CSIT883 (JI125) System Analysis and Project Management 的大作业终于要交差了。回看这几个月的开发历程，简直是一部血泪史。我们的项目是 Intelligent Campus Lost & Found Platform，听起来高大上，实际上…一言难尽。
但这篇文章不全是吐槽，我想分享的是在经历了无数次“反复横跳”后，我悟出的 AI 时代编程（Vibe Coding）的核心心法。
Phase 1. 工具的选择：为什么一开始就要用最好的？
项目初期，我像神农尝百草一样试遍了市面上的 IDE：Cursor, Windsurf, Qoder, Trae… 代码质量参差不齐，导致项目早期就埋下了无数颗雷，后期 debug 的时间比写代码还长。
直到我遇到了 Google Antigravity。
这是 Google 推出的对标 Cursor 的大杀器。最重要的是，它对学生极其友好（白嫖一年的 Gemini Pro 会员！）。有了会员，我能在 IDE 里直接调用 Gemini 3.0 Pro，甚至还有 Claude Sonnet 4.5 和 Opus 4.5。
Vibe Coding 第一定律：
要做 AI Driven 的项目，必须在一开始就选择最强的模型。
别为了省钱用 GPT-3.5 或者是弱智模型，它们产出的低质量代码（逻辑漏洞、幻觉库、过时语法）是负资产。低质量代码不仅消耗你的时间，还会指数级增加工期。只有 Sonnet 4.5 或 Gemini 3.0 这种级别的模型，才能保证“一次做对”，这才是真正的效率。
Phase 2. 架构的迷思：什么才是“高成功率”的方案？
在开发过程中，我一直在思考：对于 AI 编程来说，到底什么是最佳架构？
我们经历过无数次动摇：
- 全栈 Next.js/Nuxt？ 前后端一把梭，心智负担小。
- 前后端分离？ 经典的 Python 后端 + 前端框架。
结合本项目，我总结了一套**“AI 友好型”选型指南**：
1. 后端：Python 是不可替代的 (FastAPI)
有些同学问，Next.js 后端不够用吗？ 对于简单的 CRUD，够用。但对于我们的 “智能匹配系统”，Node.js 生态就是灾难。 看看我们的核心算法需求：
- TF-IDF + 余弦相似度 (权重40%)：依赖
scikit-learn。 - 图像标签处理：依赖 Python 强大的数据处理能力。
- Levenshtein 距离：Python 库极其成熟。
让 AI 用 Node.js 写这些算法，它会给你找一堆冷门的 npm 包，或者让你手写数学公式，出错率极高。而让 AI 写 Python 的 sklearn，它简直是信手拈来。
结论：涉及算法/AI逻辑，后端必须是 Python (FastAPI)。
2. 前端：React (Next.js) > Vue
这是我最痛的领悟。虽然 Vue 上手简单，Nuxt 开发体验好，但在 AI 眼里： React 是亲儿子，Vue 是干儿子。 Github 上 React 的语料库是 Vue 的数倍。用 React 时，AI 写出的组件逻辑严密、样式规范；用 Vue 时，AI 经常混淆 Vue2/3 的语法，或者在 Props 传递上犯蠢。 结论：为了让 AI 发挥最大效能，请顺从 AI 的“偏科”，选择 React 生态。
3. 数据库：拒绝“过度工程化”
我们曾在这个问题上浪费了太多时间：PostgreSQL -> MySQL -> PostgreSQL… 最后顿悟：老师根本不 Care 你用什么数据库！ Presentation 只有 7 分钟，演示能跑通才是王道。 结论：SQLite 才是永远的神。 无需配置 Docker，无需安装服务，单文件直接跑，迁移零成本。
Phase 3. 核心创新：如何在“糊弄”中寻找亮点？
为了满足 Marking Criteria 里的 Innovation，我们必须得有 AI 元素。
起初的想法： 部署 YOLOv5 做目标检测。 现实的打击： 依赖包几个 G，模型权重几百兆，部署极其麻烦。
最终的“高成功率”方案： ONNX Runtime + MobileNetV2。
- 轻量级： 模型仅十几兆，CPU 也能跑得飞起。
- 足够“智能”： 能识别出
["backpack", "water bottle"]等标签。 - 部署简单： 一个 Python 库搞定。
这一招“降维打击”完美解决了演示需求：既有了 AI 噱头，又没有引入沉重的运维负担。
Phase 4. 算法实现的细节（AI 填空的艺术）
有了 Antigravity 加持，我们将复杂的匹配逻辑拆解给 AI，它完成得非常出色。这是我们最终实现的多模态加权匹配算法：
- 文本相似度 (40%)：AI 帮我写了基于
scikit-learn的 TfidfVectorizer，甚至还贴心地加上了中文分词预处理。 - 类别匹配 (20%)：硬逻辑，同类满分，不同类零分。
- 位置接近度 (15%)：计算 Levenshtein 编辑距离（AI 甚至帮我写了归一化公式）。
- 时间接近度 (15%)：引入了线性衰减机制（7天内分数递减），这是 AI 自己补充的亮点。
- 视觉标签相似度 (10%)：计算 Jaccard 相似度（交集/并集），让图片识别不仅仅是个摆设。
总结：AI 时代的生存法则
如果这个项目能重来，我会这样开局：
- IDE: Google Antigravity (Gemini 3.0 Pro / Sonnet 4.5)。
- Stack: FastAPI (为了 Python 算法库) + Next.js (为了 AI 的 React 熟练度) + SQLite (为了不折腾)。
- Visual: ONNX Runtime (为了轻量化部署)。
- Mindset: Don’t Over-engineer. 甚至不要自己写 CSS，直接让 AI 用 Tailwind CSS 一把梭。
Vibe Coding 不是乱写，而是学会如何“驾驭”最强的模型，避开 AI 的弱点，用最小的代价换取最高的 Presentation 效果。
祝大家的 Final Presentation 都能顺利过关！
Tags: #CSIT883 #SystemAnalysis #Antigravity #GeminiPro #FastAPI #React #VibeCoding #AI编程 #项目复盘