离上次发文，一个多月了：

这个 10 月，我在干啥？

从 9 月分享的这篇文章说起：

小智 AI + 闹钟提醒 + 定时任务，设备端MCP实现，想象空间巨大

得益于小智AI热度不断攀升，后台收到了很多朋友的关注。

当初的闹钟功能，全部放在设备端，还有很多局限。

我想：能不能搞个云端同步，把这个需求完美解决掉？

于是，小智Pro 的 idea 诞生了~

这一干，一个月的时间成本，就这样砸进去了。

目前，小智Pro 应用端，已经上线，欢迎大家体验：

地址：https://mkwyqeoebedx.sealosbja.site

今日分享，聊三点内容：

• 小智 Pro 是什么
• 怎么做的
• AI coding 靠谱么

1. 小智Pro 是什么

去年底，小智火了。

小智让 AI 在终端迸发出了强大的生命力。

如何让小智不只是终端的“聊天彩蛋”？

这是大家一直在追问和探索的，直到 MCP 的接入，想象空间突然大开。

我应该做点什么，这就是 小智Pro：

一站式 MCP 工具箱，为小智 AI 接入三头六臂，打造您身边的全能 AI 助手。

一期规划接入四个工具，后续根据大家的需求，再接入更多实用工具：

• ✅闹钟管理
• ✅在线音乐
• ✅知识库RAG
• 🕓 长期记忆

目前，除了 长期记忆 其它三个功能均已 Ready。

篇幅优先，后续单独撰文分享具体实现思路。

下面重点聊下这段独立开发旅程，收获了什么，踩了哪些坑。

2. 独立开发

从 idea 产生，到需求分析、技术选型、架构设计、功能实现，全程独立完成，当然 AI 功不可没。

为期一个月，希望打造一个全栈开发的样板：

如何最短时间、最低成本，将创意转化为产品？

2.1 需求分析

项目目标：

小智Pro：一站式 MCP 工具箱。通过模块化设计，旨在为智能语音终端，提供强大的后端支持和服务。

基于这一目标，项目拆解为三个部分：

• 后端服务：提供RESTful API接口，处理用户认证、设备管理、资源管理等核心业务逻辑，同时集成AI服务、支付系统、对象存储等第三方服务。
• 用户前端：为用户提供直观友好的交互体验，方便地管理和控制终端设备。
• 管理后台：为系统管理员提供全面的监控和管理功能。

2.2 技术选型

结合 AI 给到的建议，我决定采用如下工具链：

后端技术栈：

• 框架：FastAPI，基于Python，异步处理，自动生成API文档，并提供强大的类型提示支持。
• 数据库：Tortoise ORM，同时支持多种数据库。开发阶段，使用SQLite足够，生产环境切换到 PostgreSQL。
• 缓存：Redis，用于处理高并发请求。
• 依赖管理: uv + pyproject.toml。
• 其他组件：JWT身份验证、Pydantic数据验证、Aerich数据库迁移等。

用户前端技术栈：

• 框架：Vue 3 + Vite，快速开发、高效构建。
• UI组件库：Arco Design Vue，有丰富的组件和良好的设计体系。
• 状态管理：Pinia，它是Vue 3官方推荐的状态管理库。
• 样式处理：使用UnoCSS原子化CSS框架，高效编写样式代码。

管理后台技术栈：

• 框架：同样基于Vue 3和Vite，保持技术栈的一致性。
• UI组件库：Naive UI，它提供了更多企业级的组件和功能，适合构建管理界面。

应用部署：

• 镜像：通过docker/的配置文件，快速打包整个系统。
• 部署：项目部署在 Sealos 平台，基于 K8s，适合快速拉起实例，并动态扩缩容。

PS：关于 Sealos，前面文章也分享过，大家可以用我这个邀请码注册体验，有赠金：https://bja.sealos.run/?uid=QDGJoX2_Qp

项目结构采用单体仓库，多个模块统一管理，最大程度提高开发效率：

xiaozhi-pro/
├── backend/         # 后端服务 (FastAPI)
├── frontend/        # 前端用户界面 (Vue 3)
├── frontend-admin/  # 前端管理后台 (Vue 3)
├── docker/          # Docker 配置
└── README.md

2.3 架构设计

技术选型确定后，下一步就是架构设计。

目标是创建一个清晰、可扩展且易于维护的系统结构。

2.3.1 后端架构设计

采用MVC+分层架构模式：

├── backend/                      # FastAPI 后端
│   ├── app/
│   │   ├── api/                  # RESTful 路由入口
│   │   ├── controllers/          # 实现业务逻辑，完成具体功能
│   │   ├── models/               # ORM 数据模型，定义数据结构
│   │   ├── schemas/              # Pydantic 校验/序列化
│   │   ├── core/                 # 配置、安全、中间件、日志
│   │   └── main.py               # 应用启动文件
│   └── pyproject.toml            # 依赖配置

2.3.2 前端架构设计

前端项目采用基于Vue 3的组件化架构：

├── frontend/                     # 用户端 Vue3 项目
│   ├── src/
│   │   ├── api/                  # Axios 接口封装
│   │   ├── components/           # 通用组件
│   │   ├── views/                # 页面级组件
│   │   ├── layout/               # 布局框架
│   │   ├── router/               # Vue-Router 配置
│   │   ├── stores/               # Pinia 状态管理
│   │   └── main.js               # 入口
│   └── package.json

2.3.3 完整架构图

各个模块之间的调用关系：

2.4 数据统计

完成项目规划和架构设计，接下来就是核心功能开发。

这一阶段耗时最长。

具体功能实现后文再叙，我们可以先看下提交数据：

从第一次提交，截止今天，共打了 131 commits:

git log  --oneline | wc -l 
131

用 cloc 统计了下代码量，剔除空行、注释、第三方库，这个项目写了大约不到 3 万行代码：

-------------------------------------------------------------------------------
Language                     files          blank        comment           code
-------------------------------------------------------------------------------
Vuejs Component                 98           1274           1151          15758
Python                          55           1087           1520           6585
JavaScript                      68            342            456           4126
CSS                              6             97            135            355
Markdown                         4             82              0            239
-------------------------------------------------------------------------------
SUM:                           249           2909           3275          27376
-------------------------------------------------------------------------------

以上，就是一个月的开发实践，全程都有 AI 的参与。

问题是：AI 真的靠谱么？

3. AI Coding 靠谱么

当然，这个问题的回答，因人而异，取决于驾驭 AI 的能力。

仅个人体验而言：

• 如果把 AI 当军师，能打 90 分；
• 如果把 AI 当战士，任劳任怨，能打 100 分；武艺精湛，至多打 60 分。

你要问用的哪家 AI？

主流的 LLM，GPT5 / Claude4 / Qwen3 / GLM4.6 / Kimi2 …

主流的 IDE/CLI: Cursor / Trae / Codebuddy / iFlow …

有一个算一个，搜集信息 整理观点，绝对OK，但真要解决问题、实现创意，都还差点意思。

所以，

要不要用 AI Coding？

一定要，因为他能帮你干掉 99% 的重复工作，极大提高开发效率。

要不要信任 AI Coding？

一定不！

就个人体验而言，有 3 点深坑，要时刻提防。

3.1 盲目自信

当进入到技术盲区时，更要特别谨慎。

尽管现阶段，主流厂商的 AI 都接入了搜索能力。

即便如此，AI 还是能给你造一个官方文档里不存在的组件 / 属性 / API~

甚至还附赠假链接，点进去 404！

业务越边缘，幻觉越离谱。

如果不去官方文档确认下，根本发现不了哪里出了问题。

特别提醒：要把AI当全栈老鸟，先配个‘幻觉测试’流水线，每段AI代码必须跑一遍测试，否则默认有毒。

3.2 隐蔽回退

AI 擅长“先给糖、后埋雷”。

AI 一本正经写代码，写完也能跑。。。

但是一看代码规范：不符合之前的约定啊！

于是你尝试修改了一部分，然后让 AI 帮你修改剩余部分。。。

结果是：不仅不采用新的规范，甚至悄悄“降级”你的代码，迷之自信。

这一点，要点名批评 Qwen3，中毒多次，高危预警。

3.3 记忆黑洞

不能指望 AI 能一次性写好一个项目的所有需求。

要做的是拆解、拆解、再拆解。。。

即便是小到一个模块，当代码量指数级膨胀，它很难遵循之前的规范。

否则，写了一万行，8 千行是垃圾。

即便把 CodeBase 作为上下文，AI 依然擅长重复造轮子，把前两天刚抽象的Service又写一份，你能忍？

写在最后

以上，希望这次项目实践，能给打算独立开发的朋友一点参考。

最后，小智Pro 现已上线：

https://mkwyqeoebedx.sealosbja.site

有任何问题，欢迎进群交流：