企业官网建设流程全解析

1. 三周128个PR背后的工程逻辑

第一次看到"三周时间，128个PR，83万行代码"这组数字的时候，我的第一反应不是惊叹，而是怀疑。作为一个在代码仓库里摸爬滚打十几年的人，我太清楚83万行代码意味着什么——那差不多是一个中型团队干大半年的量。但当我真正去拆解这件事的来龙去脉之后，我发现它并不是什么魔法，而是一套极其务实的工程方法论在起作用。

这个项目的核心，是让AI深度参与到代码库的迁移和重构工作中。具体来说，是把一个大型项目的核心模块从一种技术栈迁移到另一种技术栈，同时借助AI编程助手来完成大量的重复性、模式化的代码转换工作。128个PR不是一次性涌出来的，而是被拆解成了一个个可独立审查、可独立回滚的原子化变更。83万行代码也不是凭空生成的，而是在严格的类型约束和测试覆盖下，由AI辅助产出的。

这件事真正值得聊的地方在于：它回答了一个很多人都在问的问题——AI编程到底能不能用在真实的大型项目上？答案是能，但前提是你得有一套正确的方法论。这套方法论包括怎么拆任务、怎么约束AI的输出、怎么保证代码质量、怎么让人类审查者不被海量diff淹没。接下来我会把这套东西掰开揉碎了讲清楚，不管你是刚接触AI编程助手的新手，还是已经在团队里推行AI辅助开发的老手，应该都能从中找到可以直接抄作业的东西。

2. 为什么选择大规模迁移作为切入点

2.1 迁移类任务的天然优势

在所有可以用AI辅助的编程任务里，代码迁移和重构是最适合交给AI的一类。原因很简单：这类任务有明确的输入和输出，有清晰的模式可以遵循，而且验证成本相对可控。

你想想看，如果你让AI去设计一个新功能，它可能会给你一堆看起来合理但实际跑不通的东西。但如果你让AI把一段用旧语法写的代码翻译成新语法，那它的输出是可以被编译器直接验证的。类型检查器会告诉你哪里不对，测试用例会告诉你行为是否一致。这种"有明确对错"的任务，才是AI真正能发挥价值的地方。

这个项目选择从核心模块的迁移入手，本质上就是利用了这一点。83万行代码听起来吓人，但如果把它拆成一个个独立的迁移单元，每个单元都有明确的转换规则和验证标准，那它就不再是一个不可完成的任务了。

2.2 技术栈选择的考量

从热搜词里能看到Rust和TypeScript这两个关键词，这其实透露了很多信息。TypeScript到Rust的迁移，或者说在TypeScript项目里引入Rust模块，是近几年非常热门的一个方向。

为什么是这两个？TypeScript的优势在于类型系统完善、生态成熟、开发效率高，但它的运行时性能有天花板。Rust的优势在于零成本抽象、内存安全、性能接近C/C++，但它的学习曲线陡峭、开发速度相对慢。把两者结合起来，用TypeScript做上层业务逻辑，用Rust做性能敏感的核心模块，这是一个非常务实的架构选择。

但问题在于，这种混合架构的迁移工作量巨大。你需要把原来用TypeScript写的核心逻辑用Rust重写，同时保证接口兼容、行为一致。这种工作如果纯靠人力，不仅耗时，而且极其枯燥，很容易出错。AI辅助在这里的价值就体现出来了——它可以快速产出符合模式的代码，人类只需要关注那些真正需要判断力的部分。

2.3 128个PR的拆解逻辑

128个PR这个数字不是随便定的。我仔细研究过这种大规模迁移的PR拆解策略，核心原则是：每个PR必须是可以独立审查、独立测试、独立合并的。

具体怎么拆？通常是按照模块边界来拆。比如一个项目有10个核心模块，每个模块又可以细分成若干个功能单元，每个功能单元对应一个PR。这样拆的好处是，每个PR的diff大小控制在人类审查者能接受的范围内，通常不超过500行。超过这个数，审查质量就会急剧下降。

另一个拆解维度是按照变更类型来拆。比如先做类型定义的迁移，再做核心逻辑的迁移，最后做测试用例的迁移。这样每个PR的变更类型是单一的，审查者可以用同一套标准来快速判断。

注意：PR拆得太细会导致合并冲突频繁，拆得太粗会导致审查质量下降。我的经验是，单个PR的diff控制在300到500行之间是最优的，这个范围内审查者既能保持专注，又不会因为频繁的上下文切换而效率低下。

3. AI辅助编程的核心约束机制

3.1 类型系统是第一道防线

很多人用AI编程助手的方式是：给一个需求描述，让AI生成代码，然后复制粘贴。这种方式在小脚本上可能没问题，但在大型项目里就是灾难。因为你根本不知道AI生成的代码会在什么地方出问题。

这个项目的做法完全不同。它把类型系统当成了约束AI输出的第一道防线。具体来说，在让AI生成任何代码之前，先把类型定义、接口定义、函数签名全部确定下来。AI的任务不是"设计"这些接口，而是"实现"这些接口。

这样做的好处是，AI的输出空间被极大地压缩了。它不能随便发明新的类型，不能随便改变函数签名，只能在给定的框架内填充实现。而一旦它的实现有问题，类型检查器会立刻报错。这就把验证成本从"人工审查每一行代码"降低到了"跑一遍类型检查"。

从热搜词里看到"选项baseurl已弃用"和"moduleresolution=node10已弃用"这些TypeScript相关的配置问题，其实也说明了类型系统在大型项目里的重要性。TypeScript的配置选项在版本升级时会发生变化，这些变化如果不及时处理，会导致整个项目的类型检查失效。而一旦类型检查失效，AI生成的代码就失去了最重要的约束。

3.2 测试覆盖是第二道防线

光有类型检查还不够。类型检查只能保证代码在类型层面是正确的，但无法保证行为是正确的。比如一个函数签名是(a: number, b: number) => number，AI可以返回a + b，也可以返回a - b，类型检查都不会报错。

所以第二道防线是测试覆盖。在让AI迁移代码之前，先确保原有的测试用例是完整的、通过的。然后AI迁移完之后，跑一遍测试，如果测试通过，说明行为是一致的。如果测试不通过，说明AI的迁移有问题。

这个项目能做到83万行代码的迁移，很大程度上是因为它的测试覆盖率足够高。我猜测他们的测试覆盖率至少在80%以上，核心模块可能接近100%。没有这个基础，AI辅助迁移就是空中楼阁。

3.3 代码审查的降噪策略

128个PR意味着128次代码审查。如果每个PR都需要审查者逐行看diff，那审查者早就崩溃了。所以必须有一套降噪策略，让审查者只关注真正需要关注的部分。

这个项目采用的策略我称之为"分层审查"。第一层是自动化审查，包括类型检查、lint检查、测试运行，这些全部由CI流水线自动完成，不需要人工介入。第二层是模式审查，审查者只需要确认AI生成的代码是否符合预期的模式，不需要逐行理解每一行代码的逻辑。第三层是重点审查，只针对那些涉及核心业务逻辑、边界条件、错误处理的代码进行逐行审查。

这样分层之后，审查者的工作量至少降低了70%。大部分PR只需要看一眼CI结果和模式是否符合，就可以合并了。

4. 实操流程与关键环节拆解

4.1 前期准备：建立迁移规范

在开始任何迁移工作之前，必须先建立一套迁移规范。这套规范要回答以下问题：

• 旧代码的哪些模式对应新代码的哪些模式？
• 命名规范是什么？旧代码的命名和新代码的命名如何映射？
• 错误处理的方式是什么？旧代码用异常，新代码用Result类型，怎么转换？
• 异步代码怎么处理？旧代码用Promise，新代码用async/await，怎么转换？

这些规范不是写在文档里就完事了，而是要转化成AI能理解的提示词。比如你可以这样写提示词：

你是一个代码迁移助手。你的任务是把TypeScript代码迁移到Rust代码。 迁移规则如下： 1. TypeScript的interface对应Rust的struct 2. TypeScript的Promise<T>对应Rust的Result<T, Error> 3. TypeScript的try/catch对应Rust的?操作符 4. 所有函数名从camelCase转换为snake_case 5. 所有类型名从PascalCase转换为PascalCase（保持不变） 请严格按照以上规则进行迁移，不要发明新的模式。

这个提示词的关键在于"不要发明新的模式"。AI有一个坏习惯，就是喜欢自作主张地优化代码。但在迁移场景下，你不需要它优化，你只需要它忠实地转换。所以必须在提示词里明确禁止它发明新模式。

4.2 分批迁移：从简单到复杂

迁移工作不能一上来就啃硬骨头。正确的做法是从最简单的模块开始，逐步过渡到复杂的模块。

第一批迁移的应该是纯类型定义、常量、工具函数这类没有复杂逻辑的代码。这些代码的迁移规则明确，验证成本低，适合用来磨合流程、发现问题。

第二批迁移的是有明确输入输出的业务逻辑代码。这些代码有测试覆盖，可以通过测试来验证迁移的正确性。

第三批迁移的是涉及异步、并发、错误处理的复杂代码。这些代码的迁移难度最大，需要最多的人工审查。

第四批迁移的是核心算法、性能敏感代码。这些代码可能需要人工重写，AI只负责辅助生成测试用例和基准测试。

这个分批策略的核心逻辑是：先用简单任务建立信心和流程，再用复杂任务验证流程的鲁棒性。如果一上来就做复杂任务，一旦出问题，你很难判断是流程的问题还是任务本身的问题。

4.3 单PR操作流程

具体到每一个PR，操作流程是这样的：

1. 确定迁移范围：从旧代码库里选定一个模块或一个功能单元。
2. 生成迁移提示词：根据迁移规范，生成针对这个模块的提示词。
3. AI生成代码：把旧代码和提示词一起发给AI，让它生成新代码。
4. 本地验证：在本地跑类型检查、lint检查、单元测试。
5. 修复问题：如果验证不通过，根据错误信息修复。如果是AI生成的问题，调整提示词重新生成。
6. 提交PR：验证通过后，提交PR，附上迁移说明和验证结果。
7. CI验证：等待CI流水线跑完，确保所有检查通过。
8. 人工审查：审查者按照分层审查策略进行审查。
9. 合并：审查通过后合并。

这个流程看起来简单，但每一步都有坑。比如第3步，AI生成的代码可能只覆盖了部分功能，你需要检查它是否遗漏了什么。第4步，本地验证可能因为环境差异而通过，但CI上失败。第5步，修复问题可能会引入新的问题，需要反复迭代。

提示：在提交PR之前，一定要在本地跑一遍完整的测试套件。我见过太多次因为本地只跑了部分测试，结果CI上发现问题的案例。这种返工非常浪费时间，而且会打乱整个迁移节奏。

4.4 参数计算与性能验证

对于性能敏感的模块，迁移之后必须做性能验证。这不是简单地跑一下benchmark就完事了，而是要有明确的性能指标和对比方法。

比如一个排序算法从TypeScript迁移到Rust，你需要：

1. 确定基准数据：用什么样的数据集来测试？数据量多大？数据分布是什么？
2. 确定对比指标：是比较绝对耗时，还是比较时间复杂度？是比较内存占用，还是比较CPU利用率？
3. 确定测试方法：是用微基准测试，还是用端到端测试？测试多少次？取平均值还是中位数？
4. 确定通过标准：性能提升多少才算通过？如果性能下降，下降多少是可以接受的？

这些参数不是拍脑袋定的，而是要根据实际业务需求来定。比如对于一个实时数据处理系统，延迟是最重要的指标，那你就重点测延迟。对于一个批处理系统，吞吐量是最重要的指标，那你就重点测吞吐量。

我个人的经验是，迁移后的性能至少不能比迁移前差。如果差了，要么是迁移有问题，要么是Rust代码写得不够优化。这时候需要人工介入，检查AI生成的代码是否有性能问题。

5. 常见问题与排查技巧实录

5.1 AI生成代码的典型问题

在使用AI辅助迁移的过程中，我总结了几类最常见的问题：

这些问题里，最麻烦的是"逻辑遗漏"。因为类型检查可能通过，lint检查也可能通过，但测试就是不通过。这时候你需要仔细对比新旧代码的逻辑，找出AI遗漏了什么。

我的经验是，AI最容易遗漏的是边界条件。比如空数组、null值、负数、超大数这些情况，AI经常忘记处理。所以在提示词里一定要强调："请确保处理所有边界条件，包括空值、零值、负数、超大值。"

5.2 CI流水线失败的排查思路

CI流水线失败是家常便饭。关键是要有一套系统的排查思路，而不是盲目地重试。

第一步，看失败的是哪个环节。是类型检查失败？还是lint失败？还是测试失败？不同的环节对应不同的问题。

第二步，看错误信息。错误信息通常会告诉你哪个文件、哪一行、什么错误。根据这些信息定位问题。

第三步，判断是AI的问题还是环境的问题。如果是AI的问题，调整提示词重新生成。如果是环境的问题，检查CI配置。

第四步，修复后重新提交。如果同一个PR反复失败，考虑是不是拆解粒度有问题，需要进一步拆分。

注意：不要在一个PR里修复多个不相关的问题。这样会让diff变得混乱，审查者很难判断哪些改动是必要的，哪些是顺带的。保持每个PR的变更类型单一，是提高审查效率的关键。

5.3 合并冲突的处理策略

128个PR意味着128次合并。如果PR之间没有依赖关系，合并冲突的概率还比较低。但如果PR之间有依赖关系，合并冲突就会频繁发生。

处理合并冲突的策略是：尽量让PR之间没有依赖关系。具体来说，就是把共享的类型定义、接口定义先合并，然后再合并各个模块的实现。这样每个模块的实现PR都是基于同一套类型定义的，不会产生冲突。

如果确实有依赖关系，那就按照依赖顺序合并。先合并被依赖的PR，再合并依赖的PR。合并之前先rebase，解决冲突后再合并。

我个人的经验是，合并冲突最好在本地解决，不要在GitHub的网页界面上解决。因为网页界面上的冲突解决工具功能有限，容易出错。在本地用IDE的合并工具，可以更清楚地看到冲突的上下文，做出更准确的判断。

5.4 审查者疲劳的应对方法

128个PR，如果每个PR都需要审查者花30分钟，那就是64个小时的工作量。这显然是不现实的。所以必须想办法降低审查者的疲劳。

第一个方法是自动化。能自动化的检查全部自动化，不要让审查者做机器能做的事情。类型检查、lint检查、测试运行、代码格式化，这些全部交给CI。

第二个方法是模板化。给审查者提供一个审查模板，让他们只需要按照模板逐项确认，不需要自己思考审查什么。比如：

• [ ] CI是否全部通过？
• [ ] 代码是否符合迁移规范？
• [ ] 是否有明显的逻辑错误？
• [ ] 是否有遗漏的边界条件？
• [ ] 是否有性能问题？

第三个方法是轮换。不要让同一个审查者审查所有PR，而是让多个审查者轮换。这样每个人审查的PR数量减少了，疲劳度也降低了。

第四个方法是抽样。对于低风险的PR，可以只做抽样审查，不需要每个都仔细看。比如工具函数的迁移，只要CI通过，就可以直接合并。核心业务逻辑的迁移，才需要仔细审查。

6. 工具链配置与优化建议

6.1 AI编程助手的配置要点

从热搜词里看到"vscode copilot怎么配置apibase"和"copilot vscode怎么不能用"这些问题，说明很多人在配置AI编程助手时遇到了困难。我分享一下我的配置经验。

首先，确保你的编辑器版本和插件版本是兼容的。有时候插件更新了，但编辑器没更新，就会导致功能异常。反过来也一样。所以定期检查更新是必要的。

其次，配置好网络环境。AI编程助手需要访问远程服务，如果网络不稳定，就会出现"对话丢失"、"无法连接"等问题。这个不需要多解释，确保你的网络能正常访问所需的服务就行。

第三，合理设置提示词模板。不同的项目有不同的迁移规范，你可以把常用的提示词保存成模板，需要的时候直接调用。这样可以节省大量时间，也能保证提示词的一致性。

第四，定期清理缓存。AI编程助手会在本地缓存一些数据，时间长了可能会出问题。定期清理缓存，可以避免一些莫名其妙的故障。

6.2 类型检查工具的选型

TypeScript的类型检查工具主要有两个：tsc和vue-tsc。tsc是TypeScript官方的编译器，vue-tsc是Vue项目专用的类型检查工具。

从热搜词里看到"electron打包 vue-tsc ^1.8.27 typescript ^5.3.3"这个组合，说明这是一个Electron + Vue + TypeScript的项目。这种项目的类型检查配置比较复杂，因为涉及到多个工具的版本兼容性。

我的建议是：尽量使用最新稳定版本的工具。新版本通常会修复旧版本的bug，而且对新的语言特性支持更好。但也不要盲目追新，因为新版本可能引入不兼容的变更。在升级之前，先在本地测试一下，确保不会破坏现有的功能。

如果遇到"vue类型工具与现有typescript 7不兼容"这类问题，通常是因为版本不匹配。解决方法是查看vue-tsc的文档，找到它支持的TypeScript版本范围，然后安装对应的版本。

6.3 CI流水线的优化

CI流水线的速度直接影响迁移的效率。如果每次提交PR都要等30分钟才能看到CI结果，那128个PR就是64个小时的等待时间。所以优化CI流水线是很有必要的。

优化的方向有几个：

第一，并行化。把可以并行运行的检查并行化，比如类型检查和lint检查可以同时跑，不需要串行。

第二，缓存化。把不经常变化的依赖缓存起来，避免每次都重新安装。比如node_modules、cargo的依赖缓存，都可以缓存。

第三，增量检查。只检查变更的文件，而不是检查整个项目。这样可以大幅减少检查时间。

第四，分级检查。把检查分成快速检查和完整检查。快速检查在每次提交时运行，完整检查在合并前运行。这样可以在保证质量的同时，提高开发效率。

7. 从128个PR中提炼的可复用经验

7.1 任务拆解是核心能力

128个PR的背后，是128次精准的任务拆解。每一次拆解都需要判断：这个任务的边界在哪里？它的输入输出是什么？它依赖什么？什么依赖它？它的验证标准是什么？

这种拆解能力不是天生的，而是练出来的。我的建议是，从小任务开始练。比如你要迁移一个函数，先想清楚这个函数的输入输出是什么，它依赖哪些其他函数，哪些函数依赖它。然后把这个函数单独拿出来迁移，迁移完之后跑测试。如果测试通过，说明拆解是正确的。

练多了之后，你就能快速判断一个任务的边界在哪里，应该怎么拆。这种能力不仅对AI辅助迁移有用，对任何大型项目的开发都有用。

7.2 约束比自由更重要

很多人用AI编程助手的方式是：给一个模糊的需求，让AI自由发挥。这种方式在小任务上可能没问题，但在大型项目里就是灾难。

正确的做法是：给AI尽可能多的约束。类型定义是约束，接口定义是约束，测试用例是约束，迁移规范是约束。约束越多，AI的输出空间越小，出错的概率越低。

这就像教一个新人写代码。如果你只告诉他"写一个排序函数"，他可能会写出各种奇怪的实现。但如果你告诉他"写一个排序函数，输入是number数组，输出是number数组，不能修改原数组，时间复杂度O(n log n)，空间复杂度O(1)"，他就能写出符合要求的实现。

AI也是一样。约束越明确，输出越可靠。

7.3 自动化是规模化的前提

128个PR，83万行代码，如果没有自动化，这是不可能完成的任务。自动化包括：自动类型检查、自动lint检查、自动测试运行、自动代码格式化、自动部署。

自动化的价值不仅在于节省时间，更在于保证一致性。人工检查可能会遗漏，可能会犯错，但自动化检查不会。只要配置正确，自动化检查每次都会给出相同的结果。

所以如果你打算在团队里推行AI辅助开发，第一件事不是买AI工具，而是建立自动化流水线。没有自动化流水线，AI生成的代码越多，你的技术债务就越多。

7.4 人类审查不可替代

虽然AI可以生成大量代码，但人类审查仍然是不可替代的。AI可以保证代码在类型层面是正确的，在测试层面是通过的，但它无法保证代码在业务层面是合理的。

比如AI可能会生成一个功能上正确但性能很差的实现。它可能会生成一个符合规范但难以维护的代码结构。它可能会遗漏一些业务上的特殊需求。这些问题只有人类审查者才能发现。

所以人类审查者的角色不是被AI替代，而是被AI解放。他们不需要再花时间在重复性的代码转换上，而是可以把精力集中在真正需要判断力的地方。

8. 我个人的实操体会

踩过几次坑之后，我最大的体会是：AI辅助编程的上限不取决于AI有多强，而取决于你的工程基础设施有多完善。类型系统完善、测试覆盖率高、CI流水线健全的项目，AI辅助的效果就特别好。反之，如果项目本身一团糟，AI只会让情况更糟。

另一个体会是：不要试图一次性迁移所有代码。我见过有人想用一个周末把整个项目迁移完，结果搞出一堆问题，最后不得不回滚。正确的做法是小步快跑，每次迁移一个模块，验证通过后再迁移下一个。这样即使出问题，影响范围也是可控的。

最后分享一个小技巧：在让AI生成代码之前，先让它生成测试用例。测试用例是验证代码正确性的标准，如果测试用例本身有问题，那验证就是无效的。让AI先生成测试用例，你审查测试用例，确认无误后，再让AI生成实现代码。这样可以避免AI在实现代码里"偷懒"——比如实现一个功能不完整的版本，然后生成一个刚好能通过的测试用例。

这个内容后续还可以这样扩展：把迁移规范做成一个可配置的规则引擎，让AI根据规则自动生成迁移方案。或者把整个迁移流程做成一个自动化工具，输入旧代码库，输出新代码库和迁移报告。这些方向都值得探索，但前提是你先把基础流程跑通。