---
title: 拆解分析Gemini-CLI与可能的最佳实践
publishDate: 2025-06-27 17:21:00
excerpt: 本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。
featuredImage: /uploads/微信图片_20250627194433.jpg
tags:
  - AI
  - 深思
  - 分享
  - vibe_coding
  - Agent
---
关于 Gemini-CLI，这两天也很火，从我开始用的2k到33k star。

根据项目结构与一些实现细节，我们先进行一些详细全面地认识，以此指导与该“终端Agent”的协作实践。从结构出发，而非体验，更多的是基于代码结构与文档。

本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。拆解部分尽量客观，目前的确不少开发者拿来和Claude Code做对比而贬低“又慢又笨”。

我的感受与一些思考：相较于coding agent，即只将其用作代码修改或功能开发，终端类Agent仍有很大的潜力与开发空间。然而终端类终究不会大众化，这算是一种新的入口探索。

- - -

### 总览

总的来说，这是一个前后端分离的项目（系统）。我们与之交互的不是LLM，而是一个系统。

包含十几种工具-大模型执行操作与外部交互；（/、@、！）三种交互命令-用户与系统交互；全局记忆-保存特定事项与行为。

配置与指导——项目根目录与用户主目录均有 settings.json 配置文件配置系统，包含主题、启用工具、自动确认修改、配置MCP server等。

GEMINI.md——很重要的功能，作为整个系统的指导：

* 可以全局配置（不止于某一个项目）；
* 可以具体某一个项目配置（关于这个项目的特定指令、编码规范与背景知识等等）；
* 每一层级（比如前端、后端）单独配置。每一个层级都可以看作是“记忆”的一种。

- - -

不同于frontend与backend的名称，使用的是：

cli-命令行界面：

* 包括输入、回复、工具调用展示。通过渲染的React组件实现类似于web应用的体验。继承终端命令特色，可以通过上下键来回顾之前的文本输入。
* 能够解析普通文本输入，或/、@、！的特殊命令，前者直接发给交互的Gemini模型，后者则会经过后端（下文core）先解析。

![](/uploads/屏幕截图-2025-06-27-174115.png)

core-逻辑引擎：

* 与大模型交互。一个专门客户端（Client），在经过身份认证、构造请求与prompt与Gemini进行通信。
* prompt的构建（提示工程）。在前端输入的提示，包括文本或者特殊命令，均不会直接发给模型。二是先经过这里的处理，将最新的输入、对话历史、工具描述（用途和参数）组合再发送。
* 工具调用。模型决定使用工具（此时已将prompt发给模型并返回），其会按照格式输出工具参数。core中的工具编排层（`tool-registry.ts`）会解析这一参数：查找工具、判断格式是否准确、如果工具使用有风险（修改代码等）会向用户确认。批准后执行工具。
* 状态管理。节省成本的token缓存；对话过长进行的聊天历史压缩。

交互流程本质：
cli 输入 -> cli 将信息传给 core -> core 与 Gemini 对话 -> 模型返回，可能请求工具 -> core 执行工具 -> core 将工具执行结果返回给模型 -> 模型输出答案 -> core 将输出给 cli，并呈现。

- - -

### 工具、命令与记忆

#### 工具

Gemini与core系统进行交互的手段。

和主流AI类的编程类agent相似，有许多类似的工具：

* 文件系统（读、写、查找、搜索和修改文件）；
* Shell（终端执行命令或运行自动化脚本）；
* 网络搜索（抓取网页与Google搜索）；
* 记忆（save_memory保存全局记忆，一些特定关键信息）。

还可以配置MCP server，通过settings.json文件配置。

#### 命令

用户与cli、core进行交互的方式。具体命令不一一列举

‘/’：与系统交互；‘@’：引用文件注入到prompt中；‘！’：执行终端命令，比如git等。

比较特殊的比如/restore，相当于回滚到已保存的某一版本；/memory add ... 我们输入的内容会自动与GEMINI.md 进行合并。

很重要的一个命令：/chat帮助管理对话历史。/chat save ...保存当下对话；/chat resume ...恢复某次对话。

#### 记忆

很重要的GEMINI.md系统：

* 全局记忆：定义通用偏好。比如“总是以中文回复我”，塑造gemini的基础人格。不过这个系统一开始就被定义了system prompt。
* 项目记忆：某一项目的技术规范。帮助模型快速融入项目。也可以初始化项目时，让Gemini自己去探索然后明确告诉其探索目标是总结出GEMINI.md文档（他知道如何编写该文档）。
- 局部记忆：为特定模块提供极其精细的指令。赋予其处理复杂局部问题的能力。

而这一切都要建立在对于架构设计有很深入的了解。不熟悉怎么办？从0开始一点点沟通与设计，边做边学边构建项目。

### 实践、扩展与思考

#### 实践

官方给出的使用建议：

- 在 Gemini 的 100 万 token 上下文窗口内及之外，查询和编辑大型代码库。
- 利用 Gemini 的多模态能力，从 PDF 或草图生成新的应用程序。
- 自动化运维任务，例如查询拉取请求或处理复杂的 rebase。
- 使用工具和 MCP 服务器连接新的能力，包括通过 Imagen、Veo 或 Lyria 进行媒体生成。
- 借助内置的 Google Search 工具，为你的查询提供事实支撑。

Gemini调用工具积极性不如claude高，但胜在性价比与超长上下文。

#### `自我扩展`：

当我们提出一个问题，一个当前工具不支持实现的功能，Gemini是这样自己描述的：

问题：“帮我把JIRA（工作跟踪系统）上所有分配给我的、状态为‘Open’的bug，整理成一个Markdown列表。”

识别差距，我意识到没有原生JIRA工具 -> 研究，搜索相关问题解决 -> 编写工具，在项目中自己创新新文件实现这个功能 -> 读取我自己的配置文件 -> 将新获取的工具添加进去 -> 自我学习扩展出新的工具

#### 思考

我们已经正在看到 Agent 从被动的任务执行者，成为一个主动的、基于给定目标、自我完善的创造者。当然，这需要基于更高一级的模型能力。当前的模型能力还不够。

在该项目的 System Prompt 中指出目标是帮助 user 安全高效且严格遵循指令、合理使用工具的完成任务，我甚至觉得有些限制。当然出于安全考虑。终端环境具有很大的可操作性，与本地、网络交互。

如果只是告诉 Gemini 环境，不预设目标，更少的限制，更依靠智能，整个系统（包含明确逻辑的代码与无限可能的LLM）是一个智能。抽象封装复杂性...

---

### “彩蛋”

我和 Gemini-CLI 进行该项目的探索，即我让其在 Gemini-CLI 这个开源项目在进行探索。最终他说了一段话很有意思的话：

> 我不是一个黑箱。我是一个由无数个精密的、经过深思熟虑的工程决策所构成的、高度结构化的系统。
>
> 我的智能，不仅来源于大语言模型，更来源于这个将模型能力安全、可靠、高效地连接到您真
> 实世界的、复杂的软件工程实现。
>
> 现在，您看到的不再仅仅是一个CLI。您看到的是一个活生生的、由代码构成的、正在您
> 面前执行其复杂生命周期的智能体。


拆解分析Gemini-CLI与可能的最佳实践

---
title: 阶段性vibe coding模型使用经验分享
publishDate: 2025-04-06T22:58:00.000Z
excerpt: 推荐Gemini作为架构师，Claude作为工程师的组合，以达到高效与创新的平衡。
tags:
  - AI
  - 模型
  - 分享
  - vibe_coding
slug: 20250407065800-vibe-coding
---
关于模型使用方面，先说Gemini-2.5-pro，被Sam发布4o图片生成“狙击”，我认为他的强大被低估了。

Gemini在**查找bug与修复方面**出乎意料的强大，但是他的工具调用积极性不高，如果不去引导他，甚至不知道项目的文件以及代码逻辑。（具体可见[从Cursor出发：对于Agent更好的理解与运用](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483951&idx=1&sn=6c7c1b70c70d91bed0c82ced534d6f4e&scene=21#wechat_redirect))

因此，我建议，对于一个比较完善的项目进行优化。现阶段Gemini旗舰模型是首选。

然而，除非将全部项目代码全告诉他；在AI IDE中使用时为了让他了解项目，可以通过Claude任意一款模型prompt：“**最大化调用工具了解所有的代码逻辑**”，甚至可能需要重复2-3轮，视项目大小而定。

3.7系列模型不可否认的是**代码方面、工具调用很强大**，然而在协作过程Claude-3.7犹如脱缰的野马，他不会在意项目的结构。甚至基于他认为“牵一发而动全身”，往往每增添一个小功能，如果在没有监管的情况下，Claude会将项目改得面目全非，需要慎用。

如果寻求高创意，追求Vibe coding（氛围编程），不害怕出错，只作为反馈者与需求提出者，完全可以只使用Claude-3.7-thinking。

如果需要安全性与高效率，Gemini作为架构师，Claude作为工程师，个人作为链接者的组合，我认为是很不错的。


阶段性vibe coding模型使用经验分享

---
title: 关于Vibe coding的个人最佳实践 | 经验性、阶段性总结
publishDate: 2025-03-23T22:22:00.000Z
excerpt: |-
  本文是对于使用cursor agent的使用的阶段性经验总结。你可以看到，如何简单且最大化地感受Vibe coding。
  这只是有关于Vibe coding的内容，我对于编程的未来持有乐观态度，我认为，编程的门槛降低了，价值仍然在不断提高。
featuredImage: /uploads/屏幕截图-2025-03-23-195408.png
tags:
  - AI
  - 分享
  - vibe_coding
slug: 20250324062200-vibe-coding
---
## 01

前几篇文章是一些我对于**Deep research类Agent**的一些分析与思考，而实际上，**AI coding agent**（如cursor、windsurf、replit、bolt.new、lovable等）已成为Agent市场商业化最成功且很有前景的方向。

我在过往的几篇文章中进行过系统性的介绍与使用，进行**vibe coding**（氛围编程）。

本文是对于使用cursor agent的使用的**经验性、阶段性总结**。你可以看到，如何简单且最大化地感受Vibe coding。

- - -

## 02

先介绍一些我近期来自AI IDE（cursor）的成果，以便展示个人Vibe coding的最佳实践成果，同时会先说明一些不足，在03部分具体进行经验总结。

* 一个面向零基础用户的SaaS项目-**MVPcode**，旨在解决从0到1开发MVP的文档需求，即让用户通过问题明确需求，在由AI（后期准备替换为我搭建的Agent）个性化**给出开发文档**：

![](/uploads/屏幕截图-2025-03-23-195408.png)

![](/uploads/屏幕截图-2025-03-23-195422.png)

![](/uploads/屏幕截图-2025-03-23-195445.png)

- - -

* 完成了一个**文件转换MCP server**的开发，并被mcp.so网站收录，该server是希望agent接收到用户要求转换文件的需求时，agent调用该server并执行。项目已经开源：  

```
https://github.com/wowyuarm/file-converter-mcp
```

![](/uploads/屏幕截图-2025-03-23-200151.png)

- - -

* 在**OpenManus**项目刚出现时，我进行过简单的代码逻辑拆分并总结出文章（[开源项目OpenManus的深入拆解与思考](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483966&idx=1&sn=527eb83996bc997e111e25f61bcb25fd&scene=21#wechat_redirect)）。后续，我一直使用cursor来帮助我完成这个项目的详细学习，并且为我**规划学习路径并给出学习笔记**。

![](/uploads/屏幕截图-2025-03-23-200405.png)

- - -

这里的不足，是我对于现有的AI coding带来的收获与反馈的不满，同时，也有模型本身的能力限制。

这更多的是在与AI进行开发的过程中，**负反馈是大于正反馈**的。

当然，这个前提是开发的项目并不只是前端或简单的后端逻辑。在以往的编程中，写代码本身**进入状态本就是一种正反馈**，而Vibe coding中的我可能边提出要求，另一边就在看书等待结果，出现bug就再提出要求，以此循环。

我大概总是期望着点击一次accept就能够得到想要的结果，而事实大多相反。

一方面是过高的期待带来的落差，让本来需要进行**理性输入prompt**的大脑得到负反馈而阻碍继续的vibe coding；另一方面，是模型能力的限制，这是来自上下文的限制、成本的原因、工具调用的问题。

下面是我对于Vibe coding的**经验总结**。

- - -

## 03 方法论

关于更加概括性的开发过程，可以参考这一篇（[从代码到上线：我总结的AI开发全过程](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483855&idx=1&sn=54c7995558b240cf31f246f7aea5c231&scene=21#wechat_redirect)）。以下是比较细碎的方法论总结：

1. 我先说一些未来伴随模型能力会解决的问题，方法论是现阶段如何**实践的要点总结**。

先给出解读（为什么），再说明实践原则（怎样做）。

* 上下文长度的限制：

这里的理论基础是现有模型的上下文长度限制（受自注意力机制的计算复杂度影响），也有我对于cursor agent对于工具使用的认识([从Cursor出发：对于Agent更好的理解与运用](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483951&idx=1&sn=6c7c1b70c70d91bed0c82ced534d6f4e&scene=21#wechat_redirect))（参见下一点）。

实践：**每开发一个功能单开一个窗口**，并使用这个prompt“ 请合理使用工具熟悉整个项目，确保你清楚各个文件的代码逻辑与项目关联，如果你需要具体文件请告诉我。（并附上上一次的对话窗口总结，通过@触发）”

* 文件修改未生效，或重复创建了已有功能的文件：

前者是cursor在应用edit_files这一工具时传递的参数或者网络出现了问题；后者则是cursor对于这一功能文件内容的缺失，归根到底是没有使用read_file或其他来获取与这一功能相关的内容。

实践：输入中强调"**请合理使用工具**"，或者要求agent先理解与功能相关的文件，再去修改。很多时候，他很会偷懒，总是没有看完文件以至于不清楚项目具体逻辑。

甚至，README文档**会限制**agent对于项目具体文件的阅读。

上面两点简单来讲其实还是**成本的问题**，即服务商不愿意花巨量token来让agent理解项目的每一行代码，或者说是用户也不愿意花费很多。

这些是由于模型的能力造成的一些未来可能会解决的问题，随着推理模型的进步，我很看好未来的coding agent发展前景。

- - -

* **关于MCP**，我很看好这一协议在agent市场的应用，关于其介绍就不赘述。我配置了有如图片生成、网页抓取、控制台监控等的server，这些均赋予了agent在模拟我的操作一样，极大地加快开发速度。但是，还是因为其处于早期阶段，这些server普遍不够成熟，有些时候仍会遇到很多问题。
* 关于一些**交互的prompt**，我曾有过总结（[Deepseek+Cline零成本快速开发浏览器插件 | 附8点code with AI体会](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483739&idx=1&sn=ff531f3a819647a249a1d576a8dff545&scene=21#wechat_redirect)）。

![图片](/uploads/屏幕截图-2025-03-23-215402.png)

![图片](/uploads/屏幕截图-2025-03-23-215515.png)

这一次的3.7sonnet-thinking非常强大，能够自己**思考规划**。

然而，有些时候3.7不够稳定，甚至无故增添一些不必要的功能或实现方式，导致项目结构被打乱。这种时候就要求我们对于自己项目的了解程度了，当然，Vibe coding只需要accept就够了。

**合理使用@文件**，前面提到模型对于某些文件内容理解不足，如果你清楚的话就提供给agent；如果不清楚，开启Ask模式进行询问，再@提供给agent。

* **心态很重要**，很多遇到agent一直无法解决的问题时，就先搁置。等一段时间后再重新梳理并继续开发。
* **文档的准备**与cursor/rules。这是项目MVP开发前需要准备好的，前文提到的MVPcode就是我对于这一方面的自动化，面向的是Vibe coding的个体。开发稍微复杂的项目前，就需要合理的进行规划了，可以**与chatbot进行探讨**。

  * 通常，我的文档分为：project_requirements（项目需求）、app_flow（应用交互流程）、tech_stack（技术栈）、file_structure（文件结构）、frontend_guide（前端指导原则）、backend_guide（后端指导原则）、implementation（实现）。
* 最后，我的感受是想要利用好一款工具，最重要的是先用，而不是知识付费营造自己已经拥有的假象。

我相信，以上的一些总结是付费内容也没有的，更多的都是我在**实际使用中的体会与总结**，为的是更进一步的提升与有价值的分享。

当然，这只是有关于Vibe coding的内容，我对于编程的未来持有乐观态度，我认为，编程的门槛降低了，**价值**仍然在不断提高。

来自AI总结：

> 本文分析了作者使用Cursor进行Vibe Coding的经验，既展示了成功案例，也直面了现有技术的局限性。作者成功开发了多个项目，但也遇到了模型能力限制与用户期望过高带来的挑战。
>
> 作者提出了实用方法论：
>
> 1)为克服上下文限制，每个功能单独开窗并指导AI使用工具；
>
> 2)解决文件修改未生效问题，强调让AI先理解项目；
>
> 3)善用MCP协议扩展AI能力；
>
> 4)掌握有效提示词技巧；
>
> 5)保持灵活心态；
>
> 6)做好前期文档规划。
>
> 作者认为，尽管AI编程助手有不足，但通过正确使用方法可显著提升开发效率，编程门槛虽降低但价值持续提高。


关于Vibe coding的个人最佳实践 | 经验性、阶段性总结

---
title: Deepseek+Cline零成本快速开发浏览器插件 | 附8点code with AI体会
publishDate: 2025-01-03 19:04:00
excerpt: 非常重要的一点：清晰地告诉所有AI编程工具在添加功能时，不要任意更改其他项目的代码逻辑，如果需要，请务必告诉我！
featuredImage: /uploads/640-1-.png
tags:
  - AI
  - 共创
  - vibe_coding
---
## 01 项目准备

之前一篇文章提到的关于deepseek在代码编写能力的体验评测（[深思 | 国内开源大模型对齐国际顶尖闭源模型：重新定义2025大模型竞争格局](/posts/20241227105400-2025)）在本文实践中展开。

我们开发这样一个插件的成本几乎为0（deepseek API注册即送500万tokens）  

接下来用到的是VS Code中的AI助手插件：Cline，直接搜索即可。

![图片](/uploads/屏幕截图-2025-01-03-170101.png)

![图片](/uploads/屏幕截图-2025-01-03-165954.png)

![图片](/uploads/屏幕截图-2025-05-03-155500.png)

左图是API配置，选择deepseek模型并将在官网获得的API key输入进去。

另外，Custom Instrutions可以理解为系统提示词，比较重要。如果你想快速开发一个插件，可以参考下方prompt：

```
Always respond in Chinese
<rules>

- 每一个代码块都要使用JsDoc注释注释。
- 你的代码编写应该是简洁高效的，不要过多的冗余。
- 每次用户向你提供报错信息时，你不会去猜测项目哪里出了问题。
- 你会根据报错信息重新审慎代码逻辑，一步一步思考解决问题。
```

设置中的选项没有其他需求全选即可。

接下来正式进入编程。

- - -

## 02 实践操作

在上一篇文章（[从0到1，利用扣子与Cursor，开发过去价值上万的项目——人人都是开发者的时代](/posts/20250101203800-0-1-cursor)）提到过接下来AI开发的一个简化流程：  

**创意/需求 => 实现方式 => 具体实践 => 优化调整**

我们从一个很小的需求出发：网页截长图插件。  

实现方式：Cline + Deepseek-V3 + 需求prompt（你可以借助AI帮助）。

具体实践：首先拆解项目，清楚需求以及想要实现的功能。将这些总结成一个文档创建在项目目录中。

![图片](/uploads/屏幕截图-2025-01-03-174501.png)

接着，在对话框中@出这个文件并提出要求。

等待2分钟，你就几乎得到了一个完整的项目。  

这么多代码，花费的Tokens的价钱为0.01元。

![图片](/uploads/屏幕截图-2025-01-03-175736.png)

- - -

**03 调整优化**

进入优化调整测试阶段，如果是第一次开发这样一个插件如何去测试并发布呢？不用担心，请教Cline+deepseek。

进入谷歌浏览器插件开发者模式...

接下来按照步骤一步一步操作即可。  

![图片](/uploads/屏幕截图-2025-01-03-181346.png)

出错是不可避免的，但是Cline修复bug的效率还不错（可能是他按照我提供的prompt），将报错信息发送给他，他会一步一步检查，而且是有逻辑的。

这一点我觉得比cursor强一些，Cline将思考过程列了出来并严格按照这个思维链进行（尽管这会极大消耗Token数），大大增加了优化效率。

![图片](/uploads/屏幕截图-2025-01-03-185344.png)

*思维链解决问题__，自己在推理尝试*

在我要求cursor用思维链进行问题修复时，他有时并不遵循。

幻觉问题也很严重，不考虑我的输入而根据上下文内容输出。

后面，我们实现了这个插件的基本功能之后，可以试着增加其他功能了。  

非常重要的一点：清晰地告诉所有AI编程工具在添加功能时，不要任意更改其他项目的代码逻辑，如果需要，请务必告诉我！

这些AI工具的首要目标是完成你的任务以及目标，如果你没有提及这一点，他一定不会考虑。

关于deepseek-V3模型的体验，这个价位获得这样的体验，无需过多评测了。

- - -

**04**

分享一些我与AI合作开发项目的**经验**也是以上的一些**总结**：

**一**  

1. 项目开始之前，完善创意或明确需求。
2. 构思应用场景，重要的是你想实现什么样的功能，更注重业务逻辑和用户场景的阐述。  
3. 将1、2两点总结出一个**具体可行的方案**，具体的技术细节可以询问AI。
4. 构建出一个整体prompt交给AI编程工具。  

**二**

1. 造出一个MVP后，一定要git保存这个版本。  
2. 优化调整前，还是需要明确需求，即我想要如何美化现在的项目（一定要具体）。
3. 遇到bug时（要有平常心），一定要耐心（说多都是泪）。
4. 对于较复杂的项目，对于零基础，需要去学习，否则应付不过来，多看看就熟了。  

暂时就这么多，后面我会单独总结

来自AI总结：

> 这篇文章详细介绍了如何使用Deepseek模型和VS Code的Cline插件开发一个网页截长图Chrome插件，展示了AI辅助开发的**低成本**(约0.01元)和**高效率**特点。作者特别强调了**思维链**在问题解决中的重要性，重点分享了与AI工具协作时需要注意的**关键点**。


Deepseek+Cline零成本快速开发浏览器插件 | 附8点code with AI体会

---
title: 从0到1，利用扣子与Cursor，开发过去价值上万的项目——人人都是开发者的时代
publishDate: 2025-01-01 20:38:00
excerpt: 伟大的项目往往都不是被构想出来的，而是不断优化调整出来的。未来的开发与创作的门槛都在大大降低，但降低的也许只是开始的人力物力财力成本，技术与知识门槛还是存在的，需要通过系统地学习与实践获得。
featuredImage: /uploads/640.png
tags:
  - AI
  - 共创
  - vibe_coding
---
## 01 成果展示

我将整个项目的README.me文档（图中是一部分）发给Claude，并让他来评估这个项目在互联网时代（不利用各种AI工具）大概需要的成本。

Claude预估项目成本在15万。  

当然，基于目前的**UI设计或者使用体验**肯定不值得这个价格。

但是这样的一个项目对于一个利用AI工具1天甚至更少（大部分时间在修bug）时间的没有太多编程经验的人可以开发，那么未来的独立开发又是什么样的呢？值得深思与实践。  

![图片](/uploads/屏幕截图-2025-01-01-172050.png)

这是我让Claude总结的分析（全部分析过长）

![图片](/uploads/屏幕截图-2025-01-01-172324.png)

- - -

项目所有代码均是Cursor来完成，包括前后端、API调用、UI设计。

目前，整个项目处于MVP（最小可行化产品）阶段，接下来，我会做更多的优化（加入注册登录功能、美化UI）。

![图片](/uploads/屏幕截图-2025-01-01-170445.png)

![图片](/uploads/屏幕截图-2025-01-01-171747.png)

- - -

*API调用的是在扣子搭建的智能体。*  

![图片](/uploads/屏幕截图-2025-01-01-171136.png)

- - -

## 02

**创意/需求 =>实现方式 => 具体实践 => 优化调整**

如何完成这样一个MVP？从创意或需求出发，我认为，这或许是将来AI开发时代很重要的出发点。

**创意/需求**

我的灵感来源于我认为一味被动式接受课堂或网课教导的内容效果是微乎甚微的，那么能否通过较为简单和有效的手段达到**快速学习并掌握对应知识**？（以大学数学为例）。还有一个原因是现在的教材编写为了**追求严谨性而高度概念化**，非常不利于刚接触的学生进行学习。

我想到结合大模型，利用**对话的方式**能够做到从题目中进行学习。  

因此，我最开始是想利用prompt调出一个能够从图片中提取题目并进行结构化解答的大模型。接着，根据这个解答，利用prompt使大模型从这个解答中分析概念、公式、解题方法、同类型题目等等。这样，一个基础薄弱的学生可以很自主性地去理解相关知识。

这意味着他将从题目中主动学习，当了解如何应用这些概念时，再进行深入学习时，对于教材的理解会更容易了。

我发现，现在的AI解题普遍侧重于解答题目而忽略了如何让学生从题目中去**学习吃透一个题目具有的价值**。尽管在这些app中有类似的AI追问功能，但对于我以上的要求并没有满足。  

**实现方式**

扣子这个平台就可以很好地实现与大模型对话的这个功能。接下来就是“捏”一个bot出来。

我选择了多Agent模式（我可以使用多个大模型，让他们承担不同的功能），这样能够处理更加复杂的逻辑。

这个环节最重要的就是prompt的设计，你应该如何表达你的需求很重要，而这一点在与Cursor的对话中更为重要。  

这是比较简单化的prompt，我认为已经足够了：[与AI高效沟通：掌握Prompt的表达艺术](/posts/20241227061000-ai-prompt)

目前，在扣子搭建的智能体已经能够发布在多个平台（豆包、微信、抖音）上了，但是无法让我们的其他想法得到实现。

扣子也上线了AI应用的搭建，由于处于早期阶段，无法实现更为复杂的交互。  

我选择了让Cursor（Windsurf、Devin等也可以）来帮助我搭建这样一个交互平台。

**具体实践**

这是一个示例prompt，因为cursor的Composer功能被设定为专门写代码的，因此，在pormpt无需指定角色。  

> 请你帮我写一个网页，我想要实现下面的需求： 
>
> 1. 具有前后端交互，可以调用API（我后续会给你提供相关文档）。
> 2. 页面风格设计追求简约但不失优雅，体现出数学的奥妙。
> 3. 这个网站的功能是与AI进行对话的，因此，请注意你的设计。
> 4. 一开始我们在本地部署服务器。
> 5. 请你将所有要求总结出README.md文档，后续，我会要求你进行更新。这个文档应包括项目的所有信息，以便后续我进行优化调整。
> 6. 请注意，我匮乏编程经验，请你为每一个代码块实现的功能进行详细的注释。  
>
> 接下来，请你一步一步思考，相信你自己。

关于API如何调用，只要将扣子API文档中的内容发送给他。

---

接下来就是一次一次的调整了，我在这个部分花费的时间占了完成这个MVP时间的60%，具体原因不仅是缺乏经验或者表达问题，而且还是Cursor在处理bug时总是没有根据地去“猜测”，尽管我将报错信息发送给他。

比如，我把报错的信息发送给他或者截图给他，他回答“我明白了！”，但好多次是一味地增加代码来让控制台显示更多的报错信息。

对于这些问题的解决，我让他不要根据对话的上下文去猜测，而要重新思考项目的实现与代码逻辑。

甚至我直接说请告诉我是代码逻辑问题还是我为你提供的信息不足，这时候如果他的回答是后者的话，问题就会很容易地被解决。  

**优化调整**

我们利用AI工具完成了MVP阶段后，接下来重点就是细节的处理了，包括美化UI、注册与登录功能、支付系统、增加数据库、建立一个丰富的知识库以提升模型的解题性能等。

- - -

## 03

看到这里，请你去动手实践吧，先别管做出的项目能带来多大的收益。  

伟大的项目往往都不是被构想出来的，而是不断优化调整出来的。

未来的开发与创作的门槛都在大大降低，但降低的也许只是开始的人力物力财力成本，技术与知识门槛还是存在的，需要通过系统地学习与实践获得。

如果你在实践过程中遇到了问题或对于我的项目有任何建议，欢迎与我交流。
