一个微型系统的构建
最近家里有个具体的痛点：寒假作业的归档和批改。
原始（起点）需求很简单：做一个 Web 版的“寒假作业助手”，孩子在端侧上传作业，家长在管理端查看并批改，结果实时反馈。
面对这个需求，作为一个有经验的开发者，第一反应通常是“找轮子”。市面上成熟的 CMS 浩如烟海，我的个人博客用的是 WordPress，小区论坛用的是 Discuz!。按照惯性思维，找个现成的源码，装几个插件，改改模板，一下午就能上线。
大多数人也是这么想的：既然有成熟的存量资产，为什么要从零开始？
但在 2026 年的今天，这个逻辑可能已经过时了。
被“存量”掩盖的幻觉风险
我停下来拆解了一下“复用旧系统”与“AI 辅助重写”的成本模型，发现真正的约束条件变了。
如果我选择 WordPress 二次开发，我面对的是一套庞大的、上个时代的 PHP 代码库。当我想让 AI 去修改其中的某个逻辑时，AI 需要理解极其复杂的上下文（Hook 机制、全局变量、数据库结构）。在现阶段，“AI + 复杂存量代码”往往意味着高频的幻觉。它可能会臆造一个不存在的 API，或者写出一段看似完美但破坏了核心功能的补丁。关于这一点，我在之前的AI IDE开发提效体验：以某功能模块需求变更开发为例和从代码产出效率，到更快发现工程不确定性中有过详细的测试分析。
相反，如果选择 Vibe Coding（氛围编程） 的模式，从零开始构建，情况则完全不同。
从零构建意味着我掌握着代码的生长节奏。我可以控制需求的规模，将问题的复杂度始终约束在一个“可控范围”内。
这里我总结了一个经验公式：系统的产出质量 ≈ 人的能力 × AI 的能力。
但这并不是简单的线性叠加，而是一种更复杂的相互作用：
- 同向增强：在人和 AI 都擅长的领域（如通用算法），能力会被极大放大。
- 幻觉释放：在人的盲点区域，如果 AI 恰好表现得“自信”，我很容易被 AI 的幻觉带偏。
- 共同短板：在人和 AI 都不擅长的领域（如超长上下文记忆、极度复杂的业务逻辑关联），依靠 AI 并不能产生奇迹，反而会因为 Memory 的丢失导致项目崩塌。
因此，在这个微型项目中，我选择了后者：利用 AI IDE 工具已经集成的 LLM 选项、ReAct、RAG 和 Long Context 等基础能力，通过小步快走、持续反馈的模式，从零“搓”一个系统。
代价与判断：我的四个“角色自觉”
既然决定了让 AI 写代码，那么我应该做什么？
在 Vibe Coding 的语境下，工程师不再是“代码录入员”，而是“需求管理者”和“系统验收官”。在构建 https://child.practicenotes.cn 的过程中，我总结了四个关键的“角色自觉”。
自觉一：不做技术性限制，回归纯粹的需求管理
在给 AI 下达初始指令时，我刻意克制了定义技术栈的冲动。
我没有告诉它“用 Vue3 + FastAPI + PostgreSQL”，而是只给了它纯粹的业务逻辑：
需求： 开发一个 Web 版的寒假作业助手。
- 用户上传作业，系统按日期组织显示。
- 家长端支持查看原图并进行批改。
- 批改后，需直观显示结果。
这是 Vibe Coding 的核心要点：把技术选型的权力下放给 AI。
AI 会根据它训练数据中“最顺手”、“坑最少”的方案来生成代码。如果人强行指定一个冷门或 AI 不熟悉的技术栈，反而增加了出错的概率。人的核心职责，是把业务逻辑梳理得像法律条文一样清晰，而不是去纠结用哪个框架。
自觉二：为系统兜底，提供可观测的“物理基础”
AI 产出的代码是数字信号，要变成产品，必须有物理载体。
我选择了阿里云作为基础设施，完成了域名备案（practicenotes.cn）和二级域名配置。更重要的是，我搭建了一个“可交付、可验证、可观测”的环境。
如果系统跑不起来，或者跑起来报错我看不到日志，那么 AI 就成了瞎子。为人机协作提供一个“可调试的工位”，是人的责任。
自觉三：提供客观数据反馈，而不是情绪化抱怨
在工具链的选择上，我采用了“主辅搭配”的策略：
- 主工具：TRAE CN（模型主要选择 GLM-4.7）。选择 GLM-4.7 是因为一点私心——在它训练阶段，我曾作为领域专家贡献过一批基于 Benchtest 的强化学习问题集，用起来有种“调教过的熟悉感”。
- 辅工具：Qoder（付费版）。当主工具陷入循环错误时，我会启用 Qoder 的“极致模式”进行深度推理。
绝大多数需求 TRAE 都能搞定，但也遇到了两次必须由“人”来接入切换工具的硬骨头。
第一次是审美的崩溃。 AI 生成的 UI 界面配色极其生硬，无论我怎么提示“更现代化”、“更柔和”，TRAE 给出的方案始终缺乏美感。最终，我切换到 Qoder，它似乎对设计规范有更好的理解，一次性给出了可用的样式。
第二次是性能的幽灵。 客户端首屏加载极慢，耗时接近 10 秒。
我将客户端的 Trace Log 喂给 TRAE，它尝试了常规的“懒加载”、“最小化首屏资源”等策略，但依然无效。它读懂了日志中的时间戳，但没读懂时间背后的逻辑关系。
这时候，我必须提供更高维度的反馈。我启用 Qoder 它主动生成了即用即抛的 Python 脚本，专门用于分析 Trace Log 的时序阻塞点。
Qoder 也精确指向了问题核心：Apache 代理配置非最优。
仅仅因为配置了 HTTP 未正确配置并行请求，导致所有请求被串行缓存执行，阻塞了渲染。
找到病灶后，AI 瞬间就给出了正确的 Apache 配置文件。部署、重启、秒开，体验明显提升。
但就本次问题分析来看，Qoder 的系统思维似乎较 TRAE 更好一些（也不排除因为 TRAE 的上下文内容过长信息过多导致了”思维定势“）。
这是“角色自觉”的关键：当 AI 撞墙时，人必须提供更精确的客观数据（Trace Log、堆栈信息），而不是只对它说“还是太慢，再改改”。
自觉四：适应付费，理解 AI 的“性格”
不同的模型有不同的“性格”。GLM-4.7 像个执行力强但偶尔粗心的老员工，Qoder 像个收费高但能啃硬骨头的外部专家。
适应 AI 生产力，意味着要接受“算力是需要付费的”这一事实。为了解决那 10 秒的延迟，为了那一点 UI 的美感，支付 10 美元/月的订阅费是合理的工程成本。
最后一点
最终，我的家庭网站-孩子的成长 上线了。
代码主要是 AI 写的，服务器是我配的，Bug 是我们一起解的。
在这个过程中，我没有手写一行复杂的算法，但我比以往任何时候都更像一个工程师。因为我不再被语法细节困住，而是把精力花在了判断价值、识别风险、提供反馈上。
当 AI 接管了编码，你的“角色自觉”是什么？是退化成一个提词器复读机，还是进化成一个能够驾驭硅基劳动力的系统架构师？
这或许是我们每个人在 2026 年都需要回答的问题。
FAQ
1. 公开到网络上会不会隐私孩子的隐私啊？
谢谢提醒，孩子的隐私保护是我们很重视的。我们会注意对于孩子的隐私的保护。同时也会在合适的时候，引导孩子对于互联网环境的认识。
毕竟生活在现在这个时代，与互联网共存、与 AI 共生，已经不可避免。
2. 为啥作业还得网上批改啊，多此一举？
听起来确实挺多次一举的。但实际上这个痛点恰恰来自于我们的客观痛点。客观情况是夫妻二人在上班。而孩子寒假回老家了，有少量的作业需要完成，我们不希望增加爷爷奶奶日常照料孩子之外的辅导监督教育的责任，也不希望通过电话轰炸等不太可控的方式进行交流。因此，在和孩子约定每日完成作业的数量之后，不做过多干涉，孩子会将完成作业通过手机进行操作。
所以就有了一个网络远程交流的方式，也是一种对于孩子的辅助。网站是前端展示中的一环。整个基础架构，还涉及到比如功能约束后的智能手机采集作业信息、后台云网盘数据同步、后台数据 AI 辅助作业评价、网站数据同步等等。
网站目标是打造家庭数字资产基地。
3. 那么多的主流 APP，为啥多此一举造轮子啊？
这正是我们重视个人隐私和数字资产重要性的一个方面。
我们同意与互联网共存，但是我们也选择保留一块儿数字资产自留地。
4. 这个网站看起来很粗糙啊，有什么用？
确实挺粗糙的。我的愿景：打造一套适合家庭的数字资产系统，最小化改造或利用现有的硬件平台（比如只能手机、蓝牙音箱、云服务器）体验我们能够想想的 AI-Native 原生生活的样子。
了解 实践笔记 的更多信息
订阅后即可通过电子邮件收到最新文章。