我是如何用AI配合完成日常开发工作的

背景

在 AI 辅助编程工具快速迭代的当下，越来越多的开发者开始探索如何将 AI 深度融入日常开发工作流。本文源自 LINUX DO 社区一位全栈开发者的经验分享，他主要使用 Vue 进行前端开发、Node.js 后端、对接 OpenAI / Claude 等 AI 服务、Docker 部署以及电商 SaaS 系统。他半年来逐步搭建了一套以 AI 为核心、结合自建 CI Runner 和容器化部署的开发环境，并记录了实际踩坑与思考。该分享反映了当前 AI 辅助开发从“单点工具”向“全流程协作”演进的趋势，也为其他开发者提供了可复用的实践参考。

核心内容

开发设备与基础设施

该开发者使用 MacBook Pro 作为主力开发机，Windows 机用于测试，Ubuntu VPS 作为生产环境。服务器上部署了 Docker、Nginx、Redis、MySQL 以及 Worker 服务，所有服务均容器化运行。服务器配置为 4 核 8G（4C8G）。

Git 工作流与 CI

代码托管在 GitHub 和 GitLab 上，CI 使用 GitHub Actions 但未采用官方 Runner，而是自建了一台 Runner。自建 Runner 的优势在于：

• 构建速度更快
• 可以缓存 pnpm（Node.js 包管理器）
• Docker Build 更加方便
• 不受 GitHub 免费 Runner 的资源限制

AI 辅助开发流程

该开发者日常使用 ChatGPT、Codex（OpenAI 的代码生成模型）和 Claude Code（Anthropic 的代码工具）。典型工作流为：
需求 → AI 出方案 → 自己修改 → AI Review → 提交
他认为 AI 显著提升了效率，但更适用于重复性劳动；复杂的业务逻辑仍需开发者自己设计。

Docker 部署与更新流程

所有项目均使用 docker-compose 编排，包含 API、Web、Worker、Redis、MySQL 等组件。更新流程自动化：
GitHub Push → GitHub Actions 触发 → 自建 Runner 执行 → Docker Build → 自动更新部署。该流程已稳定运行数月。

踩坑记录：服务器资源超限

一次 Worker 在执行大量计算任务时，4C8G 的服务器 CPU 飙升至 100%，导致 API 全部卡死，最终只能通过控制台重启。此后他引入了限流、队列、Worker 并发限制和 CPU 配额等机制，避免了类似问题。

AI 带来的实际变化

开发者指出，AI 并未让他减少写代码量，反而写得更多——因为以前懒得做的“小功能”（如辅助工具、脚本等）现在几分钟就能实现。AI 真正提升的能力是“快速将想法验证出来”。

未来计划

接下来他计划研究 MCP（Model Context Protocol）、AI Agent、RAG（检索增强生成）、Go Worker 以及 Kubernetes（尚未正式上生产），并希望社区推荐相关实践。

关键要点

• 自建 CI Runner：通过自建 Runner 替代 GitHub 官方 Runner，提升构建速度、支持 pnpm 缓存和 Docker Build 便利性，且不受免费额度限制。
• AI 辅助开发流程：从需求到 AI 出方案，开发者修改后再由 AI Review，形成闭环，但核心业务逻辑仍需人工设计。
• 容器化部署：全部服务基于 docker-compose，更新流程全自动化（GitHub Push → Actions → Runner → Docker Build → 自动部署）。
• 资源限制教训：4C8G 服务器在 Worker 高计算负载时易崩溃，必须实施限流、队列、并发限制和 CPU 配额。
• AI 的价值定位：并非替代编码，而是降低小型功能实现的门槛，让开发者能更快验证想法，从而增加代码产出。
• 技术栈扩展方向：计划引入 MCP、AI Agent、RAG、Go Worker 和 Kubernetes，体现对 AI 原生开发与云原生的探索。

意义与影响

该分享为 AI 辅助开发的实际落地提供了一个具象、可操作的案例。它揭示了当前 AI 工具在开发者日常工作中的真实角色——不是“取代程序员”，而是作为加速器和实验助手。自建 CI Runner 的实践对于需要高效构建、频繁部署的团队具有参考价值，尤其是对资源敏感或需要定制化的场景。同时，服务器资源超限的教训提醒开发者：在引入 AI 自动化流程时，必须配套基础设施的容量规划和熔断机制。此外，作者对 MCP、RAG、AI Agent 等方向的关注，反映了开发者社区正在从“用 AI 写代码”向“构建 AI 驱动的系统架构”迈进。整体而言，这类实战经验能够帮助同行少走弯路，并推动 AI 开发工作流的标准化与成熟化。