AI 辅助开发实战：高效完成计算机毕设 App 选题的工程化路径-深圳市維司達科技有限公司

毕设开发中的典型痛点

每年 3 月，实验室的空气里都飘着同一种焦虑：选题。
大家嘴上挂着“校园服务”“智能推荐”“区块链+”这些热词，真到写开题报告时却集体卡壳——需求像雾，技术栈像迷宫，导师一问“核心创新点在哪”，只能尴尬地重复“就是更方便”。我去年带过的 8 组同学，有 5 组在期中检查前把原型推翻重来，原因高度一致：

需求拍脑袋：想到啥写啥，没有用户故事，也没有用例图，结果做到一半发现“二手交易”和“拍卖”逻辑打架。
技术选型盲盒：听说 Flutter 酷炫就 Flutter，听说 Vue 好找工作就 Vue，真到调用硬件传感器时才发现生态断层。
重复造轮子：登录、注册、图片上传、即时通讯，80% 时间耗在样板代码，留给核心业务不到 20%。

痛点总结成一句话——“写毕设像徒手挖运河，既缺地图，也缺铲子。”

主流 AI 开发工具对比

把铲子换成 AI，先挑一把顺手的。我把去年用过的 3 把“智能铲子”拉到同一条赛道：让它们在 30 分钟内，把一句话需求“做一个校园二手交易平台”拆成可执行的 RESTful 接口清单。

维度	GitHub Copilot	Cursor	Amazon CodeWhisperer
触发方式	行内补全	对话侧栏+行内补全	行内补全
上下文长度	1 文件+临近 20 行	全项目索引+手动@文件	1 文件
语言支持	Python/JS/Go 等	同上	Python/JS/Java
价格	10$ / 月	20$ / 月	免费
亮点	写注释就能出代码	可追问、可回溯	内置安全扫描
槽点	容易“幻觉”写废代码	中文 Prompt 偶现乱码	提示存在感弱

实测结论：

验证阶段（拆需求、画时序）用 Cursor 最爽，能把自然语言直接转成 PlantUML。
骨架阶段（写 CRUD、DTO）用 Copilot 最快，tab 键按到飞起。
上线前再用 CodeWhisperer 跑一遍安全扫描，把硬编码密钥、SQL 注入扫出来，免费又安心。

一条需求到 API 骨架的完整演练

下面用“校园二手交易平台”走一遍工程化流程，语言选 Python 3.11 + FastAPI，AI 工具选 Cursor + Copilot 组合拳。

1. 需求澄清：用 Cursor 生成用户故事

Prompt：
“我是计算机大四学生，想做一个校园二手交易小程序，请输出 5 条最核心、可落地的用户故事，用‘作为…想要…以便…’格式，并给出验收条件。”

Cursor 返回：

作为卖家，想要发布闲置图书，以便快速回血。
- 验收：填写书名、价格、上传 1-9 张图片，点击发布后可在列表页立即看到。
作为买家，想要按书名搜索，以便找到最低价的教材。
- 验收：搜索框实时响应，结果在 500 ms 内返回，支持拼音模糊匹配。
……

把故事贴进 README.md，Copilot 会自动识别，并在后续代码里提示对应字段，需求与代码双向绑定，比纯文档靠谱。

2. 架构草图：让 AI 画 C4 容器图

继续问 Cursor：
“把上面故事转成 C4 容器图，用 PlantUML 语法输出，包含小程序、API、MySQL、Redis。”

30 秒后得到 plantuml 源码，粘进 VS Code 插件瞬间生成图，答辩 PPT 素材直接白嫖。

3. 代码骨架：一键生成 RESTful 模板

在main.py里写一行注释：

# TODO: RESTful skeleton for second-hand book: CRUD, pydantic model, async sqlalchemy

Copilot 立刻给出：

from fastapi import FastAPI, HTTPException, Depends from sqlalchemy.ext.asyncio import AsyncSession from pydantic import BaseModel, Field from datetime import datetime import uuid app = FastAPI() class BookCreate(BaseModel): title: str = Field(..., min_length=1, max_length=128) price: float = Field(..., gt=0, le=9999) images: list[str] = Field([], max_items=9) class BookDB(BookCreate): id: str created_at: datetime # 依赖注入 async def get_db() -> AsyncSession: async with AsyncSessionLocal() as session: yield session @app.post("/books", response_model=BookDB, status_code=201) async def create_book(payload: BookCreate, db: AsyncSession = Depends(get_db)): book = BookDB(id=str(uuid.uuid4()), created_at=datetime.utcnow(), **payload.dict()) db.add(book) await db.commit() return book

要点解释

用 Pydantic 做字段校验，前端传脏数据直接 422。
依赖注入把数据库会话和路由解耦，后续单测 mock 极方便。
返回模型与数据库模型分离，DTO 变动不影响库表，毕设后期加字段不翻车。

再让 Cursor 补一条“搜索”接口：

@app.get("/books", response_model=list[BookDB]) async def search_books(q: str = "", db: AsyncSession = Depends(get_db)): stmt = select(BookDB).where(BookDB.title.contains(q)).limit(20) return (await db.execute(stmt)).scalars().all()

全程 10 分钟，CRUD + 搜索骨架到位，剩下就是业务润色。

AI 生成代码的三道坎

1. 幂等性保障

AI 喜欢随手uuid.uuid4()，但订单支付这类接口必须幂等。解决：让 Cursor 生成前先写注释“# 幂等键由调用方传 order_sn”，Copilot 就会用外部单号做主键，把随机生成代码转成确定性逻辑。

2. 安全边界

Copilot 曾自动补全：

STRIPE_KEY = "sk_live_xxxxxxxxxxxxx"

一旦提交到 GitHub 公开库，秒变“慈善捐款”。强制本地 pre-commit 钩子 + CodeWhisperer 扫描，把含 live_、sk_、password 的正则拦住，AI 背锅前先让机器自检。

3. 冷启动延迟

FastAPI 首次启动时，Copilot 注入的from transformers import pipeline会拖 3 s 启动时间。策略：把重模型放独立微服务，主服务只保留接口调用，用 Docker-Compose 的depends_on控制顺序，毕设演示不卡壳。

生产环境避坑指南

模型幻觉校验
让 AI 写复杂 SQL 时，先用 explain 跑一遍，成本由数据库而不是答辩老师指出。
版本回溯策略
每生成一个模块即刻git add -p，把 AI 产出和人类修改分提交，回滚时精准到行。
提交规范
在.gitmessage里加模板：
```
[AI] <scope>：简述 - Prompt：xxx - Model：cursor-v1 - Human-Review：passed
```
方便导师查记录，也逼自己二次 Review。