这一周业余时间都贡献在了开发「资讯系统」上，借着开发「资讯系统」也着实好好的学习了一把AI Coding/Vibe Coding的技能。
先说本周结论：「资讯系统」开发的不咋样，AI Coding/Vibe Coding算是初步入门。
AI Coding/Vibe Coding入门真心不难，可以参考我实践总结的流程步骤，只要花个一个小时就能基本掌握AI Coding/Vibe Coding技能，甚至可以开发个简单的应用。
（1）
借着开发「资讯系统」，自己这一周业余时间把AI Coding/Vibe Coding的开发流程大体摸索了一遍，也在网络上参考了别人的做法，大体可以分为四个步骤：需求分析->代码实现->代码调试->代码发布。
在这四步之前，还有个不算重要但也很重要的步骤是：选择你要使用的AI Coding/Vibe Coding工具。不同的编程工具，能力和效果都有所差别，带给人的编程体验也不同，选择自己适合的工具。
这一周里，我尝试了Cursor、Trae、通义灵码（上周也出了IDE）以及Void。使用下来，性能和体感的排序，基本上也是前面这个顺序。
Cursor是目前来说最好用、功能最强的AI Coding/Vibe Coding工具，暂时没有之一。只不过Cursor过了试用期，想继续使用高级功能就要付费了，价格嘛不算贵但也不够便宜。
我主力主力使用了Trae——字节出品的一款工具，号称是Cursor的平替。前些天还有段子说，字节的Trae干不过Cursor，就在公司内部把Cursor给禁掉了。可能是干不过，个人的体感是性能还是非常强的，足够用了，而且最关键的是它一时半会儿也不收费！
通义灵码上周刚出了IDE，使用的体感上差点意思，免费版限制还挺多，本来期望挺高，稍微有点不达预期。
我之所以会用Void，只是因为它是开源的一款AI Coding/Vibe Coding 工具，自然不会收费，但是工具本身不收费，调用大模型的API就需要你自己掏钱了。
到这里，有一个概念需要澄清的：代码生成的能力，是大模型的能力，而非这些AI Coding/Vibe Coding工具的能力；这些工具所带来的价值是更好的组织大模型的能力，让代码生成、调试等更加顺滑、更加便利。
类似Cursor、Trae、通义灵码其本身不带大模型，而是通过大模型的方式来生成代码、做代码调试等等，这些AI Coding/Vibe Coding工具，其实可以某种程度上看成是大模型的一种Agent应用。
所以，当使用Void这款开源的AI Coding/Vibe Coding 工具时，刚打开的界面，是让你填写接入的大模型的API Key。工具本身可以免费，大模型的调用就不免费了。
具体工具的使用，本文不做详细论述，下文更多从AI Coding/Vibe Coding的开发流程角度做分享。
（2）
AI Coding/Vibe Coding的开发流程四步骤之一：需求分析。
AI Coding/Vibe Coding的编程工具，功能强的可以自动生成整个项目/产品的全部代码，弱一些也可以生成部分模块或函数的代码块。但它们生成怎样的代码，是需要使用者告诉它们目标是什么、需求是什么，简单来说就是要告诉大模型你要开发个什么东西。
比如说，我最近要做个「资讯系统」，我大概知道要做成什么样子，所以我向编程工具输入：
我想要开发一个资讯系统，能够从微信公众号、媒体网站、视频网站等不同的来源抓取信息，通过大模型对信息进行分类、打分、摘要等处理，最终形成一份资讯的报告。请根据我的需求，做系统的功能设计、架构设计、技术设计、UI设计、交互设计、后台管理设计等全面的应用设计。只需要做设计，不需要做代码实现。
编程工具则返回一份相对来说比较全面、比较详细的设计，请见下图：
如果AI大模型给做的设计跟你想要的有偏差，或者选择的技术不是你所想要用的，可以继续进行多轮对话，对设计进行修改。修改完成并确认后的设计，可以让AI Coding的工具生成一份README.md文件，做为指导整个项目开发的设计文件，在后续有功能、技术、交互等设计的改变，都可以做修改，并持续记录在README.md文件中。
把以上设计，写入README.md文件
在开发过程中，任何部分的代码实现或者功能修改，都可以引用这份README.md文件。所有的这些AI Coding的工具都具备「上下文引用」的功能（参考下图），但是上下文也不可能无限长，可以使用README.md来让AI始终在需求和设计的大范围之内。
如果自己并不能对需求描述的非常细致，这也没问题。可以让AI帮你完善你的需求，例如上面我提的需求，我可以让AI理解我的需求，并进行细化和完善：
我想要开发一个资讯系统，能够从微信公众号、媒体网站、视频网站等不同的来源抓取信息，通过大模型对信息进行分类、打分、摘要等处理，最终形成一份资讯的报告。请根据我的需求，做系统的功能设计、架构设计、技术设计、UI设计、交互设计、后台管理设计等全面的应用设计。只需要做设计，不需要做代码实现。 请对上述需求进行复述，以确保理解准确。
在AI对自己的需求理解准确的基础上，可以继续提要求：
请对上述复述的需求进行细化，根据细化的需求做详细设计。
AI就会根据你的要求，细化需求，在你确认之后，可以根据需求进行详细设计，再把详细设计存储到README.md文件当中。
至此，需求分析这一步算是基本上完成。在后续的开发过程中，你可能对你要开发的项目/产品理解更深，会调整需求、调整详细设计，都可以通过多轮对话的方式，让AI替你调整需求、调整设计。
（3）
AI Coding/Vibe Coding的开发流程四步骤之二：代码实现。
代码实现这一步本身的难度并不大，在需求分析完成的基础上，通过下面的提示词让AI编程工具来生成代码：
根据readme.md文件中的设计，生成代码，并在本项目目录下创建文件，要求代码结构合理，前后端分离，功能模块化，超过400行的代码要拆分成不同的模块、不同的文件。
AI Coding工具代码生成的有模有样的，看起来很唬人，但这里需要注意的是你得关注下AI Coding工具使用的大模型的性能情况，主要是看上下文应用的长度。
如果你的项目比较复杂，而大模型性能不够，上下文长度比较短，可能无法生成整个项目的代码，或者生成大代码是错的。例如我在测试Void过程中调用自购的DeepSeek API，用的是DeepSeek-Chat模型，结果发现代码生成有问题，查看DeepSeek的文档才知道，DeepSeek-Chat的API调用上下文长度限制为64K。
因此，建议复杂的项目，可以引用README.md文档，按照模块进行代码生成。而相对简单的项目，可以尝试直接全项目生成。
另外，还一点，为了让代码的可读性高、可维护强，还需要对开发的项目做一定的开发规范，这里会用到一个文件叫rules.md文件。原本这个概念主要是Cursor中的，现在基本上所有的AI Coding工具都支持这个功能，只不过设置的位置不一致而已。
典型的一个rules.md文件如下，这是针对Python语言Flask框架开发的项目规范：
你是一位 Python、Flask 和可扩展 API 开发方面的专家。
**关键原则**
- 提供简洁、技术性强的回复，并附上准确的 Python 示例。
- 使用函数式和声明式编程；除非在 Flask 视图中，否则尽可能避免使用类。
- 优先使用迭代和模块化设计，而非重复代码。
- 使用带辅助动词的描述性变量名（例如 is_active、has_permission）。
- 目录和文件名应使用小写加下划线的形式（例如 blueprints/user_routes.py）。
- 路由和工具函数优先使用命名导出方式。
- 在适用的情况下使用接收对象并返回对象（RORO）模式。
**Python/Flask**
- 使用 def 定义函数。
- 尽可能为所有函数签名添加类型提示。
- 文件结构：Flask 应用初始化、蓝图、模型、工具、配置。
- 避免在条件语句中不必要的花括号。
- 对于单行条件语句，省略花括号。
- 对于简单的条件语句，使用简洁的一行语法（例如 if condition: do_something()）。
**错误处理与验证**
- 优先考虑错误处理和边界情况：
- 在函数开始时处理错误和边界情况。
- 使用提前返回来避免深度嵌套的 if 语句。
- 将正常流程放在函数最后，以提高可读性。
- 避免不必要的 else 语句；改用 if-return 模式。
- 使用防护子句尽早处理前置条件和无效状态。
- 实施适当的错误日志记录和用户友好的错误信息。
- 使用自定义错误类型或错误工厂以实现一致的错误处理。
**依赖项**
- Flask
- Flask-RESTful（用于 RESTful API 开发）
- Flask-SQLAlchemy（用于 ORM）
- Flask-Migrate（用于数据库迁移）
- Marshmallow（用于序列化/反序列化）
- Flask-JWT-Extended（用于 JWT 认证）
**Flask 特定指南**
- 使用 Flask 应用工厂以提升模块化和测试能力。
- 使用 Flask 蓝图组织路由以改善代码结构。
- 使用 Flask-RESTful 通过基于类的视图构建 RESTful API。
- 为不同类型的异常实现自定义错误处理器。
- 使用 Flask 的 before_request、after_request 和 teardown_request 装饰器管理请求生命周期。
- 利用 Flask 扩展实现常见功能（例如 Flask-SQLAlchemy、Flask-Migrate）。
- 使用 Flask 的 config 对象管理不同的配置（开发、测试、生产）。
- 使用 Flask 内置的 app.logger 实现适当日志记录。
- 使用 Flask-JWT-Extended 处理认证和授权。
**性能优化**
- 使用 Flask-Caching 缓存频繁访问的数据。
- 实施数据库查询优化技术（例如预加载、索引）。
- 使用连接池管理数据库连接。
- 正确管理数据库会话，确保使用后关闭。
- 对耗时操作使用后台任务（例如结合 Celery 与 Flask）。
**关键约定**
1. 合理使用 Flask 的应用上下文和请求上下文。
2. 优先关注 API 性能指标（响应时间、延迟、吞吐量）。
3. 应用结构：
- 使用蓝图实现模块化。
- 实现清晰的关注点分离（路由、业务逻辑、数据访问）。
- 使用环境变量进行配置管理。
**数据库交互**
- 使用 Flask-SQLAlchemy 进行 ORM 操作。
- 使用 Flask-Migrate 实现数据库迁移。
- 正确使用 SQLAlchemy 的会话管理，确保使用后关闭会话。
**序列化与验证**
- 使用 Marshmallow 进行对象序列化/反序列化和输入验证。
- 为每个模型创建 schema 类，以统一处理序列化。
**认证与授权**
- 使用 Flask-JWT-Extended 实现基于 JWT 的认证。
- 使用装饰器保护需要认证的路由。
**测试**
- 使用 pytest 编写单元测试。
- 使用 Flask 测试客户端进行集成测试。
- 为数据库和应用设置实现测试夹具。
**API 文档**
- 使用 Flask-RESTX 或 Flasgger 实现 Swagger/OpenAPI 文档。
- 确保所有端点都正确记录请求/响应模式。
**部署**
- 使用 Gunicorn 或 uWSGI 作为 WSGI HTTP 服务器。
- 在生产环境中实施适当的日志和监控。
- 使用环境变量存储敏感信息和配置。
如需最佳实践详情，请参考 Flask 官方文档中关于视图、蓝图和扩展的相关内容。
几个参考的开发Rules.md模版文档网站：
- Cursor Rules模版：https://cursor.directory/rules
- 通义灵码的Rules模版：https://atomgit.com/lingma/lingma-project-rule-template
（4）
AI Coding/Vibe Coding的开发流程四步骤之三：代码调试。
代码生成完后，万里长征才走了三分之一不到，调试代码估计是让所有人最头疼的事情，对于没有编程基础的人来说更是如此。
编程小白因为不清楚编码的逻辑，不理解各种技术原理，碰到代码报错，大体上只知道报错，但为啥报错、怎么处理就不清楚了。
AI Coding的好处就在于，代码调试，你只需要把错误复制到AI对话框当中，让AI帮你却查找错误，给出错误的处理方案。虽然AI不能直接把所有的错误直接处理掉，但是通过多轮对话，总能找到问题的根因，并给出处理的方案。对于那些AI自身不能直接解决的错误，需要人工来参与解决的话，建议使用如下提示词：
我是技术小白，不懂的复杂的技术操作。请分析错误原因并给出觉得错误的方案，需要详细到一步一步的具体操作，给出具体操作的详细指引。
还一点注意事项是：代码调试，本身是一个艺术，某些情况下可能会越调越错，尤其是AI Coding/Vibe Coding的场景下；为此，代码版本的管理很重要，一旦某个版本的代码乱到调不出来了，立马回滚到上一个版本。
代码管理可以使用Git工具（具体使用请自行搜索或者请教AI），也可以使用最简单的文件夹复制，自己给命名版本号即可——有时候，最简单的也是最有效的！
（5）
AI Coding/Vibe Coding的开发流程四步骤之四：代码发布。
代码都调通了的话，恭喜你，代码艺术大成啊！至于代码的发布，这本身不是什么大问题了，也不是AI Coding/Vibe Coding重点关注点。
代码发布的方式，一般就几类：
- APP类的，上架APP Store或者压缩成应用包发布；
- PC应用类的，压缩成安装包即可，网络上发布即可；
- 服务端应用类的，可以在服务端部署安装，也可以打包成Docker镜像来发布；
每种代码发布，都可以自行搜索研究或者请教AI，网络上都有很成熟的方案和指引。
（6）
最后，同步下我的「资讯系统」的进展：资讯采集->信息处理->资讯展示。
- 资讯采集：页面的爬虫搞定，这个基本上没啥难度，讨厌的是有些网站页面有反爬机制，爬的效果不好；最麻烦的是微信公众号，几乎爬不出来，目前暂时没有啥太好的解决方案，在研究几个微信公众号转RSS的方案；至于视频文案的采集，用Coze做了个业务流，基本可以搞定抖音和小红书的视频，其他视频暂时未测试；
- 信息处理：利用大模型给资讯做质量打分，设置了几条规则，例如是否有真实案例、是否深度解读、是否有正反面观点等，对文章进行加分或减分，功能实现了，但是大模型数数总是容易出错；大模型做文章内容总结、分类之类，这些都没问题；
- 资讯展示：暂时考虑通过newsletter的方式来展示，这个代码也是现成的；
现在最主要的问题就是微信公众号的内容抓取了，自己关注的一些资讯比较多是微信公众号，真有些扯淡！
有时候在感慨：互联网不应该是开放的么？怎么这么多的互联网企业的资讯，都不愿意用统一的接口标准或者输出标准协议了呢？
- 20250608，文章初稿；