AI工具分享会 - 演讲稿

开场白

大家好！今天我想跟大家分享的主题是"如何在软件开发中用AI解决真实问题"。

可能很多人对AI的印象还停留在"ChatGPT聊聊天"、"帮我写个文案"、"调试一下代码"这些场景。但今天我想告诉大家，AI已经可以承担完整的项目实施工作——从零搭建基础设施、跨技术栈迁移，甚至帮你踩完所有的坑。

今天我不会给大家列一个工具清单，因为那没什么意义。我会讲两个真实的落地案例：

1. 第一个案例：我第一次手动搭建Jenkins本地服务器。之前我只用过Jenkins，从来没搭过，但通过AI协助，1天就搞定了，现在已经在给团队用了。
2. 第二个案例：我们把Vue2 + Electron的桌面收银系统改造成了Android平板应用。这个项目涉及硬件对接、原生插件开发，预估要3个月，实际1.5个月就完成了。

在讲这两个案例之前，我先简单介绍一下我的工具箱：

• IDE集成：Antigravity、VSCode、Cursor
• 命令行工具：Claude CLI、Codex CLI、Gemini CLI
• 辅助工具：ccswitch、cpa

好，下面进入第一个案例。

第一部分：Jenkins本地部署之旅

背景与挑战

先说背景。我们团队之前一直用公司的Jenkins服务器做构建，但最近有个需求：需要在局域网搭一个独立的Jenkins，给特定项目用。

领导就把这个任务交给我了。问题是，我只用过Jenkins，从来没搭过。而且环境还挺复杂：

• Windows Server系统
• 装了多个版本的Node.js和JDK
• 需要配置自动化构建、权限管理、还有中文编码问题

传统做法是什么？啃官方文档，Google各种教程，然后一个坑一个坑地踩。我估计至少要3-5天。

但这次我决定让AI当我的"搭档"，边做边问，遇到问题立刻让AI诊断。结果1天就搞定了，而且直接投产使用。

AI协作的三个阶段

阶段一：环境准备与初始化

一开始我就问AI："Windows Server上搭建Jenkins，需要哪些前置条件？"

AI给我生成了一个检查清单：

• JDK版本（推荐JDK 11）
• 端口占用情况（默认8080）
• 权限配置（需要管理员权限）
• 防火墙设置

然后AI直接给我生成了安装命令和配置文件模板。我照着做，10分钟就把Jenkins跑起来了。

阶段二：踩坑与排错（核心价值）

跑起来是跑起来了，但真正用的时候，各种问题冒出来了。这才是AI价值最大的地方。

坑1 - Node.js版本冲突

第一个问题：构建报错node: command not found。

我把错误日志直接贴给AI，AI秒级诊断："系统装了多个Node版本，环境变量冲突了"。

然后AI给我生成了nvm配置脚本，指定项目使用Node 16。问题解决。

如果是传统做法，我得先Google"Jenkins node not found"，然后看10几个StackOverflow的回答，再试各种方案，至少要1-2小时。

坑2 - JDK版本不匹配

第二个问题：Jenkins启动失败，提示Unsupported class version。

我又贴日志给AI。AI分析："Jenkins需要JDK 11，但你系统默认是JDK 8"。

AI直接给我写了个环境变量切换脚本，动态指定JAVA_HOME。又解决了。

坑3 - 控制台乱码（GBK vs UTF-8）

第三个问题：构建日志里中文全是乱码，根本没法看。

AI诊断："Windows默认GBK编码，但Node.js输出UTF-8"。

解决方案：在构建脚本开头加一行chcp 65001，把控制台切换到UTF-8编码。完美解决。

这三个坑，如果靠自己Google，每个至少1-2小时。但有了AI，贴日志、秒级诊断、直接给方案，每个坑5-10分钟就搞定了。

阶段三：优化与投产

基本功能跑通之后，AI还帮我做了优化：

• 配置Webhook，代码一Push就自动触发构建
• 生成权限管理策略（哪些人能触发构建、查看日志）
• 写监控脚本，Jenkins宕机时自动重启

成果对比

我做了个对比表：

这就是AI的价值：不是替代你，而是让你能快速搞定之前不敢碰的事情。

第二部分：Electron收银系统迁移Android

背景与挑战

第二个案例更复杂。我们公司有个收银系统，原本是Vue2 + Electron的桌面应用，跑在PC上。现在客户要求适配Android平板，当收银机用。

这个项目的难度在哪？

1. 剥离Electron依赖：原代码深度耦合了Electron的API（electron-store、@electron/remote、say语音播报），这些在Android上全都不能用。
2. 外设硬件对接：收银机要接打印机、钱箱、扫码枪、客显双屏，这些都是硬件级别的通信，需要原生Android代码。
3. 触屏UI适配：原来用的是Element UI，是给鼠标设计的，触屏上按钮太小、滚动条难点。
4. 更新机制重构：Electron有autoUpdater，Android要自己实现APK下载和安装。

如果纯靠自己，预估要2-3个月，而且我不会Java，可能还得招个Android开发。

但最后，通过AI协助，1.5个月就完成了，而且没招人。

AI协作全流程

阶段一：技术选型

一开始我就问AI："Vue2 + Electron项目，要改Android，用什么方案？"

AI给我分析了4种方案：

• Capacitor（WebView方案，代码复用率高）
• Uni-app（国内生态好）
• Flutter（性能好但要重写）
• 原生Android（最稳但工作量最大）

最后AI推荐：选Capacitor，因为成本最低，70%的代码可以复用。

这一步如果自己查资料对比，至少要2-3天。AI给了个对比表，10分钟就决策了。

阶段二：依赖剥离与替换

技术方案定了，接下来要把Electron的依赖全部剥离。

AI帮我做了什么？

1. 扫描package.json，标记所有Electron依赖

2. 逐个生成替换方案：

   • electron-store → Capacitor Preferences API
   • say（语音播报） → Web Speech API
   • @electron/remote → 移除，改用Capacitor插件

3. 生成迁移脚本，批量替换导入语句

这个过程如果手动做，很容易漏掉某个依赖，导致后面报错。AI扫一遍，确保不遗漏。

阶段三：硬件外设对接（最难的部分）

这是整个项目最难的部分，也是AI价值最大的地方。

收银机必须对接打印机、钱箱、扫码枪。在Electron上，我们是通过Node.js的串口库实现的。但Android上完全不一样，需要原生Java代码。

我问AI："Android上怎么控制热敏打印机？"

AI给出方案：

• 蓝牙打印：使用ESC/POS指令集
• USB打印：需要原生Java插件

然后AI直接给我生成了Capacitor原生插件模板（Java桥接代码）。

我举个具体例子——钱箱控制。

钱箱是通过打印机的串口开的，需要发送一个ESC/POS指令。AI给我生成了这段Java代码：

@PluginMethod
public void openCashDrawer(PluginCall call) {
    byte[] openCommand = {0x1B, 0x70, 0x00, 0x19, (byte) 0xFA};
    sendToSerialPort(openCommand);
    call.resolve();
}

我只需要把这个插件集成到Capacitor，然后在前端JS里直接调Device.openCashDrawer()就行了。

再举个例子——获取设备MAC地址（用于授权）。

Capacitor默认API没有这个功能。我问AI："Android上怎么获取MAC地址？"

AI操作：

1. 编写原生Android代码读取WifiManager
2. 封装成Capacitor插件
3. 前端JS直接调用Device.getMacAddress()

如果没有AI，我不会Java，这一步就卡死了，必须招个Android开发。

但有了AI，我把硬件厂商的SDK文档贴给它，AI帮我封装成JavaScript可调用的接口。半天就搞定了。

阶段四：更新机制重构

Electron有autoUpdater，自动下载更新。但Android不一样，需要：

1. 启动时检查服务器版本号
2. 下载APK
3. 调用系统安装器

AI帮我：

1. 设计版本号比对逻辑（语义化版本 vs 构建号）
2. 生成APK下载进度条组件
3. 编写原生代码触发安装：

xxxxxxxxxx
Intent intent = new Intent(Intent.ACTION_VIEW);
intent.setDataAndType(Uri.fromFile(apkFile), "application/vnd.android.package-archive");
intent.setFlags(Intent.FLAG_ACTIVITY_NEW_TASK);
startActivity(intent);

阶段五：UI触屏适配

Element UI的按钮太小，触摸屏上点不准。

AI操作：

• 扫描所有.vue文件，找出Element组件使用
• 生成CSS覆盖规则：按钮最小高度48px，间距16px
• 推荐触屏友好组件库（Vant UI）

阶段六：环境调试与热更新

每次改代码都要重新打包APK，太慢了。

AI方案：配置Capacitor Live Reload（局域网实时预览）。生成调试脚本：

xxxxxxxxxx
ionic cap run android -l --external --host=192.168.1.100

平板连上开发机，改代码秒级生效。开发效率提升10倍。

成果对比

这个案例的核心启示：AI不仅能帮你做你会的事，还能帮你做你不会的事。

第三部分：工具与工作流详解

我的AI工具矩阵

刚才讲了两个大案例，现在我系统介绍一下我平时用的AI工具。

IDE集成类

VSCode + Antigravity / Cursor / trae

这是日常开发最常用的。

• 实时代码补全：写一半，AI补全另一半
• 上下文理解：根据当前文件推荐API
• 适合场景：日常开发、快速原型

Cursor的特色功能：

• Ctrl+K：选中代码直接改（"把这个函数改成异步"）
• Composer模式：多文件同步修改

命令行类

Claude CLI

用法：claude "帮我写个Git Hook检查Commit规范"

优势：直接在终端拿结果，不用切窗口。

适合场景：写脚本、生成配置文件、快速问答。

Codex CLI

OpenAI的命令行工具，擅长生成标准化代码（CRUD、测试用例）。

平台类

Antigravity

项目级AI助手，能理解整个repo的上下文。

功能：

• 架构分析
• 重构建议
• 依赖升级方案

适合场景：大型项目重构、技术债务清理。

辅助工具

ccswitch（Context Switch）

作用：在不同AI上下文间快速切换。

例子：Jenkins项目和Android项目分别维护独立对话历史，不会混淆。

cpa（Code Pattern Analyzer）

分析代码模式，生成最佳实践建议。

例子：检测项目中的反模式（如过度嵌套、重复代码）。

全局规则、Skills与MCP的协作关系

这部分稍微技术一点，但很重要。

在AI编程工具中，有三个层级：

优先级（从高到低）

1. 用户显式指令 + 全局规则（CLAUDE.md、GEMINI.md）
2. 项目级Skills（.claude/skills/）
3. 全局Skills（~/.claude/skills/）
4. 系统默认提示

实际例子：

比如我在全局规则里写："所有Commit必须包含Jira单号"。

那么AI在生成Git Commit时，会自动校验并提示我。

项目级 vs 全局配置

不同项目有不同的代码规范。

比如Jenkins项目和Android项目，Commit风格不一样。

我的做法：

• 在Jenkins项目根目录写.claude/skills/commit-style.md
• 在Android项目写不同的Skill
• AI自动识别当前项目，加载对应规则

这样就不会混淆了。

第四部分：更多实战小案例

案例1：版本溯源 - 找到分支起点

这是个很实际的问题。

我们收银系统有2.0（v1190）和3.0两个版本。现在要把2.0的新功能迁移到3.0，但不知道3.0是从2.0的哪个提交点拉出来的。

传统做法：手动对比Git历史，可能要看几百个Commit，非常痛苦。

AI协助流程：

我问AI："帮我找出3.0分支是从2.0的哪个Commit拉出来的"。

AI生成Git命令：

xxxxxxxxxx
git merge-base release/2.0 release/3.0

然后AI进一步分析：对比两个分支的文件差异，生成迁移清单。

结果：10分钟定位到起点，节省2-3小时人工对比时间。

案例2：批量代码重构

场景：项目中有50+处使用旧API getUserInfo()，需要统一改成新API fetchUserData()。

AI操作：

1. 全局搜索所有调用点
2. 分析每个调用的上下文（参数、返回值处理）
3. 逐个生成重构代码
4. 我只需审核一遍，一键应用

如果手动改，50个地方，每个5分钟，要4小时。AI帮忙，20分钟搞定。

案例3：紧急Bug修复

场景：线上报错Cannot read property 'name' of undefined。

AI协助：

1. 贴错误栈，AI定位到具体代码行
2. AI分析：user对象可能为空
3. 生成修复代码：

xxxxxxxxxx
const userName = user?.name || '未知用户';

4. 同时生成测试用例，防止回归

传统流程：打断点调试、复现问题、写修复、测试，至少30分钟。AI辅助，5分钟搞定。

案例4：文档生成

痛点：写完代码懒得写文档。

AI方案：贴代码，AI自动生成：

• API接口文档（参数、返回值、示例）
• README（安装步骤、使用说明）
• 函数注释（JSDoc / TypeScript）

文档质量甚至比我自己写的还规范。

第五部分：AI协作的最佳实践

什么时候用AI？

✅ 适合AI：

• 重复性工作（批量重构、生成配置）
• 陌生领域快速上手（第一次搭Jenkins）
• 硬件/API文档翻译成代码
• 错误日志诊断

❌ 不适合AI：

• 核心业务逻辑设计（需要深度理解业务）
• 性能调优（需要Profile数据）
• 安全漏洞修复（需要人工审计）

如何提高AI协作效率？

技巧1：提供完整上下文

❌ 差："帮我修这个Bug"
✅ 好："Vue项目，登录后跳转失败，控制台报router.push is not a function，贴相关代码..."

上下文越完整，AI的答案越准确。

技巧2：分步骤拆解任务

不要一次性问："帮我把整个项目改成TypeScript"。

而是：

1. 先让AI分析改造难度
2. 生成迁移方案
3. 逐个模块改造
4. 最后统一类型检查

技巧3：善用项目配置

• 写CLAUDE.md定义项目规范
• 配置Skills固化最佳实践
• 让AI记住你的偏好（"我喜欢用Async/Await，不用Promise.then"）

技巧4：验证AI输出

AI生成的代码必须自己过一遍。

• 关键逻辑必须写测试
• 陌生领域的建议要多方验证

AI是助手，不是替代品。

总结与展望

我的收获

效率提升：

• Jenkins搭建：传统5天 → AI辅助1天
• Android迁移：传统3个月 → AI辅助1.5个月
• 日常Bug修复：平均节省30-50%时间

能力边界拓展：

• 之前不敢碰的技术（原生Android、Jenkins运维），现在敢上手了
• 从"只能做前端"到"全栈 + DevOps"

知识沉淀：

• AI生成的文档、脚本都成了团队资产
• 下次遇到类似问题，直接复用

对团队的启发

不是替代人，而是放大人：

• 初级工程师：AI帮你快速成长（少走弯路）
• 高级工程师：AI帮你聚焦架构和业务（琐事交给AI）

改变工作模式：

• 从"Google + StackOverflow"到"AI实时对话"
• 从"凭经验试错"到"AI生成方案再验证"

未来展望

AI会越来越深入开发流程：

• 自动生成测试用例
• 智能Code Review
• 实时性能优化建议

但核心能力依然是人：

• 业务理解
• 架构设计
• 技术选型决策

Q&A环节

Q1：AI生成的代码质量如何保证？
A：必须人工审核 + 测试覆盖。AI是助手，不是替代品。

Q2：会不会过度依赖AI，导致能力退化？
A：关键是"用AI做什么"。用它做重复劳动✅，用它替代思考❌。

Q3：公司代码安全吗？会不会泄露？
A：选择靠谱的工具（Claude、GitHub Copilot企业版），有数据隔离保障。

Q4：团队怎么推广AI？
A：从小场景开始（比如让AI写测试用例），让大家尝到甜头。

谢谢大家！