背景介绍
在 2025 年的一年中，AI 还在持续进化中，要说今年真正落地最多的场景，还是 AI 编程领域。而在过去的一年中，我也在持续使用不同的 AI 工具进行辅助编程，在 AI 的帮助下完成了不少实际的项目。从最早的 Github Copilot，到 Cursor，以及后续的 Claude Code， 当然各种其他的编程工具也会配合进行使用，比如 V0，Google AI studio 等。
实际的使用场景从最初的后端开发，到前端开发，到目前最近的全栈应用开发都有涉及，本文就是对过往的实践的一个踩坑经历的总结，之后也会给出我个人梳理的一个 AI 形态下的全新全栈开发流程。
总结而言，我的个人体会是随着 AI 的进化，代码开发范式需要进行有针对性地改造，这样才能最大化地应用 AI 的能力，同时避免项目开发管理失控。在目前的实际场景下，我主要针对全栈应用开发进行了一些总结和梳理
过往踩坑经验
在过去的开发过程中，开发体验不断被重塑，也因为过于乐观对 AI 能力边界的误判导致多次出现一些问题，下面就对各个阶段存在的一些踩坑经历进行梳理
Copilot 阶段
AI 辅助编程最早是从类似 Github Copilot 之类从工具开始的，这个阶段是针对封装良好的方法进行代码补全，刚刚开始使用的时候代码的补全率还是比较有限的，一般主要是针对逻辑清晰的方法才能有良好的补全能力。不过如果针对类似 Leetcode 的抽象方法，补全率还是比较高。但是考虑到实际的业务往往不是类似的抽象场景，因此用处没有那么大。
但是随着 Cursor 的出现，模型的智能程度有了明显的提升，针对业务场景下理解能力有了明显的提升，给出的代码能真正适用于业务场景。截止目前而言，对于代码的 Tab 补全，Cursor 依旧是表现最好的。而且由于这种模式主要以人开发为主，因此程序员是比较容易适应和接受的，目前基本上所有的开发都已经进入这个阶段。
Agent 阶段
随着 AI 模型能力的提升，模型除了能支持常规补全外，也可以通过 Agent 模式进行更大规模的功能级别的开发。通过一次性的需求描述，AI 工具可以自主完成功能模块的开发。
这种功能虽然很强大，但是实际中 AI 开发工具可能会一次性修改大量的代码，如果没有良好的代码管控
前端应用阶段
全栈应用
全栈应用开发流程
在进行商业想法到产品的构建流程时，一个目前比较合适的开发流程如下所示：
- idea 想法梳理，根据商业想法撰写产品需求文档；
- API 接口文档生成（初步版本，定义初步 Schema 约束）；
- 前端原型实现（通过可视化页面进一步明确产品需求，可能会对原始的产品需求做出调整）；
- 定义详细的 API 接口文档，定义合适的数据库表结构，保证 API 接口与数据库表结构完全适配；
- 选择基础的全栈项目模板，作为项目基础，减少重复部分的开发；
- 生成接口定义以及对应的 Model，基于真实项目导出项目接口文档 OpenAPI.json；
- 基于定义的数据库表结构在项目中补全数据库表定义；
- 后端接口依次实现，基于数据库表约束与接口约束避免 AI 工具随意发挥；
- 前端项目基于真实接口 OpenAPI.json 进行一致性约束调整；
- 前端原型代码迁移至全栈项目中，基于自动化约束保证接口的一致性；
- 服务部署与上线,预期尽可能复用全栈项目模板的能力自动实现；
