企业官网建设流程全解析

【AI 惊艳初体验】

2026 年春节，在 Apache APISIX 上遇到棘手 bug，试很多方法无法复现，读代码也未定位。最后将现象描述给 AI Agent，它不到 10 分钟靠静态代码分析和现象描述准确指出问题，令人惊艳。

【AI 编码能力验证】

尝试让 AI 做生产级项目，虽不能半天完整复刻，但只要讲清架构、技术栈和核心概念关系，单论写代码，AI 半天能完成过去三个月的代码量，可见 AI 已达到甚至超过资深工程师的编码能力。

【AI 应用瓶颈与人的价值】

使用 AI 写软件烧掉几百亿 token 后发现，瓶颈不在 AI，而在人。AI 能看到 What、完成 How，但 Why 还得人自己来。资深工程师值钱的是踩过的坑、做过的技术权衡和判断以及熬出的经验，这些未写进公开知识库，AI 看不到背后的 Why。

【公司“禁止手写代码”争议】

在公司做了尽量不手写代码、把“打字”交给 AI Agent 的决定，反弹最大的是有“领地意识”、把自己定位清晰的工程师。以前做前端页面需掌握多种技能，现在没写过前端的人说出评判标准也能做出不错的页面。过去交付用户需求需多角色配合，现在相关同事用 AI Agent 半小时内就能完成闭环。觉得该决定“疯了”“不负责任”的人，往往是框得太死或未深度用 AI 的人。建议不同意的人用最好的大模型去尝试，了解其边界。而最资深的工程师认为 vibe coding 做出来的是玩具。

【玩具还是生产级：关键在人】

判断代码是玩具还是能上生产，关键在于指挥 AI 的人对架构、代码、测试有无清晰理解，对推上生产有无敬畏之心。哪怕 AI 决策正确率高，剩下的错误也会让项目质量下降，人必须参与决策。以新项目 AISIX 为例，重度使用 Claude Code 编码，但核心概念设计、架构选择等不交给 AI，AI 是辅助，要让它做测试、写文档。

【AI 代码审查与迭代】

AI coding 提 PR 和代码量多，人看不过来，需靠流程。做法是用 Claude Code 写，再让独立的 AI Agent 审计，同时用 CodeRabbit 和 GitHub Copilot 做第二层。让项目稳定的是大量用户使用并暴露问题，然后迭代改进。AI 能将迭代速度拉到极致，用户提 bug 后，AI 能快速定位和修复，人则优化自动化流程，最终拍板由人决定。

【用 AI 写软件的三个阶段】

第一阶段堆框架，用各种 harness 搭软件工程，能找到盲点，像指挥团队。第二阶段扔掉框架，大模型足够聪明，只需告诉它任务，它就能做好，此时要把自己的经验沉淀成小文件让它加载。第三阶段从“上瘾式编码”转向“高质量决策”，使用 AI 后决策增多，人精力跟不上。现在并行五六个研发任务，重要决策和架构选择由人做，机器辅助，一天约做四五十个高质量决策，要把决策集中在上午到下午三四点，其余时间养精力，避免陷入低质量迭代。烧 token 关键在于经验沉淀和高质量决策，不同人使用同样模型和提示词结果差异大，有经验的工程师能提升 AI 决策正确率。

【重写 AI 网关的缘由】

两年前 AI 流量出现，最初想在 Apache APISIX 用插件代理，但发现 AI 流量和 API 流量核心概念不同，API 网关核心概念是路由等，AI 流量核心概念是 LLM Provider 等。添加 AI 场景能力硬套 API 网关不自然，于是按 AI 网关原生概念做了新的开源 AI 网关 AISIX，它能统一处理大模型流量。AISIX 用 Rust 从零编写，因为 AI 流量长连接、吃并发，Rust 更合适。这个痛点最初来自其他大公司，他们按 token 计费成本高，安全也是问题。

【公司应有的态度】

AI 能力溢出，人跟不上。公司应警惕“省着用 token”的心态，要大力推行 AI、改造组织、推进产品，不能让 AI 的成本和安全成为阻碍。