企业官网建设流程全解析

本文详细介绍了一套基于AI的6阶段开发工作流，涵盖需求澄清、设计、技术方案、开发执行、测试验收及反馈迭代。通过明确AI与人协作的职责分工，强调留下可读取的阶段性产物，实现开发过程的闭环与高效迭代，特别适合AI编程新手和程序开发者学习实践。

从需求到反馈，6 个阶段人和 AI 各自做什么

过去两年，AI 把代码生成这件事做得越来越快。但软件能不能交付，不是看代码写得有多快，是看需求、设计、开发、验收、反馈这几件事有没有真正接起来。

我是一名在职后端开发工程师，最近半年用 AI 编程做了一款产品，从零做到上线和用户付费。在这个过程中，我形成了一套可以照着做的工作流，今天把它讲清楚。

这套工作流分 6 个阶段，每个阶段都要回答同一组问题：

• 输入是什么
• AI 做什么
• 人判断什么
• 留下什么结果
• 满足什么条件才能继续
• 不满足条件时返回哪里

任何一个阶段都可以返回上一阶段。这不是僵化的串行流程，但每个阶段都留下可读取的产物，是 AI 原生开发和传统开发工作流最关键的区别。

下面按阶段展开。

SECTION 01

阶段一：需求澄清

输入：用户的一句模糊想法、一段背景描述、一句话需求。

AI 做什么：把模糊内容拆成结构化问题、列出取舍点、生成候选方案。

人判断什么：哪些取舍由人拍板。比如目标用户、核心场景、必须满足的边界条件，这些 AI 提了候选，但决定权在人。

留下什么结果：一份需求文档，至少包含三件事——目标、边界、验收标准。“目标"回答"这件事是为谁解决什么问题”；“边界"回答"哪些情况不做、哪些情况必须做”；“验收标准"回答"什么情况下算交付了”。

满足什么条件继续：人和 AI 都认需求已经收敛。换句话说，AI 能把这份文档读懂并据此往下做，而不是反复回来问"你到底要什么"。

不满足条件时返回哪里：如果发现需求里还有没说清楚的地方，回到 AI 那一侧继续讨论，把模糊再拆细，直到人和 AI 都认。

需求阶段最容易踩的坑，是把"用户的一句话"当成已经清楚的需求往下做。一句话需求是起点，不是结论。AI 可以帮你拆，但要不要继续往下走，必须由人判断。

SECTION 02

阶段二：产品与交互设计

输入：上一阶段的需求文档。

AI 做什么：出原型图、列业务流程、提出交互方案、标出可能的技术约束风险。

人判断什么：交互是否符合用户预期，业务流程是否走得通。原型图好不好看是次要的，能不能让用户完成目标任务是主要的。

留下什么结果：一份可用的原型稿，加上一份交互流程说明。原型稿不要求精美到可以直接发布，只要团队成员和真实用户能看懂、能走完流程。

满足什么条件继续：用户能看懂原型、走完流程。这一条要尽量早验证，而不是等开发完再去测。

不满足条件时返回哪里：交互走不通，回到需求阶段改需求；如果需求清楚但原型没表达清楚，回到设计阶段重画原型。

设计和需求是一对反复的循环，不是串行。需求文档定下来后，原型可能要改两三轮；原型改的过程中，也可能回头发现需求本身漏了一条。这种循环是正常的，不要硬压成"需求定稿后就不能再改"。

SECTION 03

阶段三：技术方案与任务规划

输入：上一阶段的设计稿和流程说明。

AI 做什么：把设计结论翻译成技术方案，拆出任务切片。

人判断什么：任务切片的粒度对不对，依赖关系有没有漏。

任务切片的粒度是这一阶段最容易出错的地方。一个人和多个 AI 会话一起开发，传统的按模块拆（先建表，再写接口，再做页面，最后补测试）会制造一种假完成：表建好了、接口通了、页面也有了，用户依然走不通一条路径。

正确的拆法是按用户能感知的垂直切片来切——界面、服务、数据一起交付，能跑通一条用户路径作为最小单位。判断切片粒度对不对的标准很简单：这一片完成后，用户能不能真的去操作这条路径，而不是开发者自己打开 Postman 调用一个接口。

留下什么结果：一份任务清单，每个任务包含三件事——名称、目标、约束。名称回答"这是什么事"；目标回答"完成这个任务要交付什么可验证的结果"；约束回答"不能用哪些库、必须兼容哪些旧接口、性能要求是什么"。

满足什么条件继续：清单上每个任务都能独立验证交付。

不满足条件时返回哪里：切片粒度错了，重新拆；如果发现某一片必须等另一片先做完才能动手，回到设计阶段调整切片边界。

SECTION 04

阶段四：开发执行

输入：单个任务，来自上一阶段的清单。

AI 做什么：写代码、调工具、跑检查。

人判断什么：上下文是否给对、AI 改的点是否覆盖所有使用点。

AI 写代码的瓶颈不在模型，在上下文。上下文给得越精，AI 写得越准；上下文给得越杂，AI 写得越偏。

什么是上下文？至少包含三件事：

• 这个产品的产品策略和业务规则是什么
• 这个任务的边界在哪、依赖关系是什么
• 这次任务允许改的范围是什么

把这三件事写清楚，AI 接手才有依据。AI 改完一个写入点，使用点可能在另一个文件里——这要靠工具（比如调用关系查询、符号索引）来核对。只改写入点、没核对使用点，局部测试可以通过，整条链路还是断着。

留下什么结果：可提交的代码，加上一段任务说明（这一片做了什么、为什么这么改、有哪些已知未解决）。

满足什么条件继续：本地构建通过、单元测试通过。

不满足条件时返回哪里：构建挂掉，回到任务清单调整；逻辑不对但构建通过，回到阶段三重新看任务切片是不是没切对。

SECTION 05

阶段五：测试验收与发布

输入：上一阶段可提交的代码。

AI 做什么：跑测试、生成验证脚本、检查用户路径。

人判断什么：用户能不能跑通这条路径，边界条件有没有覆盖。

验收要看用户能不能跑通，不是接口通不通。举一个常见的踩坑点：后端返回的总数正确，客户端把元数据丢了，页面拿当前页长度当总数显示。接口返回 200，验收报告写"通过"，但用户实际看到的第 101 条内容打不开、下一页也点不动。这种情况必须前移到任务过程里检查，而不是留到项目末尾统一碰运气。

AI 原生开发把验收前移到任务过程中：每个任务完成时，AI 就要带回可验证的证据——能跑通的截图、关键数据、用户实际能完成的动作。这些证据汇总起来，才是发布前的真正验收报告。

发布动作本身可以交给 AI 执行脚本：发布、监控告警、生成回滚预案。但能回滚才有资格发布——这是这一阶段的硬约束。

满足什么条件继续：所有承诺的用户路径都跑通，回滚预案可执行。

不满足条件时返回哪里：路径走不通，回到阶段四修；如果发现不是修代码能解决、而是设计阶段漏了场景，回到阶段二改原型。

SECTION 06

阶段六：运行反馈与迭代

输入：用户反馈、监控告警、运营数据。

AI 做什么：把反馈分类、转成任务、改规则、加回归样例。

人判断什么：哪些反馈立刻处理，哪些沉淀成规则。

反馈要被结构化吸收，不能停在聊天记录里。反馈回来的形式往往是零散的——一条用户抱怨、一个监控告警、一段运营数据。AI 做的第一件事是分类：哪些是新功能需求，哪些是已有功能的 bug，哪些是设计阶段的假设错了。

人判断什么：哪些立刻处理。这一步不要让 AI 决定——AI 提候选，人拍板。

沉淀成规则的部分是这一阶段最容易被忽视的。一次失败如果只补了代码，没改规则和回归样例，下次同类问题还会再出。

留下什么结果：三类产物——新任务清单、新规则、新回归样例。新任务清单回到阶段一；新规则加进开发脚手架；新回归样例加进 CI 检查。

满足什么条件继续：反馈已被结构化吸收。

不满足条件时返回哪里：是反馈问题还是产品问题，回到阶段一（需求）或阶段二（设计）。

反馈沉淀成规则，下次同类问题，规则提前拦下来——这是 AI 原生开发工作流形成闭环的关键。

SECTION 07

闭环：启动下一次循环

6 个阶段不是僵化的串行。任意阶段都可能返回上一阶段，这是设计上的有意为之，不是缺陷。AI 参与下的开发，错误暴露得更早，纠正的路径也更短——前提是每个阶段都留下可读取的产物。

下次 AI 会话开起来，AI 能直接读这些产物继续：

• 需求文档
• 原型稿和交互流程说明
• 任务清单
• 可提交的代码和任务说明
• 验收报告
• 反馈沉淀（新任务清单、新规则、新回归样例）

AI 原生开发工作流的本质，就是每个阶段都留下可读取的产物。下一个 AI 会话开起来，它能从任意一个阶段接上继续做，而不是从头猜。

SECTION 08

我用这套方式做过的一个项目

我是怎么验证这套工作流的？过去半年我用这套方式做了一个中型产品：从产品定义、设计探索、业务架构、代码开发、真实验收、上线到用户付费，整套链路走完了。TypeScript 项目，代码和文档加起来有大几十万行，其中文档占了很大一部分，最后带来了五位数人民币营收。

这个项目用来验证的不是"AI 能写多快"，而是"AI 参与下，每一阶段能不能留产物、下一个会话能不能接上"。答案是能。但这个结果不能套每个产品，也不能把一次实践包装成普遍规律。它能证明的是：把开发工作流拆成可读取、可执行、可验证的阶段后，一个人可以借助 AI 把过去分散在多个岗位之间的产研链路接起来。

如果你正在用 AI 做一个会持续迭代的产品，可以先检查三个问题：

1. 这次对话结束后，下一次 AI 能直接读到什么？

2. 这次任务交付的是一个技术模块，还是一条用户可以完成的路径？

3. 你拿什么证据确认它上线以后真的解决了问题？

这三个问题，就是 AI 参与下软件开发工作流的起点。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？