大家好，我是东哥。「Vibe Coding AI编程实战」系列来到第4篇。
上一篇我们让AI聊天机器人接上了大模型，能聊、能思考、能记上下文。今天再进一步——让它能查数据库，老板用大白话问一句”上个月哪个区域销量最高”，它自己去查库、出图、给答案。
这是企业里最火的agent落地方向，叫NL2SQL，自然语言转SQL。但很多人一上来就让AI写代码，结果翻车翻到怀疑人生。最容易翻车的那一步，恰恰在写代码之前。
先把要做什么想清楚
老板的需求其实就三件事。
第一，接一个大模型。第二，让模型能操作数据库，听懂人话、自己写SQL去查。第三，查出来的数据，前端要能实时画成图表，顺便把答案也说出来。
这三件事看着简单，但它对应的其实是软件开发的完整生命周期：立项、需求分析、系统设计、开发、测试、上线、迭代。AI时代这套流程没消失，只是每一步都让大模型帮你加速。
别急着开Trae，先做调研
我用的AI编程工具是Trae，字节跳动的，对中文友好还免费。但拿到需求别马上打开它让AI写，那基本要返工。
我的习惯是先用大模型的深度研究功能做一轮调研。ChatGPT、Gemini的deep research都行，把那三件事甩给它，让它帮我查清楚：做这种系统现在主流用什么技术、有哪些agent框架、有什么开源项目能抄作业、前后端技术栈怎么搭。
调研完心里就有底了。后端用LangChain 1.0搭agent，它有现成的SQL数据库工具，模型用阿里云百炼的千问（现在到Qwen3.7了），数据库图省事就用SQLite本地起一个，前端React加ECharts画图。开源参考DB-GPT、Vanna、Chat2DB，都能扒着看思路。
为什么要费这劲先调研？因为NL2SQL这种系统，核心不是写代码，是把”听懂人话、生成SQL、查库、分析、画图”这条链路串起来。你不先搞清楚每一步用什么技术、模型怎么调工具，直接让AI上，它大概率会瞎编一气——表名乱猜、SQL语法不对、字段对不上，前端再怎么调都不通。调研就是提前把这些坑填平。
有了这套确定性的方案，才轮到打开Trae。
Trae的几种模式，重点在”规划”
Trae里常用的几种工作模式：Chat是只读问答，你问它答，不动你代码；Agent是自主编码，给它权限它能自己读写文件、跑工具；SOLO是全流程自己干。还有一种动作我特别看重——让它先做规划。
这个规划的动作，是我觉得整个流程里最值钱的一步。你把调研好的方案甩给它，它不直接写代码，而是先输出一份实现清单：前端怎么搭、后端怎么接、数据库怎么设计、NL2SQL那一步关键工具是什么。这份清单你可以审、可以改，改定了再让它一步步执行。
这里有两个我踩过坑总结的经验。
第一，别把模糊需求直接丢给规划。你说”帮我做个数据分析系统”，它给的方案大概率没法用。得先调研、把技术选型定死，再让它规划。除非你对这套技术本来就熟，那可以省掉调研。
第二，规划生出来的是一份待办清单，本质上是文档驱动的任务状态机——它干完一步就在文档里打个勾。但千万别图省事按那个”一键全部执行”的按钮，一整坨跑下来不可控，出个bug你都不知道卡在哪。拆成小步，一步一验证，遇到问题才游刃有余。它生成清单的时候，底层并不会每次都把整份文档塞进上下文，而是按相关性去检索，所以文档写得越清楚、越有条理，它执行得越准。
下载了别人的开源项目也一样，别上来就提需求。先让它读一遍源码、给你讲明白，再告诉它”我要在这个基础上接飞书、接钉钉，该怎么做”，这样出来的规划才靠谱。
范式转变：从盯代码到盯文档
走到这儿你会发现，用AI编程，最大的转变不是少写了多少代码，而是你维护的东西变了。
以前你得盯着某个模块有哪些代码、实现了什么。现在不用，你只盯一份规划文档：哪些需求做了、哪些没做、做到什么程度。以结果为目标，过程交给AI。
这一步想通了，零基础也能带着AI把一个智能数据分析系统从零搭起来。下一篇，我们就进到Trae里，真正开干。