WALL-E

用 AI，把一个想法做成平台

WALL-E 项目 · AI Vibe Coding 开发经验分享
张晨林2026/6/28
⏱ 约一个半月 📦 1,592 次提交 🏷 200+ 版本 👤 一名非专业开发者主导
翻页：↓↑ 或 →← 或 PgDnPgUp　·　跳转：点击左侧目录
开场 · 01

一页看懂这个项目的规模

从 2026-05-12 到 06-28，约 47 天 / 6.7 周。全程由一名非专业开发者用自然语言主导、AI 执行——产出的不是 demo，而是一套已上线、带 4,000+ 自动化测试的企业级平台。

1,592
git 提交（峰值单日 94 次）
200+
带版本号的发布迭代（v0.2 → v4.3.3）
156
AI 对话会话
1,051
条人工指令（≈ 51 万字）
10.5万行
应用代码（Python 6.1万 + 前端 4.4万）
4,079
项自动化测试（458 个测试文件）
13
条业务工作流（含 AI 智能体）
31,875
AI 响应轮次 · 14,759 次工具调用
一句话：这是一个"会写需求、不会写代码"的人，用对了方法之后，独立交付的一套软件平台。后面三章拆解它是怎么做到的。
01 / 18
PART 1

AI 开发经验总结

作为非专业开发者，在 AI Vibe Coding 里反复打磨出的两类习惯——把算力用到极限，把质量焊进流程。
① 如何极限地使用 Token ② 如何在高频互动中保证质量
02 / 18
极限用 Token · 03

(a) 双峰指令法：想清楚一次说透，推进只用一个词

把 1,051 条指令按长度统计，呈现明显的"双峰分布"——要么是一份想透了的长简报，要么是一个字的推进口令。中间地带很少。这正是 Token 利用率最高的形态。

峰值一 · 长简报 🧠

54 条 > 1,500 字，最长 30,612 字一次发出

把背景、目标、约束、不可破坏项、验收口径、甚至"别动哪些文件"全部在一次说透 → AI 一轮就能拿到完整上下文，省掉来回追问的 Token。

"按 C 方向出设计和开发计划……零 schema、零回归、不要破坏旧行为，先列设计决定再实现"

峰值二 · 一字口令 ⚡

417 条指令 < 30 字（占 40%）
commit ×19　·　commit this ×15
retry ×7　·　go on ×6　·　继续
目检通过，更新 changelog　·　收工

方向已经在长简报里说死，过程中只需极短口令推进，几乎不消耗输入 Token。

背后的取舍：前期多花力气"写清楚"，是为了让中后期"几乎不用解释"。Token 不是省在某一句话，而是省在不必发生的反复沟通上。
03 / 18
极限用 Token · 04

(a) 上下文卫生 + 重活外包：让主线程永远精简

长对话最大的 Token 黑洞是"上下文越滚越胖"。应对方式是把上下文当成需要主动打扫的资源，并把"读十个文件才能回答"的重活丢出主线程。

🧹主动清场

/clear ×106、/compact ×52。一个任务做完立刻清、大任务开工前先压缩——主线程上下文长期保持轻量、便宜、专注。

🛰重活外包给子 Agent

约 19% 的指令在调度子 agent / 并行 / worktree。"读一堆文件做实现"这种重活在独立上下文里完成，主线程只接收结论，不接收文件内容。

📂文档即外部记忆

设计/计划/账本落盘成文件，不靠对话记忆。换会话、换 agent 也能秒接续——上下文丢了不心疼，文件还在。

把算力当连续资源管理：指令里多次出现"配额恢复就继续""先 compact 再执行""subagent 开发、中间不要停"——这是一种把 Token / 配额当成一条流水线去调度的意识，而不是"想到哪问到哪"。
04 / 18
质量保证 · 05

(b) 把"纪律"前置成一条固定流水线

高频互动最大的风险是"快而碎、改着改着就崩"。应对方式不是放慢，而是让每一次迭代都跑同一条流水线——快，但每步都有闸门。

💡需求澄清brainstorm
→
📐设计文档spec 落盘
→
🗂实现计划拆任务
→
🧪TDD先写测试
→
🤖子Agent实现不停顿
🔍整体 Review对抗式审查
→
✅全量回归4,079 测试
→
👀人工目检浏览器/Excel
→
🏷升版+changelog记录
→
📦重打包出 exe
数据印证：指令里 20% 谈"设计/计划先行"、14% 谈"全量回归/测试"、13% 谈"review/评审"、16% 谈"升版"。"目检通过"几乎是每个版本收尾的固定动作——人是最后一道闸门，AI 跑得再快也要过人这一关。
05 / 18
质量保证 · 06

(b) 用"契约 + 记忆"对抗 AI 的健忘与漂移

AI 会忘、会自作主张、会改 A 弄坏 B。两个机制把它焊住：把业务铁律变成可执行契约，把项目知识变成跨会话记忆。

📜不变量即契约（Invariants）

每条不能被破坏的业务铁律都写成一条 pytest 契约——光需求管理一条流程就累积了 INV-RM-1…137 等上百条。

  • "同作用域内一个能力只能被一个需求占用"——写成测试
  • "导入必须事务原子、失败全回滚"——写成测试
  • 谁改算法改坏了，红灯当场亮，不靠人记得

"零回归"是硬承诺：新功能默认不许动旧行为。

🧭文档即长期记忆

CLAUDE.md / CHANGELOG / memory 三件套，让任何一个新会话开局就知道：项目是什么、有哪些坑、上一版改了啥。

  • 242 份设计/规范文档，约 15.6 万行
  • 每次升版同步更新，决策与踩坑都留痕
  • 连"schema 版本号改了别忘了同步这 12 处"都做成钉子注册表自动校验
核心理念：不要求 AI "聪明到不犯错"，而是搭一张网——犯了错也立刻被测试和文档接住。高频迭代才敢一直踩油门。
06 / 18
PART 2

开发效率对比

数百次迭代到底啃下了哪些真正的硬骨头？同样的工作量，传统人工模式要花多久？
① 攻克的技术与架构难点 ② 实际 vs 传统人工耗时
07 / 18
技术难点 · 08

(a) 啃下来的硬骨头——不是 CRUD，是真·难题

这套平台里有几块工作，即便对专业团队也是有挑战的集成与工程难题：

🌉离线 AI 桥接层

内网大模型没有官方 API。自研一层把它封装成 OpenAI 兼容接口（自己处理 SSE 流、会话、提示词协议、重试/中断），再用它去驱动开源终端 Agent opencode——而且全程断网可用。

🛡Agent 安全围栏

让 Agent 帮你跑分析，又必须保证它不能删文件、不能越界读。做了命令分类器 + 路径围栏 + 会话级最小权限 + 受信脚本白名单——"放手干活，但守住红线"。

🏢多租户内网部署

从单机工具升级为局域网多人协作：实例隔离、认证/会话/登录限流、按"领域空间"隔离数据、子账户共享同一份主数据、ZIP 一键迁移。

📦离线优先打包

PyInstaller + Inno Setup 一键出安装包，外加离线 Python 环境注入——分发到一台从未联网的内网电脑上，双击即用。

08 / 18
架构韧性 · 09

(a) 架构韧性——经得起 200 多次连续迭代

能改两百多个版本而不塌，靠的是一开始就立的架构纪律：注册表驱动、分域纯函数、共享层零侵入。

🗄数据库演进 + 审计

SQLite schema 一路平滑迁移到 v31，自带向后兼容迁移、操作日志、墓碑/冲突隔离——线上数据跟着版本走，不丢不乱。

🔀需求全生命周期引擎

需求从填报、比对、流转到下达的状态机 + 多模板导入比对引擎（用 difflib 做字段级 diff，不靠 AI 也精准）。

🧬Git 式三方离线合并

为多人离线协作做过一套 git 风格的三方合并 + 写回（UUID / 墓碑 / 冲突隔离）——这是分布式系统里的经典难点。

📊纯手写前端可视化

数据驱动的指标墙（可拖拽分栏布局）、SVG 趋势图、甘特图——4.4 万行 vanilla JS，不引任何框架，体积小、可控、稳定。

架构红线（始终成立）：加新工作流只往注册表加一项 + 起独立子包，从不改共享层。正是这条纪律，让 200 多次迭代之间几乎没有"牵一发动全身"。
09 / 18
效率对比 · 10

(b) 同样的产出，传统模式要多久？

用代码量、测试量、功能复杂度做一次数量级对照（非精确测算，仅供直观感受）：

⚡实际（AI 模式）

  • 约 6.7 周（47 天）
  • 1 名非专业开发者 + AI
  • 1,592 次提交 · 200+ 版本
  • 10.5 万行代码 + 4,079 测试
  • 全程可上线、可分发

🏗传统人工估算

  • 按"已设计·已测试·已集成·已文档化"的复杂企业系统约 50–150 行/人天计
  • 10.5 万行 ÷ 该速率 ≈ 800–1,000 人天
  • ≈ 3–4 人小团队 × 8–14 个月
  • 或 1 名资深全栈 × 2–3 年
≈ 10–20×
相对传统模式的时间压缩量级
1 → N
一个人，干出一个小团队的活
0 → 1
非专业者从"做不出"到"独立交付"
最关键的一点不是快 10 倍：传统模式下，一名非专业开发者面对"离线 AI 桥接、多租户、Agent 安全围栏"这类难题，大概率根本无法独立完成。AI 带来的首先是可行性，其次才是速度。
10 / 18
PART 3

AI 赋能业务的模式

我们没有止步于"用 AI 写代码"，而是把 AI 能力直接嵌进需求管理与过程分析的业务里。
① AI 如何赋能业务 ② 相比传统需求/资产管理的优势
11 / 18
AI 能力地图 · 12

(a) AI 嵌进了需求工作的每一个吃力环节

凡是"靠人脑记忆 + 反复交叉核对"的脏活累活，都交给 AI：

🧩需求项拆分

上传一批需求，AI 按"同作用域唯一占用"规则自动关联到二级能力 + ≤3 个 IT 功能。原来要人逐条对字典。

✍️需求项扩写

从标题 + 简述自动扩写出规范正文，可按关联 IT 功能展开，并附标题质量检查。

🔎合规 / 标题检查

自动揪出表述不具体、夹带 BUG/缺陷关键词等问题。

🎯里程碑 AI 识别

从一堆需求项里自动归纳月度里程碑，喂进目标追踪甘特图。

🔗AI 辅助关联目标

把需求项与公司级/项目组级目标智能挂接，人只需裁决。

🛰智能分析 Agent

对一个投产批次做系统协同关系分析，自动产出 CSV 清单 + 科技风 HTML 汇报。

共同点：这些不是"聊天框里问 AI"，而是把 AI 调用沉进业务按钮背后——用户点一下"拆分/扩写/分析"，AI 在后台流式干活、人来把关结果。
12 / 18
范式升级 · 13

(a) 从"AI 调用"到"AI Agent"：让 AI 当分析师

最新一步，是把 AI 从"按提示词生成一段文本"升级为"能自己动手做分析"的智能体。

📸只读数据快照AGENTS.md + CSV/JSON
→
🧰加载随包 Skill协同分析技能
→
🐍自己跑脚本抽取·渲染·出 PDF
→
📑产出报告CSV + HTML + PDF

🤝Agent 自主作业

给它一份脱敏的项目数据快照 + 一项专门的分析"技能"，它会自己决定调哪些脚本、产出什么报告——人只下一句"帮我做这次投产的协同关系分析"。

🔐放手但守红线

同时用安全围栏 + 受信脚本白名单兜底：只放行运行随包的可信脚本，不放行删文件、不放行读项目外的任意数据。能力与安全同时成立。

意义：这已经不是"AI 帮我补全代码"，而是"AI 帮我做一个分析师才会做的活"——这正是 AI 赋能业务的天花板被抬高的地方。
13 / 18
展望未来 · 14

软件的形态在变：从"重型系统"到"本地 AI 小工具星群"

这不是空想。不到一个月，我用 AI 做出了传统约需 220 天的系统；在此之前我也零代码开发过一款iOS、Android的工具上架）。亲历之后我确信：AI 原生开发对业务人员是一次质的飞跃。

现在 vs 未来：从重型集中式系统 + 瀑布流程，到本地 AI 小工具星群
现在（重型集中式 + 瀑布） → 未来（本地 AI 小工具星群 · 由 AI 即时驱动）
亲历数据：不到 1 个月、约 10 万行代码，做出传统约 220 天的系统。其中不乏硬骨头——多人协作 / 分布式数据合并 / 多租户隔离 / AI 接口集成 / 智能体集成均已跑通；业务不再"提需求 → 漫长等待"，而是由 AI 即时驱动。
14 / 18
展望未来 · 15

架构与组织的"卫星化"：核心稳，卫星快

未来每个系统都会拆成卫星模式——中间一个稳定的核心，外面环绕一圈可由 AI 快速迭代的原生小工具；研发团队的铁三角，也会随之被重构。

卫星式企业架构：核心系统为中心，管理分析类 AI 原生小工具环绕协同

🪐卫星式架构

核心只保留最复杂、最稳定的部分——大数据处理、系统间交互、面向客户的核心功能；管理分析类系统则全部重构为 AI 原生小卫星，可由 AI 敏捷迭代、快速上线。

👥团队形态质变

需求 / 研发 / 运维的铁三角被冲击：ITBP 深入一线、与业务背靠背办公。重点系统仍由专职研发按企业级标准打磨，大量个人级系统由一线 ITBP 开发维护；IT 团队重心转向把一线系统固化 + 架构重构。

15 / 18
展望未来 · 16

一个"回不去"的判断

我知道，以今天金融银行业的科技架构看，这套设想近乎天方夜谭——AI 原生带来的合规与稳定挑战，与传统金融科技的要求几乎背道而驰。但速度的代差，正在真实拉开。

迭代速度代差：AI 原生以天为单位领先，传统模式以周·月为单位落后

🏁竞速已经开始

同一个业务，AI 原生的对手能以"天"为单位迭代上线，而传统模式还在以"周 / 月"计——这中间的差距是数量级的。

⚠️迟到的代价

若还坚守旧架构，公司将面临被新进者颠覆的风险；当科技不再是差异点，也许只能靠牌照资质等非科技因素勉强支撑。

但请相信：只要你真正做过一次 AI 原生交付、有业务深度参与，那种"超级敏捷响应"的赋能感，会让你再也回不去。
16 / 18
收尾 · 17

方法论提炼：可以照搬的六条打法

如果只带走六句话，就是这些——它们与"懂不懂编程"几乎无关，更关乎"会不会管理 AI"。

1️⃣想清楚再开工

一次长简报说透背景/约束/验收，计划落盘成文件再动手。

2️⃣让 AI 背纪律

TDD + 不变量契约 + 全量回归，犯错当场被网接住。

3️⃣主线程留结论

重活外包给子 Agent / worktree，勤 clear/compact。

4️⃣人工目检收尾

AI 跑得再快，最后一定要人亲眼看一遍再升版。

5️⃣文档即记忆

知识写进文件，换会话/换模型都不丢上下文。

6️⃣把 AI 升格为分析师

从"补全代码"走到"自主做业务分析"，天花板更高。

17 / 18
END

一个人的想法，一个团队的产出

AI 不只是"更快的代码补全"。当方法对了，它能把一名非专业开发者的业务洞察，放大成一套真正能上线、能协作、会自己做分析的平台。
⏱ 约一个半月 👤 1 名非专业开发者 📦 10.5 万行代码 · 4,079 测试 🤖 13 条 AI 赋能工作流
谢谢观看 · 欢迎交流提问
18 / 18