毕设 v3 的“三座大山”
做毕业设计做到第三版，功能清单越来越长，代码却越来越像“千层饼”——一层套一层，改一个字段牵全身。我总结了三座最沉的大山：
- 功能堆砌：导师一句“再加个可视化大屏”，前端就多出 200 行临时脚本，后端接口跟着裸奔。
- 缺乏架构：Service、DAO、Route 全写在一个文件里，调试时翻山越岭找日志。
- 调试困难：print 大法好，但一上线就翻车，日志级别调低又怕把服务器打爆。
眼看答辩倒计时 30 天，我决定把 AI 拉进来当“外挂队友”，目标只有一个：让需求→可运行、可测试、可维护的代码，尽量自动化。
工具选型：谁才是“毕设友好型”副驾？
我把市面上能白嫖的 AI 编码助手都装了一遍，做了 3 天对比实验，结论如下：
| 工具 | 本地离线 | 中文提示友好度 | 模板约束能力 | 费用 | 毕设推荐指数 |
|---|---|---|---|---|---|
| GitHub Copilot | × | 中 | 弱 | 学生包免费 | ★★★☆ |
| CodeWhisperer | × | 强 | 弱 | 免费 | ★★★ |
| Ollama + CodeQwen 7B | √ | 强 | 强 | 0 元 | ★★★★★ |
最终我选了“Ollama + CodeQwen 7B”组合：笔记本就能跑，断网也能用，还能喂给它自定义模板，完全不怕“提示词泄露”风险。
核心实现：提示工程 + 模板约束 = 可维护代码
要让大模型不“放飞自我”，我定了三条铁律：
- 先写骨架：用 Jinja2 把分层目录、模块名、接口规范全部固化成模板。
- 再写提示：把“业务描述 + 模板变量 + 单元测试要求”一次性喂给模型。
- 最后加锁：生成后立刻跑 pytest + eslint，红线不过直接打回重写。
下面拿“毕设 v3”最常见的“上传 PDF→返回 Markdown”功能演示完整流程。
1. 目录模板（提前固化）
project/ ├── app/ │ ├── api/ │ │ └── upload.py │ ├── service/ │ │ └── pdf2md.py │ └── model/ │ └── document.py ├── tests/ │ └── test_pdf2mdd.py └── requirements.txt2. 提示词模板（prompt.j2）
你是一名严谨的后端工程师。 使用 Flask 2.3、Python 3.11 实现以下需求： - 接口：POST /api/v1/upload - 功能：接收 multipart/form-data 的 PDF，调用 pdf2md.py 转 Markdown，返回 JSON {"markdown": "..."} - 约束： 1. 必须捕获 UploadMissingFileError 并返回 400 2. 必须写 pytest 用例，覆盖率 >80% - 输出格式：只给代码，不要解释3. 一键生成脚本（generate.py）
from jinja2 import Environment, FileSystemLoader import ollama, json, subprocess, os env = Environment(loader=FileSystemLoader('.')) prompt_tpl = env.get_template('prompt.j2') def ai_coding(module_name, feature_desc): prompt = prompt_tpl.render(module=module_name, desc=feature_desc) resp = ollama.chat(model='codeqwen', messages=[ {'role': 'user', 'content': prompt} ]) code = resp['message']['content'] path = f"app/api/{module_name}.py" os.makedirs(os.path.dirname(path), exist_ok=True) with open(path, 'w', encoding='utf-8') as f: f.write(code) return path if __name__ == '__main__': file_path = ai_coding('upload', '上传 PDF 转 Markdown') subprocess.run(['pytest', 'tests/', '-q'], check=True)运行python generate.py，屏幕一闪，接口文件、测试文件全出炉，pytest 全绿，我第一次有了“导师别让我改需求”的底气。
完整示例：Flask 上传接口（含注释）
# app/api/upload.py from flask import Blueprint, request, jsonify from werkzeug.exceptions import BadRequest from app.service.pdf2md import convert bp = Blueprint('upload', __name__, url_prefix='/api/v1') @bp.route('/upload', methods=['POST']) def upload_pdf(): """ 接收 PDF 文件并返回 Markdown 文本。 400：缺少文件 413：文件过大（>10MB） 500：转换失败 """ if 'file' not in request.files: raise BadRequest("Missing file part") file = request.files['file'] if file.filename == '': raise BadRequest("No selected file") if file.content_length > 10 * 1024 * 1024: raise BadRequest("File too large") try: md = convert(file.stream) except Exception as e: # 记录日志但对外模糊报错，防信息泄露 current_app.logger.exception("pdf2md fail") return jsonify(error="convert failed"), 500 return jsonify(markdown=md)单元测试同步生成，覆盖率 87%，完全够答辩截图。
性能、安全与冷启动：别把 AI 当银弹
- 性能：7B 模型在 M1 Pro 上首次加载需 4.3 s，后续单次生成平均 1.2 s，比 Copilot 慢 400 ms，但可接受。
- 安全风险：
- 注入：生成代码里出现过 f-string 直接拼 SQL，被 pytest 拦截。
- 依赖污染：模型爱写
pip install pdf2md-latest，必须加--require-hashes锁定版本。
- 冷启动：Ollama 支持常驻内存，写个 systemd 服务即可，内存占用 3.1 GB，笔记本 16 GB 无压力。
生产环境避坑指南
- 版本锁定：把
requirements.txt和package-lock.json一起丢 Git，CI 首步就pip install --no-deps --require-hashes。 - 人工审查：生成后必须过 MR 流程，我给自己定了 15 分钟“红线 review”——只要看到 raw SQL、eval、exec 直接打回。
- 幂等性：上传接口加
uuid前缀重命名，防止同名文件覆盖，测试用例里用pytest-xdist并发跑 100 次，零错误才合并。 - 回滚策略：Git 标签按
v3-ai-<日期>命名，一旦线上翻车，git revert30 秒回退，保证答辩现场能演示“一键复活”。
留给你的思考题
AI 把代码写漂亮了，可一旦线上出事，责任是谁的？是模型、提示词、还是点下“生成”按钮的你？
我的做法是：把提示词、生成脚本、测试报告全部归档到docs/ai-responsibility.md，让“证据链”闭环。毕设 v3 可以靠 AI 加速，但“最后一公里”的签字，只能自己落笔。
如果你也在深夜被“再加一个功能”折磨，不妨 fork 我的模板，改两行提示词，跑一遍 pytest，也许第二天醒来，就能多睡一小时。祝你答辩顺利，代码常青。
