08_工程思维实践指南

本文介绍了如何运用工程思维开发AI功能，从产品定义到编码实现的全过程。

2302_79527074

423人浏览 · 2025-12-21 07:00:00

2302_79527074 · 2025-12-21 07:00:00 发布

本篇主要介绍我如何使用在上篇中提到的开发技巧设计出基本令自己满意的功能。
上篇文章链接🔗：07_（AI）开发必备的工程思维
相关文章链接🔗：05_零成本！我用Coze把公众号变成了24小时在线的AI超级助手
相关文章链接🔗：03_AI总结每日AI新闻推送到微信
相关文章链接🔗：02_prompt engineering提示词工程入门

你甚至可以直接在聊天框中加入07的内容让AI按照该步骤一步步完成你的开发

注意🚨：

1、建议看过07_（AI）开发必备的工程思维再看本篇博客.

2、在下面每个过程都可以灵活使用AI工具！！！

3、建议在同一个对话中完成以下所有操作，这样不需要提供新的上下文语境.

第一阶段：产品定义与需求剪裁 (Product Definition)

核心思维：不要想“我要写什么代码”，要想“数据怎么流转”。
在这一步，你不要打开IDE（代码编辑器），而是打开飞书文档、Notion或甚至一张纸。

明确输入与输出 (I/O Definition)

输入 (Source): 数据从哪来？(例如：RSS源、特定网站爬虫、API接口)

处理 (Process): AI在这里做什么？(例如：提取摘要、翻译、改写语气、提取关键词)

输出 (Destination): 最终给谁看？什么格式？(例如：推送到微信服务号、Markdown文件、数据库)

核心功能 MVP (Minimum Viable Product)

做减法： 这一步最关键。不要试图一次性做完“自动抓取+自动排版+自动发布+自动配图”。

例子： 针对你的案例，MVP可能是“手动给一段文字 -> AI总结 -> 打印在终端里”。先跑通核心价值。

用户痛点（我的痛点）：

每天需要花费一些时间了解AI最新动态，但是关注的公众号很多很杂乱。

解决方案：

自己做一个能每天定时整理新闻的AI助手，最好可以帮助到大家，让所有人都能看到，那就是微信公众号了。

明确输入与输出 (I/O Definition)
- 输入 (Source): 数据从哪来？|网络
- 处理 (Process): AI在这里做什么？|提取摘要
- 输出 (Destination): 最终给谁看？什么格式？|推送到微信服务号
核心功能 MVP (Minimum Viable Product)
- 做减法
- 例子：
  - 找到新闻（后来知道是RSS源）
  - API调用AI总结新闻摘要（因为要自动触发，使用要使用模型接口）
  - 推送一段信息到微信公众号（后来发信微信公众号不能自动发信息，就改为发送到微信公众号草稿箱）

第二阶段：技术预研与可行性验证 (Feasibility Check)

核心思维：先攻克“不可能”，再做“容易的”。

“四处碰壁”，通常是因为在最后一步才发现第一步的路走不通。

寻找技术方案

尽可能多：为后面步骤准备足够多的选择，选出最好的

先问问AI合不合适，不过他可能会骗你，因为技术发展很快，他的信息很可能已经过时了

关键卡点验证 (Riskiest Assumption Test)

在写任何业务逻辑前，先写最小的Demo验证那些不受你控制的外部依赖。

痛点案例： 很多想做微信机器人的开发者，写好了爬虫和AI逻辑，最后才发现个人微信号无法通过API自动发消息（微信封杀Web协议），或者公众号API需要企业认证。

通用做法： 先写一段代码只测试微信接口。如果通了，再做别的；如果不通，换方案（如改为飞书通知、邮件推送）。

选型定栈 (Tech Stack)

语言：Python (AI首选) / Node.js

AI模型：OpenAI API? Claude? 本地Ollama? (考虑成本和速度)

数据库：需要存历史记录吗？SQLite够不够？

寻找技术方案
- 尽可能多：为后面步骤准备足够多的选择，选出最好的
- 先问问AI合不合适，不过他可能会骗你，因为技术发展很快，他的信息很可能已经过时了，提示词中强调时效性
关键卡点验证 (Riskiest Assumption Test)
- 在写任何业务逻辑前，先写最小的Demo验证那些不受你控制的外部依赖。
  
  最小demo：核心逻辑：用最少的成本、最短的时间，证明一个核心想法的可行性。
  
  这里就是收集各种方案，并且测试各种方案的可行性（使用上面最小demo方法，为下一步选型定栈做准备。
选型定栈 (Tech Stack)
- 语言：Python (AI首选)
- AI模型：Deepseek（国内模型，容易获取且便宜）
- 数据库：不需要记录数据
- 推送到微信方案：
  - PushPlus（一个提供API接口推送信息到PushPlus微信公众号的免费平台）
  - 微信公众号草稿箱（因为微信不能直接发文章）

第三阶段：架构设计与模块化 (System Design)

核心思维：高内聚，低耦合。

将你的程序想象成一条流水线，而不是一坨面团。
模块拆分 (Decomposition)

不要把所有代码写在一个 main.py 里。通用的AI应用通常分为以下几层：

Collector (采集层): 负责脏活累活。比如获取RSS，清洗HTML标签。

Brain (AI层): 纯粹的逻辑。只负责 Input(Text) -> Prompt -> Output(Summary)。不要让AI层去处理网络请求。

Publisher (发布层): 对接外部平台。比如调用微信API，处理Token刷新。

Controller (调度层): 把上面三个串起来。
**数据契约 (Data Schema)**JSON

定义好模块间传什么样的数据。比如：
{
  "title": "新闻标题",
  "raw_content": "原始文本",
  "summary": "AI总结后的文本",
  "url": "原文链接"
}

我是在figma中完成的这一步，先让AI拆解，不合适就自己再改一下。

下面是我的拆解，这个比较自由，根据自己的需要灵活设计记录。

在这里插入图片描述

第四阶段：Prompt工程与AI调试 (AI Engineering)

核心思维：Prompt就是源代码。

AI产品与传统软件最大的区别在于结果的不确定性。

独立测试 Prompt：

不要在代码里调试Prompt。去ChatGPT/Playground里调试。

结构化输出： 强烈建议强制AI输出JSON格式（JSON Mode），这样你的代码可以轻松解析，而不是用正则表达式去匹配AI生成的自然语言。

处理幻觉与异常：

如果新闻内容太长超过Token限制怎么办？（需要分段）

如果内容是空的或者是广告怎么办？（需要预处理清洗）

在其中填入提示词选好模型即可在右侧测试

这部分可以参考我的05_零成本！我用Coze把公众号变成了24小时在线的AI超级助手来测试，只需要调整你的prompt就好了，不会写就让AI写哈哈哈

第五阶段：编码与集成 (Implementation)

核心思维：让AI辅助你写模块，而不是写全篇。

有了前面的规划，你现在可以让AI（Cursor/Copilot）帮你写代码了，但要这样提问：

❌ 错误问法： “帮我写一个自动抓新闻发微信的程序。”（AI会给你一个很难维护的“面条代码”）

✅ 正确问法：

“请帮我写一个Python函数，输入RSS URL，解析出标题和正文，返回JSON。”（测试通过）

“请帮我写一个函数，输入长文本，调用DeepSeek API进行总结。”（测试通过）

“请帮我写一个微信公众号草稿箱上传接口的封装类。”（测试通过）

“最后，写一个主程序把这三个函数串起来。”

这部分需要使用AI生成代码，选择cursor、antigravity也可，在和AI大模型对话后填充也可 在这里插入图片描述

参考我的另一篇文章：02_prompt engineering提示词工程入门

注意在同一个对话中完成就好了，这样AI会结合之前的聊天给你合适的code。

写到这里已经笑了，全是参考，CSDN见证了我的成长哈哈哈哈哈哈
有兴趣可以想一下这里用到了哪些Prompt Engineering

第六阶段：部署与自动化 (Deployment & DevOps)

核心思维：在服务器上能跑的，才是产品。

环境隔离： 使用 venv 或 Conda，生成 requirements.txt。不要污染本地环境。

自动化运行：

初级：本地电脑写个 Crontab 或 Windows 计划任务。

中级：GitHub Actions (利用免费时长跑定时任务)。

高级：购买云服务器 (VPS) + Docker 部署。

日志记录 (Logging)：

一定要加日志！当程序半夜挂了，你需要知道是网络断了，还是API欠费了，还是解析报错了。