【CSDN 编者按】当下，「AI 全程辅助开发」成为了新风口。但它真的能像宣传中那样，让程序员轻松高效完成所有任务吗？本文作者用两周时间做了一个实验——用 AI 从定义问题到写代码再到部署，全流程尝试。结果既有亮点，也有不少问题：AI 在加速部分任务的同时，也暴露了上下文缺失、可维护性差、幻觉频发等问题。
原文链接：
https://antropia.studio/blog/to-ai-or-not-to-ai/
翻译 | 郑丽媛
出品 | CSDN（ID：CSDNnews）
显然，如今大模型（LLM）已经成为开发圈里新的“明星”。作为一名市场负责人，我当时提出：如果我们再不写点相关的内容，就会被时代甩在后面。于是我们决定搞一场实验：用 AI 从头到尾开发一个应用，尽可能“硬核”地依赖它。
结果呢？简单总结就是——我们觉得 AI 还不太行。
也许这个开头就劝退了你，但细节才是真正的关键。如果你想知道为什么我们没有“无条件跳上 AI 的快车”，请耐心看完这篇文章。
实验起点：从 Facebook Ads 的痛点开始
我们和朋友 Bernardo 一起折腾了几个月，最初的动机其实很简单——帮我妻子管理她店铺的 Facebook Ads。
说实话，那体验糟透了。广告平台本身就复杂，而 Facebook Ads 的界面又极度臃肿：报表、过滤器、广告创建、数据追踪……功能全都挤在一起，结果就是“纯混乱”。
于是我们想自己做一个简化版的 Facebook Ads 管理工具，基于官方 API，只为解决我们自身的场景需求，我们给它起名为 adbrew。
这看起来是一个绝佳的机会——用生成式 AI 来解锁生产力。
方法论：AI 驱动的开发流程
我们先关注了一些 AI 编程相关的账号，学习他们的工作流，然后选了技术栈：Remix（React Router v7）.同时，我们订阅了 Claude Code，用它来作为主要的 AI 编程助手。
我们的开发流程大致是这样的：
● 定义一个 issue（待办问题/任务）；
● 让 AI 来实现；
● 不断和 AI 来回沟通，补充或细化需求；
● 仔细 review 生成的代码；
● 提交、推送并部署；
● 循环往复。
同时，我们还维护了一个 Guidelines 文件，并且逐步加上 MCP、自动化检查等工具，希望能提升 AI 的表现。
问题逐渐浮现：两周的失望
整个实验持续了两周，随着时间推移，我们的挫败感越来越强烈。
最初我们安慰自己：这可是全新的 “Vibe coding”，只是我们还用不习惯。但就算不断优化流程、调整预期等等，结果还是不如人意。
以下是我们总结出的几个核心问题：
（1）永远缺少上下文
给 AI 的上下文越多、问题切分得越小，结果确实越好。但无论给多少信息，AI 总会擅自做假设，然后搞砸。它不会主动问我们，而是“自信满满”地填补空白。
（2）完全没有可维护性
我们无法让 AI 抽象出复用的逻辑。它经常把一段功能写成多个重复的实现。最后我们项目里出现了三种几乎相同的卡片组件。即使我们在 Guidelines 文件里强调已有组件定义，AI 依然视而不见。
（3）流程中断，没有开发节奏
当 AI 在写代码时，我们只能盯着屏幕，生怕它的思路偏离太远。试过“一边 YOLO 写 issue、一边让 AI 干活”，但根本没法找到完整的 30 分钟去专心做一件事，开发节奏被彻底打乱。
（4）幻觉频发
Facebook API 本来就复杂，文档也并不完整，SDK 类型系统薄弱。结果 AI 还经常“自编自导”：虚构参数、编造接口。再加上 Tailwind、React Router、dayjs、pino 等库，直接就成了灾难现场。
（5）80/20 定律显得更为残酷
AI 确实能帮我们快速完成 80% 的功能，但剩下的 20% 的边角场景、跨模块交互、异常处理，反而让我们花掉 80% 的精力。最终的结果是：表面能跑，但处处 Bug 和不一致。
结果：决定停下来
两周后，我们决定放弃。
代码库变得越来越大、越来越乱，我们逐渐无法掌控它。更重要的是，整个过程毫无乐趣，产出也不值得。于是我们换回了传统工作流，又花了两周时间清理烂摊子。
回头复盘时，甚至发现一些问题是我们自己在 review 时漏掉的，而不是 AI 的锅。
我们的结论：AI 有用，但远没到“全权代理”
不过，这并不意味着我们全盘否定 AI。在日常工作中，我们仍在大量使用它：
● 搜索引擎升级版：有时它能快速给出正确答案，并结合上下文定制化解决方案，效果非常惊艳。
● 代码片段生成器：写第 5 次 chunkify、clamp 或 mapValues 时真的很烦，AI 可以帮忙节省体力。
● 测试辅助：我们决定范围和框架，AI 补充测试用例，还能提醒我们忽略的边界情况。
● 语言相关任务：commit message、PR 描述、issue 内容的润色，全交给 AI 来审校。
换句话说，我们已经把 AI 从“写代码的主角”降级为“工具箱里的助手”，也更倾向于用本地 LLM，而不是云端模型，以保证数据可控。
至少就现阶段来说，我们不会把 AI 纳入核心开发流程。它确实能解决一些问题，但不足以支撑完整的工程实践。未来如果AI技术有质变，那我们会重新评估。
