第一次用 AI 写代码的感觉，就像突然有了一个 “全能助手”，既惊喜又有些不适应。作为一名对 Flask 框架不算精通、对向量检索等 AI 相关技术更是陌生的开发者，原本以为这个项目至少需要一个月才能完成，尤其是文档解析、智能问答接口对接这些核心模块，光是查资料可能就要花大量时间。但当我让 AI 生成 Flask 项目骨架时，它不仅快速给出了完整的目录结构和主程序代码，还附带了详细的注释，甚至提醒了环境变量配置、数据库初始化等容易忽略的细节。
最让我意外的是 AI 对需求的理解能力 —— 我只是大概描述了 “支持 PDF、Word 文档上传并解析”，它就自动推荐了合适的解析库，还考虑到了大文件处理的分块逻辑。这种 “无需纠结基础实现，只需聚焦核心需求” 的开发模式，打破了我之前 “从零开始写每一行代码” 的固有思维，让我能把更多精力放在用户体验优化上，而不是陷入技术细节的泥潭。但初期也有明显的不适应，比如 AI 生成的代码中存在部分冗余逻辑，或者依赖版本不兼容，需要我逐一甄别和调整，这种 “信任与验证并存” 的过程，让我慢慢找到了与 AI 协作的节奏。
最坑的一次交互是让 AI 实现 “文档解析并提取页码信息” 的功能。我当时的 Prompt 是 “实现 PDF 文档解析，提取文本内容和对应的页码”，AI 很快给出了使用 PyPDF2 库的代码。但实际测试时发现，代码虽然能提取文本，却无法准确对应页码 —— 比如多页 PDF 的文本会被合并成一个字符串，页码信息完全丢失。我反复运行代码，确认不是环境问题后，又去查看 PyPDF2 的官方文档，发现 AI 给出的代码中遗漏了遍历每一页并记录页码的关键逻辑，只是简单读取了所有页面的文本。更麻烦的是，当我指出这个问题后，AI 第二次修改的代码虽然加入了页码记录，但却出现了文本乱码的情况，原因是没有处理 PDF 的编码格式。这次交互让我意识到，AI 虽然能快速生成代码，但对于需要精准细节控制的功能，可能会遗漏关键步骤，尤其是涉及到特定库的具体使用场景时，不能完全依赖 AI 的输出，必须结合官方文档进行验证。
2.3 Bug 解决
印象最深的一个 Bug 是 AI 生成的 “对话历史保存” 功能出现数据重复存储的问题。具体表现为，每次提交问题后，数据库中会同时保存两条完全相同的对话记录，一条有 sources（参考来源）信息，一条没有。我首先查看了 AI 生成的/api/ask接口代码，发现问题出在逻辑处理上：AI 在调用 OpenAI API 获取答案后，先执行了一次对话记录保存（此时 sources 还未解析完成），然后在解析完参考来源后，又执行了一次保存操作，导致重复插入。
为了定位问题，我先打印了代码中的执行流程，确认了两次db.session.add()调用的存在。接着查看代码结构，发现 AI 将 “保存对话” 和 “解析来源” 分成了两个独立的步骤，且没有添加判断条件。找到问题根源后，我对代码进行了修改：将两次保存操作合并，在解析完答案和参考来源后，一次性创建对话记录并保存到数据库中，删除了多余的保存逻辑。同时，我添加了事务处理，确保如果解析来源失败时，对话记录不会被部分保存。
这次经历让我明白，AI 生成的代码可能存在逻辑冗余或流程设计不合理的问题，不能直接运行后就不管。遇到 Bug 时，需要先梳理代码的执行流程，定位问题所在，再结合业务逻辑进行修正。虽然 AI 能快速生成功能代码，但在流程优化和逻辑严谨性上，还需要开发者根据实际场景进行调整。
3. 自我反思
3.1 离开 AI，我还能写出这个吗？
诚实地说，离开 AI，我能写出这个项目，但需要花费至少 3 倍以上的时间，而且功能会相对简陋。首先，在技术选型上，我原本只熟悉 Flask 的基础用法，对于对接 OpenAI API、文档解析库的选择（比如 python-docx 处理 Word 文档）、SQLite 数据库的模型设计等，都需要大量时间查阅资料。尤其是智能问答的核心逻辑 —— 如何将文档内容与用户问题关联起来，返回精准答案并标注来源，这部分涉及到文本分割、向量匹配等知识，我之前几乎没有接触过，没有 AI 的帮助，可能需要先花几周时间学习相关技术，才能开始实现。
其次，在代码实现上，比如响应式布局的 CSS 编写、JavaScript 的交互逻辑（如文件拖拽上传、Toast 通知）、接口的错误处理等，AI 给出的代码虽然需要调整，但提供了完整的实现思路和基础框架。如果离开 AI，我需要逐行编写这些代码，还要解决跨浏览器兼容、移动端适配等细节问题，效率会非常低。而且，项目中的很多优化点，比如对话历史的自动加载、输入长度限制、加载状态指示等，都是 AI 在代码中主动加入的，若仅凭我自己的思考，可能会忽略这些提升用户体验的细节，最终的产品会显得粗糙。
AI 时代，程序员的核心竞争力不再是 “写出能运行的代码”，而是 “理解需求、掌控全局、解决复杂问题的能力”。AI 可以快速生成基础代码、实现常规功能，但它无法替代开发者对业务场景的深度理解 —— 比如这个智能知识库系统，AI 能生成问答接口，但它不知道用户在上传大文件时需要分块处理，不知道企业用户需要多文档整合查询，不知道学生用户需要清晰的参考页码标注。这些基于实际使用场景的需求拆解和功能优化，才是产品能否真正解决用户痛苦的关键。
其次，是问题排查和逻辑优化的能力。正如之前遇到的重复存储 Bug、页码提取错误等问题，AI 可能会生成有瑕疵的代码，但开发者需要具备快速定位问题、分析根源并给出最优解决方案的能力。这种能力源于对技术原理的理解、对代码逻辑的掌控，以及过往项目积累的经验，是 AI 短期内无法替代的。
另外，创新思维和用户体验意识也至关重要。AI 生成的代码往往是基于常规方案的实现，而真正有竞争力的产品需要有差异化的亮点。比如这个项目中，我在 AI 生成的基础上，增加了移动端的大按钮设计、对话历史的时间排序、文档处理进度的实时显示等功能，这些都是从用户体验出发的创新优化。AI 无法主动产生这些基于用户需求的创新想法，只能在开发者的引导下实现。
最后，持续学习和适应变化的能力。AI 技术在不断发展，新的工具、新的框架层出不穷，作为程序员，需要保持对新技术的敏感度，学会如何与 AI 高效协作，将 AI 作为提升效率的工具，而不是被技术淘汰。同时，要不断深化自己在特定领域的专业知识，比如 AI 时代，掌握数据分析、机器学习基础、业务逻辑梳理等能力，才能在复杂项目中发挥不可替代的作用。
总而言之，AI 淘汰的是 “只会机械写代码” 的执行者，而真正有核心竞争力的程序员，是能借助 AI 工具，聚焦于需求理解、问题解决、产品创新的 “价值创造者”。
