AI辅助开发故事
我是谁
薛小川，西安工业大学智能制造工程专业，2025年6月毕业。
入学前没有任何编程基础，本科阶段主要学习方向为机械、自动化与工程系统设计，而非计算机科学。
后来我逐渐意识到，健身这一过程与写代码、做系统工程高度相似：目标明确、问题拆解、持续迭代、接受失败、积累复利。
从100斤到130斤的蜕变
2021年10月，奶奶去世后两个月，我开始在宿舍健身，只持续了一个学期不到，没有系统训练，进步甚微。那时候我一百斤，瘦得跟麻杆似的。
2023年初期踏入健身房，经过两年半的坚持训练，我从100斤练到了130斤。初步发现系统科学性训练的好处，健身前一年，我和健身搭子林宁杰都是没有规划，练完就走，到了第二年才开始系统性的训练，从开始尝试三分化，推拉腿，学习各种博主方法计划建议，掌握循序渐进，理解饮食规划。
我在训练一年半的时候就已经深蹲125kg，硬拉130kg，卧推80kg，体重62.5kg，系数达到5.36，也不错了。不过受制于胸椎反曲，进步暂停，到现在一年多力量还在掉，尤其是开发后我没有去。
现在我就在想，如果一开始就有一个软件能帮助我规划少走弯路，方便记录，且还能避免因为我这种天生的体态问题出现伤病就好了。于是在毕业后一个月，我还在尝试考公，想到了这些，于是玉珍健身应运而生。
我是如何走上AI开发这条路的（真实起点）
大二下学期，我希望在课程《智能产品设计》中尝试一个基于摄像头的智能健身动作监控系统。当时我几乎不具备任何算法或工程实现能力，项目最终依赖团队协作完成基础功能。在这里需要特别感谢舍友张金豪对核心功能实现的帮助。
但在课程展示与沟通中，导师误以为该系统主要由我完成。基于这一判断，导师在大三下学期建议我承担一个计算机相关方向的毕业设计任务。
这是一次客观存在的误判。以我当时的真实能力，直接承担计算机视觉与算法密集型毕设，并不匹配。但在那个节点，我选择没有回避，希望用结果来证明自己。
被推入计算机毕设后的现实处境
毕业设计方向逐步确定为：《人脸微表情与意图辨识系统设计》。
在正式推进前，我主动向高中同学刘星辰（人工智能专业）请教学习路径，并尝试补充计算机视觉与深度学习的基础知识。
很快我意识到一个现实问题：微表情识别本身就是计算机视觉中的高难度细分领域；"意图辨识"意味着系统级建模、多源信息融合与推理逻辑；我仍然隶属于机械大类，毕业设计必须完成A0图绘制与完整系统方案设计；在半年不到的时间内，仅依赖传统自学路径，客观上几乎不可能完成。
项目初期，我甚至无法独立完成 opencv-python 的安装与环境配置。但任务并不会因为个人能力不足而降低复杂度，我只能一边补基础，一边推进系统。在这一阶段，我开始将AI辅助工具视为必要条件，而非可选项。
毕业设计的技术内容与完成边界
我使用的是RTX 4060笔记本显卡，显存与算力都受到严格限制。微表情识别模型经历了多轮被现实条件"推翻"的迭代，最终在算力与时间双重限制下，采用CNN + LSTM的两阶段结构，以较低配置完成时序建模与实验验证。
我的毕业设计围绕"微表情是否能够用于情绪与意图推断"这一问题，进行系统性探索：基于CNN + LSTM的微表情时序建模、宏表情与微表情的对照分析、基于FACS动作单元（AU）的生理约束验证、使用Dempster–Shafer证据理论进行多源信息融合。
在标准数据集与受控环境下，微表情识别准确率达到76.2%。
需要明确说明的是：受限于当时的硬件条件与现实环境，未完成真实硬件部署；系统仅在计算机环境中进行模拟与验证。因此，我对该项目的客观定位是：一次完整的方法论与系统架构验证，而非工程终态产品。
一句话总结（方法论核心）
"这个过程不是在证明我有多强，而是在证明：一个普通个体，在正确使用AI的前提下，能够完成多大复杂度的系统工作。"
开发数据
2025年12月11日开始规范开发，引入Git版本控制
9月到11月是探索期，没用Git。12月开始规范化，不到一个月完成主要功能。
AI在这一阶段的真实作用
在完成毕业设计的过程中，我开始大量使用AI辅助工具（ChatGPT、Claude、DeepSeek、Kimi等）。
AI并未替我完成核心判断，而是承担了以下角色：降低跨学科学习的理解成本、协助拆解高复杂度系统问题、在工程实现与理论理解之间提供快速对照。
我逐渐形成了一种稳定的开发认知：AI可以显著压缩学习与试验周期，但系统判断、架构设计与取舍，必须由人完成。
在这一阶段，我还系统性使用并对比了多种工具链：Cursor、Trae、Augment、Windsur、Kiro、Claude、Claude Code、GLM、Minimax等。这些工具并未"自动完成系统"，但在公开知识可获取的前提下，使我能够快速理解陌生领域、验证思路可行性、在受限条件下完成部分实现。
这一过程，构成了我后来进行独立开发、系统搭建与运维能力的基础。
从毕业设计到「玉珍健身」
2025年8月毕业后，我决定将过去在计算机视觉、系统建模与AI辅助开发中形成的方法，迁移到一个我长期真实使用的场景——健身。
当前的健身AI应用，并不是一次与过去割裂的尝试，而是：对未完成工程化部分的自然延续、对AI辅助个人开发可行性的持续验证、对系统设计能力在真实产品中的再次落地。
踩过的坑
1. 直接复制AI代码，不理解原理
早期我直接复制AI生成的代码，遇到bug完全不知道怎么调。后来学会了：每一行代码都要理解为什么这样写。
2. 架构设计混乱，反复重构
没有整体规划就开始写，写到一半发现架构不对，推倒重来。从v1到v5，重构了好几次。
3. 不写测试，改一个bug出三个
早期没有测试，改代码全靠手动验证。后来加了单元测试，才稳定下来。
4. 不写文档，过几天自己都看不懂
代码没注释，过一周自己都忘了为什么这样写。现在养成习惯，边写代码边写文档。
5. 盲目追求新技术
频繁更换技术栈，引入不成熟的库。后来明白：稳定性比新颖性更重要，不要为了炫技牺牲用户体验。
AI辅助开发的正确姿势
1. 明确需求，不要让AI猜
不要说"帮我写一个健身应用"，要说清楚具体功能、技术栈、数据结构。需求越清晰，AI给的答案越准。
2. 分步实现，不要一次性完成
把大任务拆成小步骤。先实现向量检索，再实现图谱检索，最后整合。一步一步来，出错了好排查。
3. 理解原理，不要盲目复制
要求AI解释代码逻辑，自己动手修改和优化。AI给的代码经常有问题，你得能判断哪些能用。
4. 建立规范，保持一致性
用ESLint、Prettier统一代码风格。每次让AI生成代码，风格都不一样，后期维护很痛苦。
5. 善用工具，提高效率
AI助手（Claude、ChatGPT）+ 代码质量工具（ESLint）+ 测试工具（Vitest）+ 版本控制（Git）。工具链完整，效率翻倍。
给零基础开发者的启示
1. 零基础不是障碍，而是优势。没有固定思维，更容易接受新概念，更愿意尝试新工具。
2. AI是最好的老师。24小时在线，耐心解释，不会嫌你问题简单。遇到不懂的，直接问。
3. 从小项目开始。第一个月学基础语法，第二个月做Todo应用，第三个月学框架，第四个月做完整项目。
4. 不要害怕犯错。我重构了好几次，踩了无数坑。每个坑都是一次学习机会。
5. 建立自己的知识体系。写博客、做笔记、写文档。记录下来，以后用得上。
6. 保持学习。技术永远在进步。每天学一点，积少成多。
开发历程：从想法到三端系统
第一阶段：探索学习期（2025年9月-11月）
v1.0.0 项目启动 - 创建基础项目结构、用户注册登录、动作库基础功能
挑战：零PHP基础边学边做、不懂前后端分离架构、数据库设计混乱
第二阶段：架构重构（2025年11月）
v2.0.0 DAML-RAG框架重构 - 引入Neo4j知识图谱、Qdrant向量检索、三层检索引擎
关键决策：放弃简单RAG，自研DAML-RAG框架满足健身领域专业性要求
第三阶段：规范开发期（2025年12月11日起）
v3.1.0 实现完整11步工作流程 - LLM决策层 + 程序执行层 + LLM综合层
效率革命：28天完成799次提交，平均28次/天，完成29个Spec任务
第四阶段：三段式架构完整实现（2025年12月）
v5.0.0 - 18个Python内置MCP工具、13个DAG模板、流式响应和监控体系
开发速度：18个MCP工具7天完成、13个DAG模板3天完成、流式响应系统5天完成
第五阶段：前端重构（2026年1月）
v1.0.0 shadcn-vue前端重构 - 废弃v2项目、统一组件风格、实现PWA离线功能
重构效率：前端完全重构5天完成、160+个单元测试2天完成
Git开发日志（实打实的佐证）
799条提交记录，每一条都是真实的开发痕迹
加载提交记录...
AI效率提升数据
这些数字是我的个人体验，基于实际开发记录
| 开发阶段 | 传统开发时间 | AI辅助时间 | 效率提升 |
|---|---|---|---|
| 基础功能学习 | 3-6个月 | 2周 | 10倍 |
| 架构重构 | 6-12个月 | 3周 | 15倍 |
| 三端系统开发 | 6-12个月 | 不到1个月 | 20倍 |
| MCP工具开发（18个） | 1-2个月 | 7天 | 5倍 |
| 前端重构 | 3-4周 | 5天 | 5倍 |
| 文档体系建设 | 2-3周 | 3天 | 5倍 |
核心数据汇总
目前做到了什么
实事求是，不夸大
还有很多功能没做完，还有很多bug要修。但至少，它能用了。