AI编程实战：从零到一搭建全栈项目

大家好，我是Java烘焙师。今天不聊架构，介绍一下AI编程。

趁着假期和业余时间，研究了一下AI编程，并用Kiro、OpenCode，从零搭建了一个完整可运行的全栈项目，包括Java后端、前端页面、微信小程序。AI编程效率是真高，全程没怎么写代码，而是告知AI需求是什么、哪些地方要优化、哪里有bug。
实现的功能是：定期抓取Epic游戏商城的限时免费游戏，并生成json、HTML文件，部署到Cloudflare pages，用户可在页面上查看和搜索游戏。

效果

访问地址：https://free-games-website.pages.dev

web页面

H5页面

后台管理页面

微信小程序页面风格类似H5页面，但因个人不能做游戏相关的微信小程序，所以无法上架。

github代码统计：

架构和流程

采用Jamstack架构，后端服务预渲染好前端页面，部署到CDN，无需购买云服务器、存储资源。

• 在家里的PC或树莓派上运行后端服务，定时抓取Epic游戏商城rest API，保存游戏详情至DB，并输出预渲染的前端文件至本地
• crontab任务定时检测是否有git变更，有则把前端文件push到Github
• Github自动触发流程，部署至静态页面托管服务Cloudflare pages
• 用户查看pages.dev页面（Cloudflare免费二级域名）

主流程代码

很神奇的是，AI自己找到了Epic游戏商城的API，访问后解析到了字段格式，并写出了正确的DTO类。
以下是主流程代码片段：

    /**
     * Executes the complete crawling workflow:
     * 1. Fetch data from Epic API
     * 2. Parse JSON response
     * 3. Save games to database
     * 4. Generate static files for CDN deployment
     * 5. Log task execution
     * 
     * @return CrawlerResult containing statistics and errors
     */
    @Transactional
    public CrawlerResult crawlEpicGames() {
        log.info("Starting Epic Games crawl task");
        
        CrawlerTask task = new CrawlerTask();
        task.setStartTime(LocalDateTime.now());
        task.setStatus(CrawlerTask.TaskStatus.RUNNING);
        task.setGamesCrawled(0);
        
        // Log task start
        logCrawlerTask(task);
        
        CrawlerResult result = new CrawlerResult();
        
        try {
            // Step 1: Fetch data from Epic API
            String jsonResponse = epicCrawler.fetchFreeGames();
            
            // Step 2: Parse JSON response
            List<Game> games = parseEpicResponse(jsonResponse);
            result.setTotalFetched(games.size());
            
            log.info("Parsed {} games from Epic API", games.size());
            
            // Step 3: Save games to database
            int savedCount = gameService.batchSaveGames(games);
            
            // Note: batchSaveGames handles deduplication internally
            // We can't easily distinguish new vs updated without querying before each save
            // For simplicity, we report total saved count
            result.setNewGames(savedCount);
            result.setUpdatedGames(0);
            
            // Step 4: Generate static files for CDN deployment
            if (result.getTotalFetched() > 0) {
                log.info("Generating static files after successful crawl");
                boolean staticGenerated = staticPageService.generateStaticFiles();
                if (staticGenerated) {
                    log.info("Static files generated successfully");
                } else {
                    log.warn("Failed to generate static files");
                }
            }
            
            // 5. Log task execution
            // Update task status to SUCCESS
            task.setEndTime(LocalDateTime.now());
            task.setStatus(CrawlerTask.TaskStatus.SUCCESS);
            task.setGamesCrawled(result.getTotalFetched());
            task.setNewGames(result.getNewGames());
            
            log.info("Crawl task completed successfully: {} games saved, {} new games, {} errors", 
                savedCount, result.getNewGames(), result.getErrors().size());
            
        } catch (Exception e) {
            // Handle fatal errors
            String errorMsg = "Crawl task failed: " + e.getMessage();
            log.error(errorMsg, e);
            
            result.addError(errorMsg);
            
            task.setEndTime(LocalDateTime.now());
            task.setStatus(CrawlerTask.TaskStatus.FAILED);
            task.setErrorMessage(errorMsg);
        }
        
        // Log final task status
        logCrawlerTask(task);
        
        return result;
    }

AI编程助手

借助AI编程助手，可以实现从零搭建项目、辅助阅读源代码、日常开发。

AI编程助手和大语言模型，多到眼花缭乱，下面是一些常见的：

• AI编程助手：Claude code、Github copilot、cursor、Kiro、OpenCode、codex、百度文心快码、阿里通义灵码、字节trae
• 大模型：deepseek、qwen、kimi、minimax、glm、gpt、claude、gemini

我的核心诉求是：编码能力强、不依赖特定LLM模型、能免费使用。简单比较后，范围锁定在Kiro和OpenCode了。

Kiro

Kiro是Amazon推出的AI编程助手，包括桌面版和命令行版。官网地址：https://kiro.dev
以下是我在使用中发现的主要特点：

• 编程模式：同时支持spec规范驱动模式、vibe氛围编程模式。其中spec模式注重需求定义、项目技术设计，明确后再开始编码任务，会根据提示词生成需求文档requirements.md、技术设计文档design.md、任务拆解文档tasks.md，适合需求明确的项目、或新增复杂功能，文档清晰详细、任务拆解得当、单测覆盖全；而vibe模式注重快速探索、日常小迭代。实测spec模式相比vibe模式更耗费token
  

• 能感知整个项目上下文，生成全栈代码；也可指定文件、或具体行数，提出修改要求
  

• 持续迭代：借助Kiro生成项目代码、读取外部接口并生成类定义、修复bug、重构优化、给出上线部署步骤

• 功能强大：内置本地文件搜索、读写、执行命令、下载外部文件等功能。还支持扩展，连接MCP server，比如让LLM调用postman

• 不依赖特定LLM模型：默认自动选择，也可手动选择claude、deepseek等模型
  

• 免费额度：注册首月赠送500积分，每月有固定的50免费积分

OpenCode

OpenCode是一个开源的AI编程助手，也包括命令行版和桌面版。官网地址：https://opencode.ai
跟Kiro相比的主要差异是：

• vibe coding代表，claude code的开源平替，适合快速实现demo
• 开源社区维护：不受制于具体厂家，强调供应商中立
• 有限时免费额度：一般是LLM供应商推出新模型时、为了评估效果而加入活动

我在Windows电脑上安装了WSL环境和Debian操作系统，以便在Windows上获得原生的OpenCode CLI体验，以下是截图：

实战步骤

我一开始用OpenCode生成了可用的demo，然后又用Kiro重新实现了一遍，发现Kiro整体上更胜一筹，在需求理解、项目技术设计、代码质量、文档详实程度上都更好，极少需要人工介入改bug，可能跟Kiro的spec模式、以及LLM模型有关。所以后续会优先用Kiro，把OpenCode作为备选。

• 描述功能需求、技术栈：给出需求内容、技术栈的提示词，如果有不明确的，Kiro会询问确认
• 调试至可用：在Intellij idea中打开Kiro生成的工程目录，修改配置文件，连接本地MySQL，启动应用程序
• 持续迭代，修复bug，重构优化：如避免重复计数、本地化支持（语言、币种）、抽象静态文件生成类
• 总结skill：总结Java web+前端技术栈项目的skill，方便后续复用（相当于可复用的prompt模板，不用每次都重新耗费token）

更进一步

• AI全天候工作：借助内网穿透，在外也可远程连接家里的服务器（如树莓派）。当Kiro的autopilot选项打开时，给它提新需求、或修改意见，它可以自主修改代码
• 合规用法：不要在公司项目中使用外部AI编程工具，而是主动询问聊天式AI、不提供敏感信息，得到代码片段

感悟

• AI极大提升效率：一个晚上搭环境、跑通流程，再加一个晚上修bug，再加几个晚上完善功能、发布上线。一人公司变得可行了，AI擅长用前人的经验来实现功能。自己做好架构师、项目管理的角色，指挥、监督AI做好后端、前端（web前端、H5前端、客户端、小程序）、QA、运维等多角色的工作
• AI短期内代替不了人的创造力：如果发现了日常工作生活中的痛点，或者有好的idea，就去做吧
• 关于OpenClaw：有编程技能，优先用AI编程助理，而非OpenClaw。因为易有安全隐患、token耗费大，可能出现费了九牛二虎之力做出不能用的玩具的情况，不过好处就是OpenClaw可以自主迭代，能用好也不错

你有什么想法呢？欢迎交流探讨。