AI 几分钟就能写出 Demo，为什么还改不好真实项目？

现在，用 AI 写出一个 Demo，已经不算难事。

一个网页、一段脚本，甚至一个简单小游戏，只需要描述需求，AI 很快就能给出可以运行的结果。但真正开始做项目之后，很多人会发现：最麻烦的部分，往往不是写代码。

6 月 6 日，在东南大学的一场分享中，七牛云 AI 效能工程师邓军辉问在场同学，平时会在什么场景下使用 AI Coding。

有同学回答，主要是做一些 Demo，或者写一些自己的小玩具。这个回答，也恰好引出了当天最想讨论的问题：从“写贪吃蛇”到“改生产代码”，中间究竟隔着什么？

Demo 通常从一张白纸开始。

没有复杂的历史代码，也不需要处理太多依赖和协作问题。AI 可以快速选择方案，把一个想法变成可以运行的结果。

但真实项目并不是这样。

邓军辉在分享中提到，自己刚开始参与企业开发时，曾经接到过一个看似简单的任务：修复已有项目中的一个小问题。

把代码仓库拉到本地之后，他首先面对的并不是如何修改代码，而是如何让整个项目运行起来。项目是做什么的，依赖哪些环境，模块之间如何连接，都需要重新理解。仅仅完成环境配置，就花费了一整天。

这也是 Demo 与真实项目之间最容易被忽略的差别。AI 可以很快写出一段代码，但真实项目从来不只是一段代码。

在真实项目中，一次代码修改并不是孤立动作。

开发者需要理解系统结构，准备运行环境，确认修改范围；代码完成后，还要经过测试、PR、Review 和合并。如果结果不符合预期，还需要及时回滚。

AI Coding 真正加速的，是其中“修改代码”这一环节。但理解系统、验证结果、控制风险，这些事情并不会自动消失。当代码生成越来越快，真正的瓶颈也会逐渐向这些环节迁移。

所以，AI 要参与真实项目，不能只停留在开发者的个人电脑里。它还需要进入团队原有的协作流程。

一个值得探索的方向，是让 Coding Agent 在隔离的云端环境中执行任务，再通过 Git 工作流提交修改。云端环境负责隔离和执行，Git 工作流负责协作和确认。

关键不是让 AI 绕过流程，而是让 AI 进入流程。围绕这一方向，七牛云内部也在持续进行一些工程化探索：让 AI 的每一次修改都能够被看见、被判断，也保留回滚的可能。

在分享后的交流环节，有同学问到，怎样才能更有效地使用 AI Coding 工具。

邓军辉的建议，并不是先优化提示词，而是先把问题想清楚。

面对一个相对复杂的任务，不要一开始就让 AI 直接修改代码。

先确认需求，明确要解决什么问题；再讨论方案，判断涉及哪些模块和风险；最后再让 AI 分阶段执行，并记录每一步结果。

这种方式看起来慢了一些，但能够减少返工，也能让开发者保留对项目的理解和控制。

当代码生成越来越容易，真正重要的能力也会逐渐向前移动。如何理解需求，如何拆解系统，如何判断方案，如何确认一次修改是否值得进入真实项目，这些能力会变得越来越重要。

从“会写代码”到“会做项目”

从“写贪吃蛇”到“改生产代码”，变化的不只是代码规模。

前者可以快速得到结果；后者需要面对一个真实系统，也需要承担修改带来的责任。

AI 已经越来越擅长写代码。

接下来更值得学习的，是如何与 AI 一起，把代码真正带入工程。