AI 辅助开发实战：基于 isac毕设选题 的智能代码生成与工程落地

痛点速写：毕设前两周的“死亡三连”

每年三月，实验室的空气里都飘着同一种焦虑的味道——选题定了，技术栈还没影；Git 仓库建了，目录只有main.py孤零零躺着；导师一句“下周给我看演示”，直接让心跳和 CPU 一起飙到 95℃。

我这次抽到的题目是「isac毕设选题：智能课程推荐系统」。听上去人畜无害，真动手才发现：

1. 技术选型混乱：协同过滤、知识图谱、深度学习，论文里全是高大上名词，到底先搭哪个？
2. 代码组织无序：写着写着就把推荐逻辑、数据库语句、Flask 路由全塞一个文件，import 一圈星号。
3. 调试效率低：每次改完模型参数都要手动重启，打印日志淹没在 3000 行控制台里，找不到一条有用的。

于是我把希望押在 AI 辅助开发上——既然写不完，那就让机器先写个 60%，我再补 40%。

工具横评：Copilot vs 通义灵码 vs CodeWhisperer

我把同样一句 Prompt 喂给三款插件：

“用 Python 写一个基于 FastAPI 的 REST 接口，根据学生已修课程列表返回 Top-5 推荐课程，要求带输入校验、异常处理、接口文档。”

1. GitHub Copilot：
   生成速度最快，直接给出 Pydantic 模型、依赖注入、完整 docstring，但把数据库操作写在路由函数里，违反分层原则。
2. 通义灵码：
   中文注释极其友好，自动拆出service/repository/handler三层，还附带单元测试模板，不过默认用 SQLAlchemy 1.3 语法，需要手动升级到 2.0。
3. CodeWhisperer：
   安全扫描最积极，提示“未对输入列表做长度限制”，并给出限流代码段，但接口文档只生成了标题，细节要自己补。

结论：

• 想“秒出代码”选 Copilot；
• 想“结构清晰”选通义灵码；
• 想“少踩安全坑”选 CodeWhisperer。

我最后采用“通义灵码主生成 + Copilot 补细节 + CodeWhisperer 做扫描”的杂交方案。

实战：让 AI 写出能过 Clean Code 审查的推荐模块

1. 需求拆解与 Prompt 设计

先把业务拆成三张“小纸条”：

• 用户服务：注册、登录、返回已修课程 ID 列表
• 课程服务：课程元信息 CRUD
• 推荐服务：读取用户历史 → 模型推理 → 返回 Top-5

每张纸条再写一段“角色+任务+约束”Prompt，例如：

“你是一名对 PEP8 有洁癖的 Python 工程师，请用 FastAPI 编写‘推荐服务’，要求：

1. 路由层只负责校验和转发；
2. 业务逻辑放在 service 层，依赖抽象推荐接口；
3. 数据访问层用 Repository 模式；
4. 每个函数不超过 20 行；
5. 必须写类型标注与 Google Style docstring。”

把 Prompt 保存成.prompt文件，Git 跟踪，方便回滚。

2. 目录模板一键生成

通义灵码读完上述 Prompt 后，30 秒吐出如下骨架：

isac-recommender/ ├── app/ │ ├── api/ │ │ └── v1/ │ │ └── recommender.py │ ├── core/ │ │ ├── config.py │ │ └── security.py │ ├── models/ │ │ ├── course.py │ │ └── user.py │ ├── repositories/ │ │ └── course_repo.py │ ├── services/ │ │ └── recommend_service.py │ └── main.py ├── tests/ │ └── test_recommend.py ├── Dockerfile └── requirements.txt

AI 甚至把__init__.py里的相对导入都写对了，省掉我半小时手敲。

3. 关键代码片段与人工微调

AI 生成的recommend_service.py核心函数：

async def top5_courses(user_id: str) -> List[Course]: """ Returns the top-5 recommended courses for a given user. Args: user_id: UUID string from the request path. Returns: List of Course entities ordered by predicted score desc. Raises: UserNotFoundError: if the user does not exist. """ history = await user_repo.get_finished_courses(user_id) if not history: raise UserNotFoundError(f"user {user_id} has no course history") scores = await model.predict(history) # AI 默认写成了同步阻塞 return await course_repo.find_by_ids(scores.top5())

问题一眼发现：model.predict是 CPU 密集型计算，直接放协程里会阻塞事件循环。手动加线程池：

loop = asyncio.get_event_loop() scores = await loop.run_in_executor(None, model.predict, history)

再把异常细分，UserNotFoundError改写成RecommendationError并映射到 422，接口文档瞬间优雅。

4. 接口设计说明与注释规范

AI 喜欢在 docstring 里写“TODO: add more logic”。我的做法是：

• 用ruff做强制检查，出现 TODO 就报错，逼自己在合并前清理；
• 把业务语义写成NOTE(bizhao): 采用协同过滤，冷启动用户走热门课程兜底，方便后人考古。

潜在风险：AI 代码不是“免维护”代码

1. 幂等性：AI 默认把“写入浏览记录”放在推荐接口里，每次刷新都会插一条，导致重复推荐。解决：把写操作拆到独立POST /browsing-history接口，推荐服务只读。
2. 输入校验：Copilot 喜欢把list[str]写成list，导致 FastAPI 只校验外层类型，元素不检查。解决：显式用conlist(CourseId, min_items=1)。
3. 冷启动延迟：第一次调用模型会下载 200 MB 参数，AI 不会告诉你放lifespan里预加载。解决：在main.py的startup事件中提前model.load()，并用/readyz探针挡住流量。

生产环境避坑指南

版本控制策略

• 所有.prompt文件与代码同库管理，Prompt 变更=功能变更，走 MR 审查；
• 用git-notes把 AI 插件版本（Copilot 1.3.7）记录在提交里，方便回滚后复现。

人工审查 checklist

1. 是否有同步 I/O 隐藏在协程里？
2. 是否把密钥写死到代码？（AI 常把API_KEY="sk-xxx"直接甩出来）
3. 是否出现硬编码路径如/tmp/model.pkl？
4. 单元测试覆盖率到 80% 了吗？AI 生成的测试往往只覆盖主路径。
5. 性能压测：用locust打 200 并发，QPS 掉到 30% 以下就要重构。

性能压测示例

locust -f locustfile.py --host=http://127.0.0.1:8000 -u 200 -r 20 -t 5m

指标：p99 latency < 400 ms，内存涨幅 < 20%，CPU 安全水位 70%。

结尾：把 60% 自动化，留 40% 给思考

两周下来，我用 AI 生成了 3200 行初始代码，自己改 1200 行，删掉 800 行“看起来有用却永远走不到的分支”，最终交付时 MR 统计“+insert 2.1k，-delete 1.3k”。时间节省一半以上，导师演示一次通过。

但最宝贵的收获是：AI 把“写”加速了，却把“想”留给了人类——

• 边界条件要不要兜底？
• 业务指标用准确率还是召回率？
• 模型漂移多久监控一次？

这些没人能代劳。

如果你也在为“isac毕设选题”熬夜，不妨先让 AI 搭好骨架，再亲手雕琢细节。写完把仓库地址贴给导师时，记得在 README 最后加一句：

“部分代码由 AI 生成，已通过人工审查与单元测试。”——这既是对工具的尊重，也是对自己思考的签名。