最近和一位做后端开发的朋友聊天他提到一个现象现在很多Java程序员简历上项目经验写了不少但面试官一问“这个项目里除了CRUD你还做了什么有技术挑战的事情”很多人就卡壳了。日常工作似乎被“接收需求 - 设计表 - 写Controller/Service/Dao - 联调 - 改Bug”这个循环给框住了。这背后反映的可能不只是个人技术栈的局限更是一种工作模式的惯性——我们习惯了在已知的框架内解决问题却很少思考如何用新的工具和方法论去重塑整个开发流程。“AI工程化编程”这个词最近很热但很多人的理解还停留在“让AI帮我写几行代码”或者“用Copilot补全一下”。这当然有用但它解决的只是“写”这个动作的效率问题并没有触及“工程化”的核心。真正的AI工程化应该是将AI能力深度、稳定、可预测地融入到软件开发的完整生命周期中从需求分析、架构设计、代码生成、测试、部署到运维形成一个闭环。它改变的不仅是编码速度更是问题解决的范式。今天我们就以一个经典的“企业级电商项目”为蓝本抛开那些手写CRUD的重复劳动看看如何借助Claude Code和Harness AI这两套工具链真正走通一次AI工程化编程的实战。我们的目标不是简单地“用AI生成代码”而是构建一套可复用、可协作、可进化的智能开发工作流。1. 重新定义起点从“写代码”到“设计工作流”在传统的Java电商项目开发中我们的思维起点往往是技术栈Spring Boot、MyBatis、Redis、MySQL……然后开始设计领域模型和数据库表。但在AI工程化的视角下第一步应该是设计“人机协作的工作流”。Claude Code是什么你可以把它理解为一个深度集成在IDE如VS Code中的、具备强大代码理解和生成能力的AI助手。它不同于普通的代码补全工具它能理解更复杂的上下文能根据你的自然语言描述生成整块业务逻辑、单元测试、甚至重构建议。而Harness在这里指的是一套用于AI应用开发、部署和监控的工程化平台Harness AI它关注的是如何将AI能力包括Claude Code这样的工具产出的代码可靠地集成到CI/CD流水线中并进行持续验证。所以面对一个电商项目我们不应该立刻打开IDE新建UserController.java。而是先回答几个问题在这个项目中哪些环节是高度重复、模式固定的例如标准的增删改查接口、DTO转换、基础数据校验这些是AI自动化优先级最高的部分。哪些环节需要复杂的业务逻辑和领域知识例如优惠券分摊计算、库存预占释放策略这些可能需要AI辅助生成初版但必须由人进行深度审查和修正。如何确保AI生成的代码能无缝融入现有架构、符合团队规范、并通过自动化测试一个可行的AI工程化工作流设计如下需求拆解与提示词工程将产品需求如“用户下单”拆解为具体的、可被AI理解的编程任务序列如“生成一个OrderService.createOrder方法需处理参数校验、库存检查、优惠计算、订单持久化、发送创建事件”。Claude Code辅助编码在VS Code中使用精心设计的提示词让Claude Code生成核心业务逻辑代码骨架、单元测试、甚至API文档注释。本地验证与迭代运行生成的代码进行基础功能测试。利用Claude Code的“解释代码”、“查找Bug”、“建议重构”功能快速迭代。代码质量门禁将代码提交至Git触发CI流水线。流水线中必须包含针对AI生成代码的专项检查例如代码风格一致性检查确保生成的代码符合项目的Checkstyle或Spotless规范。静态安全扫描使用SonarQube或类似工具检查AI可能引入的潜在安全漏洞如SQL注入、不安全的反序列化。AI代码检测可以使用一些工具尝试识别代码是否由AI生成并对高置信度的部分进行重点人工复审。Harness AI集成与部署将包含AI生成代码的服务通过Harness平台进行部署。Harness可以管理部署流程、进行金丝雀发布并监控线上表现。这里的关键是我们可以设定一些针对“AI生成模块”的特定监控指标比如其接口的异常率是否显著高于人工编写模块从而形成反馈闭环。反馈与模型优化将线上运行的真实问题、人工复审的修改点作为优化下一次给Claude Code的“提示词”的素材不断提升AI生成代码的准确率和可用性。这个工作流的核心思想是将程序员从重复的代码打字员角色升级为工作流设计者、提示词工程师、代码审查员和系统质量守护者。1.1 电商项目中的AI可自动化模块识别以典型电商后端为例我们可以列出AI高适用性的模块模块类别具体任务AI辅助价值人工审查重点数据对象与接口POJO/DTO/VO生成、Mapper接口、基础Controller/Service极高。模式固定AI能快速生成符合Lombok、MapStruct等约定的代码。字段命名是否符合业务术语是否遗漏了必要的注解如NotNull。基础CRUD服务基于MyBatis-Plus或JPA的单一实体增删改查服务高。AI能生成包含分页、条件查询的标准实现。查询条件是否合理分页参数处理是否正确是否考虑了软删除等业务逻辑。简单业务逻辑状态机转换、基础计算如金额求和、枚举值处理中高。AI能正确实现逻辑但可能对业务边界考虑不周。状态转换条件是否完备计算是否有精度或溢出风险异常场景处理。单元测试为上述生成的代码编写JUnit 5 Mockito测试极高。AI非常擅长根据方法签名和逻辑生成测试用例包括边界情况。测试覆盖率是否足够Mock对象的行为设置是否正确断言是否精确。API文档生成OpenAPI 3.0 (Swagger)注解高。AI能根据方法名和参数生成基本的Operation,Parameter等注解。描述是否准确参数示例是否恰当是否需要补充更详细的业务说明。1.2 设计你的第一个提示词生成一个用户DTO让我们从最简单的开始。在VS Code中安装好Claude Code插件后新建一个文件UserDTO.java。不要手写代码而是在文件中输入如下注释作为给AI的提示词// 请生成一个电商系统的用户DTO类。 // 要求 // 1. 使用Lombok注解包含Data, Builder, NoArgsConstructor, AllArgsConstructor。 // 2. 字段包括id(Long), username(String), email(String), password(String) 需要包含JsonIgnore mobile(String), avatarUrl(String), status(Integer 0正常1禁用), createTime(LocalDateTime), updateTime(LocalDateTime)。 // 3. 为email和mobile字段添加JSR-303校验注解Email和Pattern(regexp ^1[3-9]\\d{9}$)。 // 4. 为createTime和updateTime添加JsonFormat(pattern yyyy-MM-dd HH:mm:ss)。 // 5. 类名和字段名使用驼峰命名。然后调用Claude Code通常是快捷键或右键菜单让它根据这段注释生成代码。你会立刻得到一个近乎完美的UserDTO.java。这节省的不仅是打字时间更是避免了因手误导致的编译错误或注解遗漏。注意提示词的质量直接决定输出代码的质量。初期需要像和一位新同事沟通需求一样清晰、无歧义。随着使用次数增加你可以积累一套针对自己项目技术栈的“提示词模板”。2. 超越单点生成用Claude Code构建完整服务层生成一个DTO只是开始。AI工程化的威力在于串联多个任务构建出完整、可运行的功能模块。我们以“商品管理”模块为例演示如何从零生成一套包含Controller、Service、Mapper、Entity的RESTful API。2.1 步骤一生成实体类与Mapper首先在合适的包路径下创建一个描述商品实体的提示词文件Product.md用Markdown文件来组织复杂的提示词也是一种好方法。# 生成商品(Product)实体类和MyBatis-Plus Mapper ## 实体类要求 - 类名Product - 包路径com.example.ecommerce.entity - 使用Lombok注解Data, TableName(t_product) - 字段 id (Long, 主键自增) categoryId (Long, 分类ID索引) name (String, 商品名称非空) subtitle (String, 商品副标题) mainImage (String, 主图URL) subImages (String, 附图URL列表用JSON数组存储) detail (String, 商品详情HTML) price (BigDecimal, 价格精度10位小数2位) stock (Integer, 库存) status (Integer, 状态0-下架1-上架) createTime (LocalDateTime 创建时间) updateTime (LocalDateTime 更新时间) - 为price字段添加TableField(value price, jdbcType JdbcType.DECIMAL) - 为subImages字段添加TableField(typeHandler JacksonTypeHandler.class)并确保项目中有fastjson或jackson依赖。 ## Mapper接口要求 - 接口名ProductMapper - 包路径com.example.ecommerce.mapper - 继承自com.baomidou.mybatisplus.core.mapper.BaseMapperProduct - 添加Mapper注解将这段提示词交给Claude Code它会生成Product.java和ProductMapper.java。检查生成的代码特别是subImages字段的TypeHandler配置是否正确这通常是AI容易出错的地方。2.2 步骤二生成Service层接下来生成Service接口和实现类。提示词可以这样写// 生成商品服务层ProductService接口和ProductServiceImpl实现类。 // 接口位置com.example.ecommerce.service.ProductService // 实现类位置com.example.ecommerce.service.impl.ProductServiceImpl // 要求 // 1. 接口继承自IServiceProduct。 // 2. 实现类继承自ServiceImplProductMapper, Product并实现ProductService接口。 // 3. 需要注入ProductMapper父类已处理。 // 4. 提供一个自定义的业务方法PageProductVO searchProduct(ProductQuery query); // 5. 说明ProductVO是待生成的视图对象ProductQuery是待生成的查询参数对象。请先生成这两个类的基本结构包含必要的字段再生成Service。 // 6. searchProduct方法逻辑根据ProductQuery中的条件商品名模糊查询、分类ID、状态、价格区间动态构造QueryWrapper调用baseMapper.selectPage进行分页查询并将查询到的Product列表转换为ProductVO列表使用MapStruct或手动set在提示中假设使用手动set。请生成完整的转换逻辑。这个提示词更复杂它要求AI理解多个类之间的依赖关系并实现一个包含条件查询、分页和对象转换的完整业务方法。Claude Code通常能很好地处理这种链式任务。生成后你需要重点审查QueryWrapper的构造逻辑是否正确特别是模糊查询和范围查询。对象转换Product - ProductVO是否遗漏了字段。分页参数PageProduct的使用是否正确。2.3 步骤三生成Controller层最后生成REST控制器。// 生成ProductController。 // 包路径com.example.ecommerce.controller // 要求 // 1. 使用RestController RequestMapping(/api/product) // 2. 注入ProductService。 // 3. 提供标准的RESTful端点 // GET /{id} - 根据ID获取商品详情返回ProductVO // POST / - 创建商品接收ProductDTO返回成功标识 // PUT /{id} - 更新商品接收ProductDTO // DELETE /{id} - 删除商品逻辑删除更新状态 // GET /search - 对应上面Service的searchProduct方法接收ProductQuery参数返回分页结果。 // 4. 所有方法需添加合适的Swagger注解Operation, Parameter等。 // 5. 创建和更新需要对传入的DTO进行JSR-303校验Valid。 // 6. 统一使用ResponseEntity或自定义的Result对象进行包装。生成后检查URL路径是否正确参数绑定PathVariable,RequestBody,Valid是否准确以及异常处理是否完备虽然提示词没要求但AI有时会添加基础的异常处理。通过以上三步一个具备基本CRUD和复杂查询功能的商品管理模块就生成了。整个过程你的主要工作是设计和审查而不是逐行编码。这极大地提升了模块开发的启动速度。3. 工程化的关键质量保障与持续集成AI生成的代码最大的挑战在于质量和一致性。我们不能假设生成的代码永远正确。因此必须建立强力的质量保障门禁这也是“工程化”与“玩具项目”的核心区别。3.1 本地第一道防线单元测试与静态分析Claude Code生成代码后应立即为其生成单元测试。你可以直接对Service实现类说“请为这个类中的searchProduct方法生成JUnit 5单元测试使用Mockito模拟ProductMapper。” AI会生成一个相当完整的测试类覆盖正常和异常场景。但生成了测试不等于通过测试。你必须运行这些测试。同时在提交代码前运行项目的全套静态检查mvn clean compile确保编译通过。mvn checkstyle:check或使用Spotless确保代码风格一致。mvn spotbugs:check检查潜在Bug模式。运行所有单元测试mvn test。可以将这些命令集成到本地Git钩子pre-commit中自动化执行。3.2 持续集成CI中的AI代码专项检查在GitLab CI、GitHub Actions或Jenkins的流水线中除了常规的编译、打包、测试建议增加以下针对AI代码的步骤AI代码检测工具虽然不完美但可以引入像GPTZero、Originality.ai的API或开源工具对变更的代码进行扫描对高概率为AI生成的代码块进行标记提醒评审者重点关注。增强的代码审查Code Review在Merge Request中必须有人工审查。审查重点从“语法是否正确”转向业务逻辑正确性AI生成的算法或逻辑是否符合业务规则安全性是否有SQL拼接、不安全的反射、错误的权限检查性能循环、查询是否高效N1问题一致性命名、日志格式、异常处理是否与项目其他部分一致集成测试生成代码必须通过针对其功能的集成测试。可以编写或生成API测试使用Postman Collection或Spring Boot Test验证整个链路。3.3 引入Harness AI进行部署后监控当代码通过所有检查合并到主分支并完成构建后就进入部署阶段。这里就是Harness平台发挥价值的地方。传统的部署可能只是一次kubectl apply或scp。而Harness提供了智能部署策略如金丝雀发布、蓝绿部署和持续验证。对于包含AI生成代码的服务我们可以在Harness中配置金丝雀发布先将新版本部署给1%的用户流量观察其表现。关键指标验证在发布过程中和发布后Harness可以自动从监控系统如Prometheus或应用日志中收集关键业务指标如/api/product/search接口的延迟、错误率和系统指标如CPU/内存使用率。AI模块专项监控我们可以为AI生成的模块定义更严格的基线。例如如果该模块的P99延迟比人工编写模块高出20%或错误率超过0.1%Harness可以自动触发回滚并通知开发人员。反馈闭环回滚或线上问题发生后开发人员需要分析原因。是提示词不准确是生成的逻辑有边界情况未覆盖将这次教训总结优化下一次的提示词或决定该模块是否需要人工重写。这个“开发-生成-测试-部署-监控-反馈-优化”的闭环是AI工程化成熟度的体现。4. 应对复杂场景AI辅助设计模式与重构电商系统中不乏复杂场景如分布式事务下单扣库存、缓存一致性、异步处理订单超时取消等。AI不仅能生成代码还能辅助进行架构设计和代码重构。4.1 使用AI辅助设计“下单”流程“下单”是一个典型的长事务涉及订单、库存、优惠券、支付等多个领域。你可以向Claude Code描述场景请为电商系统的“下单”流程设计一个Java实现方案。 需求 1. 用户提交订单商品SKU、数量、收货地址、优惠券。 2. 需要检查库存预占、计算价格商品总价、运费、优惠抵扣、生成订单、扣减优惠券、扣减库存。 3. 需要考虑高并发下的数据一致性问题。 4. 请给出核心的类图设计用文字描述和关键方法如OrderService.createOrder的伪代码或实现思路重点说明你如何保证库存扣减和订单创建的一致性例如使用分布式事务Seata或基于消息队列的最终一致性方案。Claude Code可能会给出基于Transactional的本地事务方案或引入Seata的AT模式或使用“预占库存MQ异步扣减”的最终一致性方案。它甚至会生成大致的OrderService方法骨架和InventoryService的deductStock方法。你的角色是评估这些方案的优缺点结合自身项目实际情况团队技术栈、运维能力、业务容忍度做出选择然后让AI基于选定的方案生成更具体的代码。4.2 使用AI进行代码重构假设在代码审查中你发现一个古老的CartService类方法冗长且充斥着if-else逻辑。你可以将这段代码贴给Claude Code并指示请分析以下Java代码并提出重构建议。目标是提高可读性和可维护性。 1. 是否可以提取方法 2. 复杂的条件逻辑是否可以用策略模式或状态模式重构 3. 是否有重复代码可以消除 请直接给出重构后的代码片段。AI会识别出代码坏味道并给出重构后的版本。这相当于一位不知疲倦的资深代码审查员在帮你优化代码结构。5. 从项目实践到个人进化构建你的AI工程化能力栈通过一个电商项目的实践我们体验了AI工程化编程的完整流程。但这不仅仅是完成一个项目更是对个人能力栈的一次升级。要真正掌握这项能力你需要有意识地在以下几个维度积累提示词工程能力这是与AI高效协作的核心。你需要学会如何将模糊的需求转化为清晰、结构化、无歧义的指令。这包括定义上下文、设定约束、提供示例等。建立你自己的“提示词库”分类管理不同场景生成CRUD、生成测试、解释代码、重构代码、设计模式等的最佳实践。架构与设计评审能力当AI能快速产出代码时你的价值将更多体现在做出正确的技术决策和识别设计缺陷上。你需要能判断AI给出的多个方案中哪个更优能发现生成代码中潜在的性能瓶颈、安全漏洞或架构不一致性。质量守护与运维意识你必须比以往更重视自动化测试、静态分析、持续集成和监控。因为AI的“黑盒”特性必须用严格的工程实践来保证其输出的可靠性。理解并运用像Harness这样的现代部署与验证平台将成为标配技能。领域知识深化AI擅长处理通用模式但对特定业务领域的深度理解如电商的库存周转逻辑、金融的风控规则仍然是人类的绝对优势。你的领域知识越深就能设计出越精准的提示词也能更好地校验AI的输出。回到开头那个问题“除了CRUD你还做了什么” 现在你可以给出的答案是我主导或参与了将AI工程化能力引入团队开发流程的工作。我设计了人机协作的编码工作流利用Claude Code等工具将开发效率提升X倍同时通过建立严格的质量门禁和Harness部署监控闭环确保了AI生成代码的线上稳定性。我不仅是在写代码更是在构建下一代智能开发体系。这或许就是摆脱“CRUD程序员”标签走向更高阶工程师的一条切实路径。工具永远在变但用工程化思维解决问题、提升价值的能力永远不会过时。
AI工程化编程实战：从CRUD到智能开发工作流设计
最近和一位做后端开发的朋友聊天他提到一个现象现在很多Java程序员简历上项目经验写了不少但面试官一问“这个项目里除了CRUD你还做了什么有技术挑战的事情”很多人就卡壳了。日常工作似乎被“接收需求 - 设计表 - 写Controller/Service/Dao - 联调 - 改Bug”这个循环给框住了。这背后反映的可能不只是个人技术栈的局限更是一种工作模式的惯性——我们习惯了在已知的框架内解决问题却很少思考如何用新的工具和方法论去重塑整个开发流程。“AI工程化编程”这个词最近很热但很多人的理解还停留在“让AI帮我写几行代码”或者“用Copilot补全一下”。这当然有用但它解决的只是“写”这个动作的效率问题并没有触及“工程化”的核心。真正的AI工程化应该是将AI能力深度、稳定、可预测地融入到软件开发的完整生命周期中从需求分析、架构设计、代码生成、测试、部署到运维形成一个闭环。它改变的不仅是编码速度更是问题解决的范式。今天我们就以一个经典的“企业级电商项目”为蓝本抛开那些手写CRUD的重复劳动看看如何借助Claude Code和Harness AI这两套工具链真正走通一次AI工程化编程的实战。我们的目标不是简单地“用AI生成代码”而是构建一套可复用、可协作、可进化的智能开发工作流。1. 重新定义起点从“写代码”到“设计工作流”在传统的Java电商项目开发中我们的思维起点往往是技术栈Spring Boot、MyBatis、Redis、MySQL……然后开始设计领域模型和数据库表。但在AI工程化的视角下第一步应该是设计“人机协作的工作流”。Claude Code是什么你可以把它理解为一个深度集成在IDE如VS Code中的、具备强大代码理解和生成能力的AI助手。它不同于普通的代码补全工具它能理解更复杂的上下文能根据你的自然语言描述生成整块业务逻辑、单元测试、甚至重构建议。而Harness在这里指的是一套用于AI应用开发、部署和监控的工程化平台Harness AI它关注的是如何将AI能力包括Claude Code这样的工具产出的代码可靠地集成到CI/CD流水线中并进行持续验证。所以面对一个电商项目我们不应该立刻打开IDE新建UserController.java。而是先回答几个问题在这个项目中哪些环节是高度重复、模式固定的例如标准的增删改查接口、DTO转换、基础数据校验这些是AI自动化优先级最高的部分。哪些环节需要复杂的业务逻辑和领域知识例如优惠券分摊计算、库存预占释放策略这些可能需要AI辅助生成初版但必须由人进行深度审查和修正。如何确保AI生成的代码能无缝融入现有架构、符合团队规范、并通过自动化测试一个可行的AI工程化工作流设计如下需求拆解与提示词工程将产品需求如“用户下单”拆解为具体的、可被AI理解的编程任务序列如“生成一个OrderService.createOrder方法需处理参数校验、库存检查、优惠计算、订单持久化、发送创建事件”。Claude Code辅助编码在VS Code中使用精心设计的提示词让Claude Code生成核心业务逻辑代码骨架、单元测试、甚至API文档注释。本地验证与迭代运行生成的代码进行基础功能测试。利用Claude Code的“解释代码”、“查找Bug”、“建议重构”功能快速迭代。代码质量门禁将代码提交至Git触发CI流水线。流水线中必须包含针对AI生成代码的专项检查例如代码风格一致性检查确保生成的代码符合项目的Checkstyle或Spotless规范。静态安全扫描使用SonarQube或类似工具检查AI可能引入的潜在安全漏洞如SQL注入、不安全的反序列化。AI代码检测可以使用一些工具尝试识别代码是否由AI生成并对高置信度的部分进行重点人工复审。Harness AI集成与部署将包含AI生成代码的服务通过Harness平台进行部署。Harness可以管理部署流程、进行金丝雀发布并监控线上表现。这里的关键是我们可以设定一些针对“AI生成模块”的特定监控指标比如其接口的异常率是否显著高于人工编写模块从而形成反馈闭环。反馈与模型优化将线上运行的真实问题、人工复审的修改点作为优化下一次给Claude Code的“提示词”的素材不断提升AI生成代码的准确率和可用性。这个工作流的核心思想是将程序员从重复的代码打字员角色升级为工作流设计者、提示词工程师、代码审查员和系统质量守护者。1.1 电商项目中的AI可自动化模块识别以典型电商后端为例我们可以列出AI高适用性的模块模块类别具体任务AI辅助价值人工审查重点数据对象与接口POJO/DTO/VO生成、Mapper接口、基础Controller/Service极高。模式固定AI能快速生成符合Lombok、MapStruct等约定的代码。字段命名是否符合业务术语是否遗漏了必要的注解如NotNull。基础CRUD服务基于MyBatis-Plus或JPA的单一实体增删改查服务高。AI能生成包含分页、条件查询的标准实现。查询条件是否合理分页参数处理是否正确是否考虑了软删除等业务逻辑。简单业务逻辑状态机转换、基础计算如金额求和、枚举值处理中高。AI能正确实现逻辑但可能对业务边界考虑不周。状态转换条件是否完备计算是否有精度或溢出风险异常场景处理。单元测试为上述生成的代码编写JUnit 5 Mockito测试极高。AI非常擅长根据方法签名和逻辑生成测试用例包括边界情况。测试覆盖率是否足够Mock对象的行为设置是否正确断言是否精确。API文档生成OpenAPI 3.0 (Swagger)注解高。AI能根据方法名和参数生成基本的Operation,Parameter等注解。描述是否准确参数示例是否恰当是否需要补充更详细的业务说明。1.2 设计你的第一个提示词生成一个用户DTO让我们从最简单的开始。在VS Code中安装好Claude Code插件后新建一个文件UserDTO.java。不要手写代码而是在文件中输入如下注释作为给AI的提示词// 请生成一个电商系统的用户DTO类。 // 要求 // 1. 使用Lombok注解包含Data, Builder, NoArgsConstructor, AllArgsConstructor。 // 2. 字段包括id(Long), username(String), email(String), password(String) 需要包含JsonIgnore mobile(String), avatarUrl(String), status(Integer 0正常1禁用), createTime(LocalDateTime), updateTime(LocalDateTime)。 // 3. 为email和mobile字段添加JSR-303校验注解Email和Pattern(regexp ^1[3-9]\\d{9}$)。 // 4. 为createTime和updateTime添加JsonFormat(pattern yyyy-MM-dd HH:mm:ss)。 // 5. 类名和字段名使用驼峰命名。然后调用Claude Code通常是快捷键或右键菜单让它根据这段注释生成代码。你会立刻得到一个近乎完美的UserDTO.java。这节省的不仅是打字时间更是避免了因手误导致的编译错误或注解遗漏。注意提示词的质量直接决定输出代码的质量。初期需要像和一位新同事沟通需求一样清晰、无歧义。随着使用次数增加你可以积累一套针对自己项目技术栈的“提示词模板”。2. 超越单点生成用Claude Code构建完整服务层生成一个DTO只是开始。AI工程化的威力在于串联多个任务构建出完整、可运行的功能模块。我们以“商品管理”模块为例演示如何从零生成一套包含Controller、Service、Mapper、Entity的RESTful API。2.1 步骤一生成实体类与Mapper首先在合适的包路径下创建一个描述商品实体的提示词文件Product.md用Markdown文件来组织复杂的提示词也是一种好方法。# 生成商品(Product)实体类和MyBatis-Plus Mapper ## 实体类要求 - 类名Product - 包路径com.example.ecommerce.entity - 使用Lombok注解Data, TableName(t_product) - 字段 id (Long, 主键自增) categoryId (Long, 分类ID索引) name (String, 商品名称非空) subtitle (String, 商品副标题) mainImage (String, 主图URL) subImages (String, 附图URL列表用JSON数组存储) detail (String, 商品详情HTML) price (BigDecimal, 价格精度10位小数2位) stock (Integer, 库存) status (Integer, 状态0-下架1-上架) createTime (LocalDateTime 创建时间) updateTime (LocalDateTime 更新时间) - 为price字段添加TableField(value price, jdbcType JdbcType.DECIMAL) - 为subImages字段添加TableField(typeHandler JacksonTypeHandler.class)并确保项目中有fastjson或jackson依赖。 ## Mapper接口要求 - 接口名ProductMapper - 包路径com.example.ecommerce.mapper - 继承自com.baomidou.mybatisplus.core.mapper.BaseMapperProduct - 添加Mapper注解将这段提示词交给Claude Code它会生成Product.java和ProductMapper.java。检查生成的代码特别是subImages字段的TypeHandler配置是否正确这通常是AI容易出错的地方。2.2 步骤二生成Service层接下来生成Service接口和实现类。提示词可以这样写// 生成商品服务层ProductService接口和ProductServiceImpl实现类。 // 接口位置com.example.ecommerce.service.ProductService // 实现类位置com.example.ecommerce.service.impl.ProductServiceImpl // 要求 // 1. 接口继承自IServiceProduct。 // 2. 实现类继承自ServiceImplProductMapper, Product并实现ProductService接口。 // 3. 需要注入ProductMapper父类已处理。 // 4. 提供一个自定义的业务方法PageProductVO searchProduct(ProductQuery query); // 5. 说明ProductVO是待生成的视图对象ProductQuery是待生成的查询参数对象。请先生成这两个类的基本结构包含必要的字段再生成Service。 // 6. searchProduct方法逻辑根据ProductQuery中的条件商品名模糊查询、分类ID、状态、价格区间动态构造QueryWrapper调用baseMapper.selectPage进行分页查询并将查询到的Product列表转换为ProductVO列表使用MapStruct或手动set在提示中假设使用手动set。请生成完整的转换逻辑。这个提示词更复杂它要求AI理解多个类之间的依赖关系并实现一个包含条件查询、分页和对象转换的完整业务方法。Claude Code通常能很好地处理这种链式任务。生成后你需要重点审查QueryWrapper的构造逻辑是否正确特别是模糊查询和范围查询。对象转换Product - ProductVO是否遗漏了字段。分页参数PageProduct的使用是否正确。2.3 步骤三生成Controller层最后生成REST控制器。// 生成ProductController。 // 包路径com.example.ecommerce.controller // 要求 // 1. 使用RestController RequestMapping(/api/product) // 2. 注入ProductService。 // 3. 提供标准的RESTful端点 // GET /{id} - 根据ID获取商品详情返回ProductVO // POST / - 创建商品接收ProductDTO返回成功标识 // PUT /{id} - 更新商品接收ProductDTO // DELETE /{id} - 删除商品逻辑删除更新状态 // GET /search - 对应上面Service的searchProduct方法接收ProductQuery参数返回分页结果。 // 4. 所有方法需添加合适的Swagger注解Operation, Parameter等。 // 5. 创建和更新需要对传入的DTO进行JSR-303校验Valid。 // 6. 统一使用ResponseEntity或自定义的Result对象进行包装。生成后检查URL路径是否正确参数绑定PathVariable,RequestBody,Valid是否准确以及异常处理是否完备虽然提示词没要求但AI有时会添加基础的异常处理。通过以上三步一个具备基本CRUD和复杂查询功能的商品管理模块就生成了。整个过程你的主要工作是设计和审查而不是逐行编码。这极大地提升了模块开发的启动速度。3. 工程化的关键质量保障与持续集成AI生成的代码最大的挑战在于质量和一致性。我们不能假设生成的代码永远正确。因此必须建立强力的质量保障门禁这也是“工程化”与“玩具项目”的核心区别。3.1 本地第一道防线单元测试与静态分析Claude Code生成代码后应立即为其生成单元测试。你可以直接对Service实现类说“请为这个类中的searchProduct方法生成JUnit 5单元测试使用Mockito模拟ProductMapper。” AI会生成一个相当完整的测试类覆盖正常和异常场景。但生成了测试不等于通过测试。你必须运行这些测试。同时在提交代码前运行项目的全套静态检查mvn clean compile确保编译通过。mvn checkstyle:check或使用Spotless确保代码风格一致。mvn spotbugs:check检查潜在Bug模式。运行所有单元测试mvn test。可以将这些命令集成到本地Git钩子pre-commit中自动化执行。3.2 持续集成CI中的AI代码专项检查在GitLab CI、GitHub Actions或Jenkins的流水线中除了常规的编译、打包、测试建议增加以下针对AI代码的步骤AI代码检测工具虽然不完美但可以引入像GPTZero、Originality.ai的API或开源工具对变更的代码进行扫描对高概率为AI生成的代码块进行标记提醒评审者重点关注。增强的代码审查Code Review在Merge Request中必须有人工审查。审查重点从“语法是否正确”转向业务逻辑正确性AI生成的算法或逻辑是否符合业务规则安全性是否有SQL拼接、不安全的反射、错误的权限检查性能循环、查询是否高效N1问题一致性命名、日志格式、异常处理是否与项目其他部分一致集成测试生成代码必须通过针对其功能的集成测试。可以编写或生成API测试使用Postman Collection或Spring Boot Test验证整个链路。3.3 引入Harness AI进行部署后监控当代码通过所有检查合并到主分支并完成构建后就进入部署阶段。这里就是Harness平台发挥价值的地方。传统的部署可能只是一次kubectl apply或scp。而Harness提供了智能部署策略如金丝雀发布、蓝绿部署和持续验证。对于包含AI生成代码的服务我们可以在Harness中配置金丝雀发布先将新版本部署给1%的用户流量观察其表现。关键指标验证在发布过程中和发布后Harness可以自动从监控系统如Prometheus或应用日志中收集关键业务指标如/api/product/search接口的延迟、错误率和系统指标如CPU/内存使用率。AI模块专项监控我们可以为AI生成的模块定义更严格的基线。例如如果该模块的P99延迟比人工编写模块高出20%或错误率超过0.1%Harness可以自动触发回滚并通知开发人员。反馈闭环回滚或线上问题发生后开发人员需要分析原因。是提示词不准确是生成的逻辑有边界情况未覆盖将这次教训总结优化下一次的提示词或决定该模块是否需要人工重写。这个“开发-生成-测试-部署-监控-反馈-优化”的闭环是AI工程化成熟度的体现。4. 应对复杂场景AI辅助设计模式与重构电商系统中不乏复杂场景如分布式事务下单扣库存、缓存一致性、异步处理订单超时取消等。AI不仅能生成代码还能辅助进行架构设计和代码重构。4.1 使用AI辅助设计“下单”流程“下单”是一个典型的长事务涉及订单、库存、优惠券、支付等多个领域。你可以向Claude Code描述场景请为电商系统的“下单”流程设计一个Java实现方案。 需求 1. 用户提交订单商品SKU、数量、收货地址、优惠券。 2. 需要检查库存预占、计算价格商品总价、运费、优惠抵扣、生成订单、扣减优惠券、扣减库存。 3. 需要考虑高并发下的数据一致性问题。 4. 请给出核心的类图设计用文字描述和关键方法如OrderService.createOrder的伪代码或实现思路重点说明你如何保证库存扣减和订单创建的一致性例如使用分布式事务Seata或基于消息队列的最终一致性方案。Claude Code可能会给出基于Transactional的本地事务方案或引入Seata的AT模式或使用“预占库存MQ异步扣减”的最终一致性方案。它甚至会生成大致的OrderService方法骨架和InventoryService的deductStock方法。你的角色是评估这些方案的优缺点结合自身项目实际情况团队技术栈、运维能力、业务容忍度做出选择然后让AI基于选定的方案生成更具体的代码。4.2 使用AI进行代码重构假设在代码审查中你发现一个古老的CartService类方法冗长且充斥着if-else逻辑。你可以将这段代码贴给Claude Code并指示请分析以下Java代码并提出重构建议。目标是提高可读性和可维护性。 1. 是否可以提取方法 2. 复杂的条件逻辑是否可以用策略模式或状态模式重构 3. 是否有重复代码可以消除 请直接给出重构后的代码片段。AI会识别出代码坏味道并给出重构后的版本。这相当于一位不知疲倦的资深代码审查员在帮你优化代码结构。5. 从项目实践到个人进化构建你的AI工程化能力栈通过一个电商项目的实践我们体验了AI工程化编程的完整流程。但这不仅仅是完成一个项目更是对个人能力栈的一次升级。要真正掌握这项能力你需要有意识地在以下几个维度积累提示词工程能力这是与AI高效协作的核心。你需要学会如何将模糊的需求转化为清晰、结构化、无歧义的指令。这包括定义上下文、设定约束、提供示例等。建立你自己的“提示词库”分类管理不同场景生成CRUD、生成测试、解释代码、重构代码、设计模式等的最佳实践。架构与设计评审能力当AI能快速产出代码时你的价值将更多体现在做出正确的技术决策和识别设计缺陷上。你需要能判断AI给出的多个方案中哪个更优能发现生成代码中潜在的性能瓶颈、安全漏洞或架构不一致性。质量守护与运维意识你必须比以往更重视自动化测试、静态分析、持续集成和监控。因为AI的“黑盒”特性必须用严格的工程实践来保证其输出的可靠性。理解并运用像Harness这样的现代部署与验证平台将成为标配技能。领域知识深化AI擅长处理通用模式但对特定业务领域的深度理解如电商的库存周转逻辑、金融的风控规则仍然是人类的绝对优势。你的领域知识越深就能设计出越精准的提示词也能更好地校验AI的输出。回到开头那个问题“除了CRUD你还做了什么” 现在你可以给出的答案是我主导或参与了将AI工程化能力引入团队开发流程的工作。我设计了人机协作的编码工作流利用Claude Code等工具将开发效率提升X倍同时通过建立严格的质量门禁和Harness部署监控闭环确保了AI生成代码的线上稳定性。我不仅是在写代码更是在构建下一代智能开发体系。这或许就是摆脱“CRUD程序员”标签走向更高阶工程师的一条切实路径。工具永远在变但用工程化思维解决问题、提升价值的能力永远不会过时。
