我们是电商-商家增长团队，在用 AI Coding 从 0 到 1 搭建 AI 短视频生成平台的过程中，最初以 Vibe Coding 为主，初期效果很不错，但随着项目复杂度上升，问题接踵而至：AI 生成的代码缺乏自动化验证、复杂功能频繁返工、前后端接口需要手动对齐，开发效率大打折扣。
因此，我们开始系统地探索 AI Coding 的最佳实践工作流 ，经过数月的迭代打磨，沉淀出了一套 TRAE SOLO + 多仓库 Spec 模式 + 测试验证 Skill 的全栈开发实践。
实践成果：2 人 × 2 周，从 0 到 1 完成 AI 短视频生成平台的 MVP
已投放视频效果：招商视频、PPT 讲解视频，并取得了正向收益
核心工具链一览
核心工作流：从接手需求→效果回收
3.1 Spec-First：需求即文档，告别 Vibe Coding
心路历程
Spec 模式的三件套
在 TRAE 中使用 /spec 命令后，AI 会生成三份文档：
-
spec.md（需求规格）：功能描述、技术方案、API 接口定义、前后端分工
-
tasks.md（任务拆解）：按优先级排列的开发任务列表，含依赖关系
-
checklist.md（验收清单）：每个任务的完成标准和测试要点
踩过的坑：大多数问题不是“实现错了”，而是“Spec 没对齐”
3.2 前后端共享上下文：多仓库开发的正确姿势
Workspace：让一次 Prompt 全栈闭环
多仓库 Workspace 配置方法
1. 通过 TRAE 新建一个窗口
2. 将多个代码仓库添加到工作区
3. 保存工作区，会生成一个配置文件，后续打开该配置文件即可
4. 为每个代码仓库，设置工作区规则（跨项目协作规则）
5. 一次 Prompt 并通过 Spec 模式执行，最终同时改动前后端
缺点：Spec 文档只会在其中一个仓库生成
经验复用
可复用的场景：涉及多仓库的需求，且各个仓库之间有依赖关系
存在的难点：
-
代码较多的仓库，建议沉淀知识库，便于 AI 识别需求改动涉及的仓库与代码位置
-
TRAE 同时打开多个代码仓库，存在性能问题，可考虑使用内存较高的开发机
3.3 测试不是附加动作，是 AI Review 代码的核心抓手
后端测试验证：给定样例输入输出，像 LeetCode 一样
实操案例（解析文章内容）：
-
/spec 定义功能：输入文章接口返回的富文本 → 输出纯文本 + 图片列表，不涉及 DB 的纯解析功能
-
提供样例文件：input1.txt → output1_text.txt + output1_image.txt
-
定义通过标准：文本正确率 > 95%，图片召回率 > 95%
-
AI 自动运行测试 → 发现错误 → 修复代码，循环直至通过
关键细节：一开始只给了样例输入没给样例输出，AI 凭感觉实现，效果不稳定。补充明确的样例输出后，准确率从不稳定直接提升到 100%
前端测试验证：写能够真实执行的测试用例
正确的做法：
1. 编写调用 Playwright 的测试脚本（.spec.ts / .js）
2. AI 自动部署后端 → 启动前端 → 运行测试脚本
3. 测试脚本在真实浏览器中操作页面、调用后端接口
4. 根据测试结果自动修复，直至通过
实际案例（大文件分片上传）：AI 自动执行测试脚本 → 打开页面 → 进入道具管理 → 上传 50MB 视频 → 观察分片请求（每片 5MB）→ 验证最终 URL 返回。全程自动化，无需人工介入。
实战遇到的问题
-
后端的测试验证 Skill 执行的比较好，前端的测试验证 Skill 仅仅写了个 markdown 文件，并没有真正执行
-
重新描述前端的测试步骤
结果：AI 写了测试文件，但需要让我自己运行。
-
给定视频位置，最终成功。将上述经验进行总结，循环迭代 Skill
-
其他卡点
a. TRAE 会跳出来让我人工确认是否执行 rm、kill 等操作
b. 代码编写+测试：需要 1 – 1.5 小时，中间可以干别的事（比如写下一个需求的 Prompt）
经验复用
-
一些明确、长期执行的逻辑，写具体测试用例调用playwright，比接入 Playwright 的MCP、CUA稳定的多
-
适合CUA、接入 Playwright 的 MCP 场景：一次性场景
-
过往的测试有大量重复的工作，如创建 n 个测试任务计划。现在可能的解法：沉淀创建测试任务计划的Skill（PRD-> 接口入参，调接口）
3.4 Skill 迭代：从一次性 Prompt 到可复用能力
Skill 迭代的正循环引擎
核心经验：Skill 不是一次写好的，而是通过 失败 Case 反馈 不断迭代优化。每次失败都是改进 Skill 的机会。
常见问题汇总
AI Coding 深水区：挑战与突破方向
前面介绍的工作流在 AI 短视频生成 项目（从 0 到 1 的项目）取得了显著成效，但在实践过程中，我们也深刻感受到 AI Coding 进入深水区后面临的一系列挑战。
接下来将坦诚地剖析这些难点，并探讨可能的解法。
5.1 当前工作流的适用性分析
为什么这套工作流在 AI 短视频生成项目上效果好？
AI短视频生成项目是一个从 0 到 1 的全新项目，它天然具备以下有利条件：
-
没有历史包袱：代码库干净，没有历史遗留的特殊逻辑，AI 不会被误导
-
业务逻辑相对清晰：AI 短视频生成的核心链路明确，需要编写的代码基本在 AI 模型的知识范围内（前端组件、后端 CRUD + 任务调度）
-
团队规模小，协作简单：2 – 3人团队，沟通成本低，代码冲突少
为什么不一定适用于存量业务场景？
对于大部分团队来说，面对的往往是已经运行多年的存量业务系统，这些系统与 AI 短视频生成项目 存在显著差异：
5.2 深水区的五大核心挑战
5.3 清醒的认知：AI Coding 不是万能的
在探索 AI Coding 深水区的过程中，我们形成了几个清醒的认知：
-
AI Coding 的 ROI 与项目特征强相关：新项目 > 存量项目，逻辑清晰的模块 > 业务复杂的模块
-
人的判断力始终是核心：AI 负责执行；人负责关键决策，牵引AI往正确的方向迭代。Prompt 的质量、Spec 的审核、架构的把控，这些依赖人的经验和判断力
-
沉淀比使用更重要：每一次实践的知识沉淀（Skill、文档），都是在为团队构建长期的 AI 协作能力
总结
6.1 核心方法论
整套工作流的核心逻辑可以归纳为：
1. 需求先行：先用 /spec 对齐需求，再让 AI 写代码
2. 全局感知：前后端同一工作区，让 AI 看到全貌
3. 测试驱动：用自动化测试验证代替人工 Review
4. 持续沉淀：将重复操作固化为 Skill，不断迭代
6.2 给不同角色的建议
AI Coding 的最佳实践不会有终点，但每一次迭代都在让下一次更高效。
