最近我使用AI完成了一个较为大型的全栈项目的开发。我使用VSCode Copilot + Claude 4模型，仅靠提示词、部分手动修改的错误和代码审查，在两天半的时间里，完成了一个代码量2w+的网盘系统，90%的代码都是由AI完成的！

最近我使用AI完成了一个较为大型的全栈项目的开发。

我做了什么

我使用VSCode Copilot + Claude 4模型，仅靠提示词、部分手动修改的错误和代码审查，在两天半的时间里，完成了一个代码量2w+的网盘系统，90%的代码都是由AI完成的！

仓库：https://github.com/healwrap/yunxia （欢迎大家点点star）

项目截图

首页

任务队列管理页面

文件管理页面

支持上传文件
新建文件夹
修改文件名
删除文件
分享文件
下载文件

分享文件管理页面

增删改查
下载分享文件

回收站

项目背景

项目的背景如下，主要是提供给AI的上下文信息，同时也是自己梳理功能点应该注意的地方。

具体文档在飞书知识库中，供我和我的开发伙伴使用，这里简单提一提。

网盘系统对标的是市面上常见的产品，如：百度网盘、夸克网盘等等系统。目标是实现它们所包含的基本功能、甚至在某些功能上，体验要优于它们。

需求分析

网盘系统的需要实现的功能大概包括

文件管理
分享管理
回收站管理
下载管理
空间管理

具体细节不展开了，这都是很简单的功能，百度或者AI都能给你详细的设计

技术栈选型

我个人是熟悉Vue偏多的，最近想要全面掌握React、NodeJS后端等等，给自己多增加几项技术栈，于是我选用的技术栈如下：

前端: React + TypeScript + Vite + Ant Design + TailwindCSS + Zustand
后端: Koa + TypeScript + TypeORM + PostgreSQL
WebAssembly: 自定义哈希计算包(仅作演示，实际项目使用hash-worker包)
认证: Clerk 用户管理系统

这里的细节也不需要纠结，本文主要是针对AI Coding细节进行讲解的。

交互细节

还需要针对项目中的一些细节做出大概定义（后续可以让AI给你完善），如

数据库表设计
文件秒传功能设计
断点续传功能设计
前端基本架构设计
后端基本架构设计
等等...

注意：这些都是可以让AI进行完善的细节，但是你必须思考清楚，自己这个项目应该朝着一个什么方向编写。否则AI极其容易写出混乱、错误的逻辑。

编码经验

很明显，当今任何AI产品都无法完全做到，用户输入一个提示词，AI完完全全自主完成所有功能，并且按照用户预期想法完成，这是目前做不到的。

如何让AI工具为我们所用呢？我的经验如下：

选用足够强大的AI编辑器

如：Claude Code、Cursor、Trae、Kiro、Augment Code、VSCode Copilot等等

Copilot 早期真的很难用，但是随着近期更新，它也比较好用了，主要是靠它可以通过Github学生包免费使用，本项目也基本90%的编码都是通过它完成的

但是你要说它好，肯定还是不如其他一些更强的工具的，只能说够用。

使用编码能力足够强大的模型

如：Claude 3.7/4、GPT5等等

选择模型这一块，也有讲究，Claude模型虽然强大，但在处理一些小问题时，3.7 4.0 的效果不如 3.5，可能前者是专为大型项目而生，再简单的功能，也会写出一堆精致的废物代码出来，而3.5在简单需求上的处理就远好于前者。

这里我不得不感慨，Claude模型的编码能力、逻辑思维能力之强大，简直超过其他同类型模型一大截。

从今年三月左右我使用Claude 3.7模型完成了一个公司内使用的浏览器插件，到如今使用Claude模型几乎完成80-90%的代码编写，AI的强大让我感到震惊且恐慌。

提示词工程技巧

让AI能够正确理解你的指令

我这里参考的是Copilot文档中提到的技巧 Prompt engineering for GitHub Copilot Chat - GitHub 文档

上下文工程技巧

让AI能够理解你的项目

上下文工程原本指：精心设计输入给大模型的内容。意思是因为大模型的上下文长度有限，当我们希望大模型理解海量内容时，我们需要精心设计好输入给大模型的内容，既不超过上下文长度，又能让大模型能够理解内容。

在我本次的实践中，遵循了以下原则：

提供背景：我们需要提供给大模型我们项目的大概情况，如项目大概是干什么的、技术栈是什么、一些大概的功能交互是怎么样的、数据模型是怎么样的、开发方式是怎么样的，等等。这个一般是让AI生成一个提示文件，如Copilot的“生成指令”功能，生成的copilot-instructions.md。用户每次提问，编辑器都会自动带上此文件，让AI可以准确回答问题，并减少出错概率。
提供文档：当我们使用一些冷门的库时，AI可能会因为缺少训练数据导致回答错误。这个时候我们可以使用工具给AI提供文档。如context7 MCP、编辑器默认的提取网页工具、手动粘贴文档等等
拆分对话：我们需要根据自己对需求的理解，每次只在一个对话中完成需求，而不要在一个对话中频繁对话，导致上下文不足。
压缩对话：当我们需要在一个对话中完成时，且上下文长度不足时，使用压缩对话功能（但是前提是不要在需求完成到一半的时候压缩，这样会导致AI对任务识别不清楚）
Todo任务清单：当我们完成一个复杂的需求时，需要使用任务清单工具，让大模型无论上下文长度多长，都能清晰知道要干什么，而不是干了一会儿之后忘记要干什么了。

灵活使用工具

我这次的全栈项目，使用的工具如下

dbhub MCP，可以让AI操作数据库，在全自动这方面，以及问题排查方面会更好
context7 MCP，可以让AI读取最新库的用法，比如此次项目中使用Antd、clerk、hash-worker、AssemblyScript等等技术栈，我都尽量让AI查询用法后再编码，防止因为训练数据的问题导致回答出错
大模型的图像识别能力，有的情况下，我们可以直接截图给模型，让模型理解图片并修复问题

同时，工具不是越多越好，过多的工具会占用模型上下文，导致模型变笨，你需要适当减少工具的使用，让模型回答更精准。

灵活使用模型的多模态能力

大模型支持多模态能力，比如图像识别，你可以让AI多帮你做很多事

你可以画产品UI，模型可以根据你的图片还原出一个类似的页面
你可以复制一些UI网站的图片，模型可以仿照它完成功能

使用适合AI的编程方式

使用便于AI编程的语言和框架，比如
1. 原生HTML+原子类名等等，AI几乎完美适配这种编程方式。尽管写出的代码让人无法理解和维护，甚至因为缺少代码拆分，AI都可能难以维护
2. React框架，因为它非常流行、且生态庞大，所以训练数据中会包含大量与此相关的内容，所以编码能力会更强
使用便于AI Coding的一些库，比如
1. Tailwind CSS，这个库简直是为AI而生，他可以使用少量代码生成界面（尽管这些原子类名对人类不友好，但是对AI很友好）
2. shadcn等Tailwind CSS构建的UI库
减少lint、甚至不要开启
1. lint规则会极大影响AI编码，让AI重复进行很多次没有什么实际作用的lint修复，增加上下文。但是我的项目我希望开启一定的lint规则，所以我在提示词中尽量让AI先使用eslint --fix命令修复文件问题之后再手动修复
TS规则不要过于严格
1. 在AI项目中，TS的类型提示绝对是友好的，不仅是让AI写出便于人类理解的代码，同时也可以帮助AI检查出它输出的代码的一些问题（比如库、方法找不到、类型不兼容等等）
2. 但是过于严格的TS规则会导致AI编码困难，且需要频繁修复问题