版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 Ryan !
无标签
评论
有问题欢迎留言,看到都会回~
大纲
目录
搜索
-
2026 年我的 AI 应用开发路线:从工具使用者到项目构建者
无标签
发布日期: 2026-05-18
更新日期: 2026-06-28
文章字数: 3.9k
阅读时长: 13 分
阅读次数:
写在前面
2026 年,我想把自己的技术方向收得更清楚一点。
过去一段时间,我花了不少时间使用 AI 工具。ChatGPT、Claude、DeepSeek、Cursor、Claude Code,这些工具确实很有用。它们可以帮我解释报错、生成代码、梳理思路、改文章,也能让我更快完成一些以前需要查很久的事情。
但用得越多,我越感觉到一个问题:只会使用 AI 工具,并不能形成真正稳定的竞争力。因为工具本身会越来越普及,今天我会用,明天别人也会用。真正能拉开差距的,不是用过多少工具,而是能不能借助这些工具做出一个真实项目。
所以我今年的重点不是继续收藏更多工具,而是把 AI 能力接入到具体应用里。简单说,就是从”工具使用者”往”项目构建者”转。
为什么不能只停留在 AI 工具使用
会用工具已经不稀缺
现在很多人都会用 AI 写代码、改简历、总结文章、生成方案。这当然是好事,AI 工具降低了学习和开发的门槛,也确实能提升效率。
但如果一个人的能力只停留在”我会让 AI 帮我写代码”,那其实很危险。因为这件事本身并不稀缺,而且很难证明自己真正理解项目。比如我说我会用 Claude Code 或 Cursor,这只能说明我知道这个工具。但别人真正关心的是:我用它做出了什么?项目有没有上线?核心模块怎么设计?数据库怎么设计?接口失败怎么处理?大模型输出不稳定怎么办?如果这些问题讲不清楚,工具使用经验就会显得很薄。
我现在对 AI 工具的理解是:它是放大器,不是方向盘。如果我有清楚的目标,它能帮我更快推进;如果我自己方向不清楚,它只会帮我更快制造一堆碎片。所以今年我会继续用 AI,但不会把”会用 AI”当成终点。
我的技术定位
我更适合先做 AI 应用开发
我现在不会把自己定位成大模型底层研究者,也不会假装自己在做算法突破。对我目前的阶段来说,更实际的方向是 AI 应用开发,也就是把大模型能力接入到具体场景里,做成用户可以使用的功能。比如简历优化、知识库问答、内容生成、文档分析、面试辅助、学习规划、个人效率工具。
这些方向不一定听起来最硬核,但它们很贴近实际产品,也适合我现在用项目来训练综合能力。我现在最需要的不是空谈 AI 趋势,而是把一个 AI 应用项目从 0 做到上线。
技术主线:AI 应用开发 + Java 后端工程化
我今年的技术主线会放在两个方向上。
第一个是 AI 应用开发,重点是需求分析、Prompt 设计、大模型 API 接入、结构化输出、异常兜底、成本控制和隐私保护。第二个是 Java 后端工程化,重点是 Spring Boot、MySQL、Redis、JWT、接口设计、权限控制、异常处理、日志、限流、Docker、Nginx 和服务器部署。
这两个方向必须结合起来。如果只有 AI,没有后端工程能力,项目很容易变成一个临时 demo;如果只有后端,没有 AI 应用场景,项目又容易变成普通管理系统。我希望做的是二者结合:用后端工程能力支撑 AI 应用,让项目真正可用、可部署、可展示。
今年的第一个重点项目:简喵
为什么选择 AI 简历项目
我今年准备重点做的项目叫”简喵”,一个 AI 简历优化项目。选择这个方向不是因为它最热门,而是因为我自己确实遇到过类似问题。
有一次我在网上用简历模板,填了很久,最后导出 PDF 的时候才提示要付费。当时的体验很差。后来我就想,能不能做一个对学生更友好的免费简历工具。但真正开始思考这个项目后,我发现问题不只是”免费导出”。
以前我有时候会把后端理解成写接口、查数据库、返回结果。但真正做项目以后,会发现后端需要考虑的问题更多:用户有没有登录?接口有没有权限校验?用户能不能访问别人的简历?上传文件有没有格式和大小限制?AI 调用失败时怎么提示?日志会不会记录用户隐私?大模型 API 会不会被刷爆?数据库表以后能不能扩展?上线后出问题怎么排查?这些问题才是项目真正容易暴露短板的地方。
所以我今年会重点补后端工程化,而不是只追求功能表面能跑。
围绕项目补技术
我不打算孤立地学一堆技术名词,而是围绕简喵这个项目去补。
Spring Boot 用来搭建后端接口和业务模块;MySQL 用来保存用户、简历、岗位和分析记录;Redis 用来做限流、验证码、缓存或调用次数控制;JWT 或 Session 用来处理登录和接口鉴权;Docker 用来保证部署环境一致;Nginx 用来做反向代理和静态资源访问;阿里云服务器用来让项目真正上线;大模型 API 用来完成简历分析和优化建议生成。
这些技术只有放进具体项目里,才不会停留在”我学过”的层面。以后我写技术文章,也会尽量从项目问题出发,而不是单独写概念。比如我更想写:简喵为什么需要 Redis 限流;大模型 API 为什么不能暴露在前端;简历上传为什么要做文件校验;Prompt 为什么要要求结构化输出;日志为什么不能打印完整简历内容。这种写法对我自己也更有帮助。
AI 应用开发真正要解决的问题
调 API 只是第一步
很多 AI 项目看起来像是”接入一个模型接口”。但我现在越来越觉得,调用 API 只是最简单的一步。真正困难的是让模型能力变成稳定的产品功能。
以简喵为例,如果我只是把用户简历直接丢给大模型,然后让它”帮我优化一下”,这个功能可能偶尔能用,但很难稳定。它可能输出很空泛的建议,可能格式每次都不一样,可能编造用户没有的经历,可能忽略目标岗位,可能返回太长前端不好展示,也可能超时、失败、成本失控。所以 AI 应用开发要考虑的不只是”能不能回答”,还要考虑结果是否稳定、可解析、可保存、可展示、可追踪。
我不会减少使用 AI 工具,相反我会更系统地用。我会用它们辅助查问题、写代码、解释框架、分析方案、优化文章、模拟面试。但我会尽量避免直接把 AI 的输出当成自己的理解——AI 生成的代码,我要能看懂;AI 给出的方案,我要能判断;AI 写出的解释,我要能验证;AI 帮我整理的文章,我要加入自己的真实经历。否则很容易出现一种假象:内容看起来很完整,但其实自己没有真正掌握。
这也是我写博客时需要注意的地方。文章可以参考 AI 的帮助,但最终必须写成自己的表达,写出自己真实做项目时遇到的问题。
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 Ryan !
无标签
评论
有问题欢迎留言,看到都会回~
大纲
目录
搜索
+
2026 年我的 AI 应用开发路线:从工具使用者到项目构建者
无标签
发布日期: 2026-05-18
更新日期: 2026-06-28
文章字数: 3.9k
阅读时长: 13 分
阅读次数:
写在前面
2026 年,我想把自己的技术方向收得更清楚一点。
过去一段时间,我花了不少时间使用 AI 工具。ChatGPT、Claude、DeepSeek、Cursor、Claude Code,这些工具确实很有用。它们可以帮我解释报错、生成代码、梳理思路、改文章,也能让我更快完成一些以前需要查很久的事情。
但用得越多,我越感觉到一个问题:只会使用 AI 工具,并不能形成真正稳定的竞争力。因为工具本身会越来越普及,今天我会用,明天别人也会用。真正能拉开差距的,不是用过多少工具,而是能不能借助这些工具做出一个真实项目。
所以我今年的重点不是继续收藏更多工具,而是把 AI 能力接入到具体应用里。简单说,就是从”工具使用者”往”项目构建者”转。
为什么不能只停留在 AI 工具使用
会用工具已经不稀缺
现在很多人都会用 AI 写代码、改简历、总结文章、生成方案。这当然是好事,AI 工具降低了学习和开发的门槛,也确实能提升效率。
但如果一个人的能力只停留在”我会让 AI 帮我写代码”,那其实很危险。因为这件事本身并不稀缺,而且很难证明自己真正理解项目。比如我说我会用 Claude Code 或 Cursor,这只能说明我知道这个工具。但别人真正关心的是:我用它做出了什么?项目有没有上线?核心模块怎么设计?数据库怎么设计?接口失败怎么处理?大模型输出不稳定怎么办?如果这些问题讲不清楚,工具使用经验就会显得很薄。
我现在对 AI 工具的理解是:它是放大器,不是方向盘。如果我有清楚的目标,它能帮我更快推进;如果我自己方向不清楚,它只会帮我更快制造一堆碎片。所以今年我会继续用 AI,但不会把”会用 AI”当成终点。
我的技术定位
我更适合先做 AI 应用开发
我现在不会把自己定位成大模型底层研究者,也不会假装自己在做算法突破。对我目前的阶段来说,更实际的方向是 AI 应用开发,也就是把大模型能力接入到具体场景里,做成用户可以使用的功能。比如简历优化、知识库问答、内容生成、文档分析、面试辅助、学习规划、个人效率工具。
这些方向不一定听起来最硬核,但它们很贴近实际产品,也适合我现在用项目来训练综合能力。我现在最需要的不是空谈 AI 趋势,而是把一个 AI 应用项目从 0 做到上线。
技术主线:AI 应用开发 + Java 后端工程化
我今年的技术主线会放在两个方向上。
第一个是 AI 应用开发,重点是需求分析、Prompt 设计、大模型 API 接入、结构化输出、异常兜底、成本控制和隐私保护。第二个是 Java 后端工程化,重点是 Spring Boot、MySQL、Redis、JWT、接口设计、权限控制、异常处理、日志、限流、Docker、Nginx 和服务器部署。
这两个方向必须结合起来。如果只有 AI,没有后端工程能力,项目很容易变成一个临时 demo;如果只有后端,没有 AI 应用场景,项目又容易变成普通管理系统。我希望做的是二者结合:用后端工程能力支撑 AI 应用,让项目真正可用、可部署、可展示。
今年的第一个重点项目:简喵
为什么选择 AI 简历项目
我今年准备重点做的项目叫”简喵”,一个 AI 简历优化项目。选择这个方向不是因为它最热门,而是因为我自己确实遇到过类似问题。
有一次我在网上用简历模板,填了很久,最后导出 PDF 的时候才提示要付费。当时的体验很差。后来我就想,能不能做一个对学生更友好的免费简历工具。但真正开始思考这个项目后,我发现问题不只是”免费导出”。
以前我有时候会把后端理解成写接口、查数据库、返回结果。但真正做项目以后,会发现后端需要考虑的问题更多:用户有没有登录?接口有没有权限校验?用户能不能访问别人的简历?上传文件有没有格式和大小限制?AI 调用失败时怎么提示?日志会不会记录用户隐私?大模型 API 会不会被刷爆?数据库表以后能不能扩展?上线后出问题怎么排查?这些问题才是项目真正容易暴露短板的地方。
所以我今年会重点补后端工程化,而不是只追求功能表面能跑。
围绕项目补技术
我不打算孤立地学一堆技术名词,而是围绕简喵这个项目去补。
Spring Boot 用来搭建后端接口和业务模块;MySQL 用来保存用户、简历、岗位和分析记录;Redis 用来做限流、验证码、缓存或调用次数控制;JWT 或 Session 用来处理登录和接口鉴权;Docker 用来保证部署环境一致;Nginx 用来做反向代理和静态资源访问;阿里云服务器用来让项目真正上线;大模型 API 用来完成简历分析和优化建议生成。
这些技术只有放进具体项目里,才不会停留在”我学过”的层面。以后我写技术文章,也会尽量从项目问题出发,而不是单独写概念。比如我更想写:简喵为什么需要 Redis 限流;大模型 API 为什么不能暴露在前端;简历上传为什么要做文件校验;Prompt 为什么要要求结构化输出;日志为什么不能打印完整简历内容。这种写法对我自己也更有帮助。
AI 应用开发真正要解决的问题
调 API 只是第一步
很多 AI 项目看起来像是”接入一个模型接口”。但我现在越来越觉得,调用 API 只是最简单的一步。真正困难的是让模型能力变成稳定的产品功能。
以简喵为例,如果我只是把用户简历直接丢给大模型,然后让它”帮我优化一下”,这个功能可能偶尔能用,但很难稳定。它可能输出很空泛的建议,可能格式每次都不一样,可能编造用户没有的经历,可能忽略目标岗位,可能返回太长前端不好展示,也可能超时、失败、成本失控。所以 AI 应用开发要考虑的不只是”能不能回答”,还要考虑结果是否稳定、可解析、可保存、可展示、可追踪。
我不会减少使用 AI 工具,相反我会更系统地用。我会用它们辅助查问题、写代码、解释框架、分析方案、优化文章、模拟面试。但我会尽量避免直接把 AI 的输出当成自己的理解——AI 生成的代码,我要能看懂;AI 给出的方案,我要能判断;AI 写出的解释,我要能验证;AI 帮我整理的文章,我要加入自己的真实经历。否则很容易出现一种假象:内容看起来很完整,但其实自己没有真正掌握。
这也是我写博客时需要注意的地方。文章可以参考 AI 的帮助,但最终必须写成自己的表达,写出自己真实做项目时遇到的问题。
最近用 Codex 和 Claude Code 写项目时,我越来越明显地感受到一种割裂:一边是效率真的变高了,一个想法可以很快变成能跑的产品;另一边是焦虑也变强了,因为“能跑”开始变得不再稀缺。真正刺痛我的问题不是 AI 能不能写代码,而是当一个项目大部分代码都由 AI 生成后,我还能不能解释它、修改它、验证它、回滚它,并在它出问题时真正负责?如果不能,这个项目看起来再完整,也更像是 AI 的产物,而不是我的工程能力。
最近用 Codex 和 Claude Code 写项目时,我越来越明显地感受到一种割裂:一边是效率真的变高了,一个想法可以很快变成能跑的产品;另一边是焦虑也变强了,因为“能跑”开始变得不再稀缺。真正刺痛我的问题不是 AI 能不能写代码,而是当一个项目大部分代码都由 AI 生成后,我还能不能解释它、修改它、验证它、回滚它,并在它出问题时真正负责?如果不能,这个项目看起来再完整,也更像是 AI 的产物,而不是我的工程能力。
一个真正能上线、能被别人使用的 AI 应用,不只是调用一次大模型 API。它要考虑很多更现实的问题:
文件上传怎么做安全校验? PDF 和 Word 解析失败怎么办? 大模型输出不是 JSON 怎么处理? 用户连续点击评分会不会烧掉 API 额度? 接口超时怎么重试? AI 服务不可用时怎么降级? 简历数据怎么保护隐私? 导出 PDF 怎么保证格式稳定? 项目部署到服务器后怎么排查问题? 日志怎么记录,错误码怎么设计,成本怎么审计?
一个真正能上线、能被别人使用的 AI 应用,不只是调用一次大模型 API。它要考虑很多更现实的问题:
文件上传怎么做安全校验? PDF 和 Word 解析失败怎么办? 大模型输出不是 JSON 怎么处理? 用户连续点击评分会不会烧掉 API 额度? 接口超时怎么重试? AI 服务不可用时怎么降级? 简历数据怎么保护隐私? 导出 PDF 怎么保证格式稳定? 项目部署到服务器后怎么排查问题? 日志怎么记录,错误码怎么设计,成本怎么审计?
原因有三个,第一,攻击用户名高度通用。攻击者没有尝试我的业务账号、项目名、域名相关名称。第二,来源 IP 分散,行为模式重复。大量日志是 Invalid user xxx from 某 IP,随后紧跟 Failed password for invalid user。第三,我的登录记录和攻击记录可以明显区分。我自己的来源 IP 在日志里是 Accepted publickey,并且 failed_or_invalid=0。也就是说,我没有在反复输错密码;失败记录来自外部公网 IP。