那是一个周二凌晨两点，我意识到计费系统正在向用户双倍收费。这个 bug 已经在生产环境中运行了六个小时。Claude Code 在那天下午生成了支付对账逻辑，我审查了它，测试了它，然后发布了。代码看起来很完美。它通过了每一项测试。但它从根本上就是错的。
这是构建 LemonData 的故事：274 个 API 路由，46 个数据库模型，以及使用 AI 编程助手编写的 10 万多行代码。这不是那种被粉饰过的“看 AI 让你效率多高”的故事。这是一个真实的故事，充满了失败、凌晨 3 点的调试，以及我质疑 AI 辅助开发是否真的是个好主意的时刻。
AI 辅助开发的愿景 vs. 现实
AI 编程助手的宣传极具诱惑力：你描述你想要的，AI 编写代码，你审查并发布。理论上，一名开发者现在可以完成整个团队的工作。
而在现实中？前两周的感觉非常棒。Claude Code 理解我的代码库，生成完整的功能，并跨文件进行重构。我的发布速度比职业生涯中任何时候都快。快速关闭 issue 带来的多巴胺快感令人陶醉。
然后，裂痕开始出现。
同一个函数以略有不同的实现出现在三个不同的文件中。配置值被硬编码在随机的地方。不同包之间的类型定义相互矛盾。代码库增长很快，但也变成了一个“虽然能跑，但我不知道为什么”的代码迷宫。
至于那个计费 bug？Claude 生成了一个看起来非常合理的对账函数。但它没有考虑到我们异步支付确认流程中的竞态条件（race condition）。AI 无法知道那个边缘情况，因为我没有明确告诉它，而且部分由 AI 生成的测试套件也没有覆盖到这一点。
持续崩溃的七种模式
在使用 Claude Code 构建一个月后，我开始记录一个清单。不完全是 bug，而是模式。同样类型的失败不断发生，这不全是 Claude 的错，或者至少不完全是。它们是 AI 追求“现在能用的代码”而非“未来好用的代码”的必然结果。
1. 一致性问题
Claude 会根据它正在处理的文件、最近看到的示例，或者似乎只是随机的变化，以不同的方式实现相同的逻辑。一个 API 端点返回 { data: users }，另一个则返回 { users }。两者都能用，但互不匹配。调试变成了“考古挖掘”。
2. 复制粘贴问题
既然复制代码更快且没有破坏现有功能的风险，AI 为什么要创建一个共享工具呢？每当我要求一个类似于现有功能的新功能时，我都会得到一个新的实现，而不是重构后的共享解决方案。三周后，我的代码库中散布着五个不同的“格式化货币”函数。
3. 类型漂移问题
一个新的状态值被添加到一个文件中，但没有添加到 enum 定义中。一个字段在 API 响应中是可选的，但在前端类型中是必填的。TypeScript 捕获了其中一些问题，但没能捕获语义不匹配——即类型在技术上正确但在逻辑上不一致的情况。
4. 配置分散问题
数据库 URL、API 密钥、功能标志和速率限制最终会出现在当前任务方便处理的任何地方。有时在环境变量中，有时在配置文件中，有时是硬编码。寻找一个值定义的所有位置变成了一场寻宝游戏。
5. 测试覆盖率幻觉
AI 生成的测试往往会彻底测试“快乐路径”（happy path），而完全忽略边缘情况。计费 bug 就是一个完美的例子：测试套件完美地覆盖了正常的支付流程，但它从未测试过当两个支付确认在同一毫秒内到达时会发生什么。
6. 静默失败问题
Claude 会添加 catch (error) { console.log(error) } 块来吞掉异常。在开发中，这看起来没问题，因为错误会出现在控制台中。但在生产环境中，关键故障被静默记录后就被遗忘了。
7. 文档缺失问题
Claude 能写出出色的代码注释，但它写的架构文档很糟糕。它可以解释一个函数的作用，但无法解释系统为什么要这样构造，或者是什么约束导致了特定的设计决策。
CLAUDE.md 解决方案
转折点出现在第三周，我在项目根目录下创建了 CLAUDE.md，这个文件包含了 Claude 需要知道的每一个约定、约束和架构决策。
这不是给人类看的文档，而是给 AI 看的文档。
## API Response Format
Always use: { success: true, data: T } or { success: false, error: string }
Never return raw data without the wrapper.
## Currency
Internal storage: USD. Display: formatCurrency(amount, currency, rate).
Never hardcode exchange rates. Never store CNY directly.
## Error Handling
Never use catch(e) { console.log(e) }.
Always use the logger: logger.error('context', { error }).
效果立竿见影。Claude 开始一致地遵守约定。当它生成的代码违反规则时，我可以指向 CLAUDE.md 中的特定行，它就会自我修正。
但仅有 CLAUDE.md 是不够的。我需要自动化强制执行。
构建安全网：AI 生成代码的 CI 门禁
我们构建了一个带有门禁（gates）的 CI 流水线，这些门禁在传统代码库中可能显得过于偏执，因为它们的存在是为了在用户发现之前捕获 AI 生成的 bug：
- 整个 monorepo 的类型检查
- 验证不存在重复实现的 SSOT 审计
- 数据库 enum 与 TypeScript enum 之间的同步检查
- API 响应格式验证
- 针对计费、权限和身份验证代码的安全门禁
核心见解很简单：Claude 是一个放大器，而不是替代品。它放大了你的生产力，但也放大了你的错误。如果你没有强大的约定，Claude 会发明它自己的约定，而且它们不会保持一致。如果你没有自动化检查，Claude 的 bug 会比人类产生的 bug 更快地进入生产环境。
计费 bug 不再可能发生。不是因为 Claude 变聪明了，而是因为流水线现在要求显式处理异步竞态条件，并由一个检查支付流程中正确锁机制的门禁进行验证。
“AI 原生开发”的真谛
当我说明 LemonData 是“AI 原生基础设施”时，我并不是指我们在现有产品中添加了 AI 功能。我的意思是，整个开发过程都是由与 AI 编程伙伴协作的现实所塑造的。
我们的文档比通常情况下更详细，因为 Claude 需要人类队友可能通过推断获得的显式上下文。我们的类型系统比必要的更严格，因为 Claude 会利用任何模糊性。我们的 CI 流水线拥有在传统代码库中显得偏执的门禁，因为它们是为了在用户发现之前捕获 AI 生成的 bug。
结果是，这个代码库实际上比我处理过的大多数代码库更易于维护。不是因为 AI 写出的代码比人类好，而是因为为 AI 辅助开发而构建的过程迫使我将通常只存在于高级开发者脑海中的所有约定和检查都显式化了。
关于 AI 原生作为一种哲学的更多内容，请参阅 什么是 AI 原生？
如果你想了解更具实践性的“我该如何开始应用？”的一面，最好的两篇后续阅读是 Agent 优先的 API 设计指南 和 迁移指南。前者解释了 API 的形态，后者展示了一旦工作流为模型切换而设计，团队改变方向的速度能有多快。
给使用 AI 编程助手的开发者的建议
如果你正准备使用 Claude Code、Cursor 或任何 AI 编程助手开始一个项目：
- 在第一天就创建你的
CLAUDE.md，而不是像我一样等到第三周。 - 自动化约定强制执行。不要依赖 AI 去记住规则。
- 像审查初级开发者的代码一样审查 AI 代码。它速度快、能力强，但缺乏上下文。
- 手动测试边缘情况。AI 生成的测试覆盖的是快乐路径，而不是竞态条件。
- 从一开始就集中管理配置。分散问题会迅速恶化。
- 使用严格的 TypeScript。这是你对抗类型漂移的最佳防御。
- 尽早构建 CI 门禁。它们在第一周内就能回本。
我还会再做一次吗？
绝对会。但我会在第一天就从 CLAUDE.md 开始，而不是第三周。我会记住，10 倍的生产力乘数也意味着错误后果的 10 倍乘数。
我们构建的平台——300 多个 AI 模型、统一的 API、多货币计费和 13 种语言的国际化——如果由传统团队来做，可能需要数月时间。我们用 30 天就发布了。Bug 是真实的，但速度也是真实的。
AI 辅助开发不是魔法。它是一种新型的工程学科。和所有学科一样，它会奖赏那些尊重其约束的人。
常见问题解答
一名开发者真的能用 Claude Code 构建生产级平台吗？
是的，但有前提条件。AI 以惊人的速度处理代码生成和重构，但你仍然需要强大的架构判断力、自动化的质量门禁，以及仔细审查一切的纪律。10 倍的速度也包括如果你不小心，产生 bug 的速度也会快 10 倍。
什么是 CLAUDE.md？
CLAUDE.md 是一个项目级的指令文件，AI 编程助手会读取它以获取上下文。它包含了 AI 应该遵循的编程约定、架构决策和约束。可以把它看作是你 AI 队友的入职文档。
如何防止生产环境中的 AI 生成 bug？
自动化的 CI 门禁至关重要：类型检查、SSOT 审计、enum 同步验证以及特定领域的安全门禁。核心见解是 AI 既放大了生产力也放大了错误，因此你需要自动化检查来捕获这些被放大的错误。
AI 辅助开发适用于计费和支付系统吗？
适用，但要格外小心。支付代码需要显式的竞态条件处理、正确的锁机制和彻底的边缘情况测试。AI 生成的测试往往覆盖快乐路径，因此你必须手动测试失败场景和并发操作。
LemonData 让您通过单个 API 访问 300 多个 AI 模型。免费开始使用 并通过 1 美元的额度测试平台。
