并不等于真正入门。本文从工程视角拆解前端开发者使用 AI 的能力层级，指出只有将 AI 纳入工程链路，用上下文、规格与验证闭环对抗幻觉，才能实现稳定、可回归的工程化交付。

从前端工程全流程出发，系统拆解 AI 在各环节的能力与边界，提出以 Spec 驱动、工程链路兜底的使用范式，帮助团队安全、可规模化地引入 AI。

结合工程实践，提出一种更稳妥的方式：通过 Template + Spec + Generator，把 AI 的不确定性纳入工程流程，实现可审计、可回滚、可规模化的中后台页面开发，并给出一条可进化的实践

从一个常见的“子表单校验 + 组装 payload”示例出发，对比了初级（面条式写死）、中级（按模块抽工具函数）、高级（模板方法 + 策略的通用 getPayload），到架构阶段的演进过程。