1小时从零到成品:我用AI写了个桌面工具,踩了3个坑(Trae SOLO WEB 实战记录)

1小时从零到成品：我用AI写了个桌面工具，踩了3个坑

Trae SOLO WEB 实战记录──────────────────────────────

“从需求到成品，花了大约1小时。这是我的真实开发记录。”

开发一个功能完整的桌面应用，正常情况下我会预估要几个小时到几天。

需求分析、架构设计、写代码、调试、修Bug……每个环节都要花时间。但这次试了一下AI编程，整个过程跟以前不太一样了。

下面我把整个开发过程完整记录下来，包括踩过的坑和实际花的时间，希望对想试AI编程的朋友有参考价值。

声明：本次体验缘起于无意中抽到了 Trae（https://www.trae.cn/）SOLO WEB 模式的邀请码，登录后进行的真实体验。下文所有内容均为实际操作记录，绝非广告或美化。

──────────────────────────────

什么是SOLO WEB模式？

本次体验用的是 Trae 平台的 SOLO Web 模式，官网登录界面如下：

▲ 图：Trae平台官网（trae.cn）—— “The Real AI Engineer”

SOLO WEB模式是国产AI编程平台 Trae 提供的一种编程方式。用户用自然语言描述需求，AI来分析并生成代码。说白了，你告诉它你想要什么，它来写代码。

几个特点：

•门槛不高：不需要深厚的编程知识，用自然语言描述需求就行

•速度快：从需求到能用的东西，大约1小时左右，传统方式可能要4-8小时

•可以反复调整：发现不对的地方就说，每次修改几分钟就能搞定

•前后端、桌面应用都能做：

不过说在前头：

本次开发的文件搜索工具，属于“个人小工具”类型——逻辑简单、边界清晰、功能独立。这恰恰是AI编程目前最吃得开的场景。大型项目、复杂架构、高安全要求的场景，AI目前还有很大局限（详见文术附录）。所以本文展示的是AI在它最擅长场景下的表现，不是什么“无所不能”的宣传。

──────────────────────────────

实战案例：约1小时开发文件搜索工具

先看时间分布：

阶段	合理时间	主要活动
需求分析与文档生成	10-15分钟	分析需求、生成产品文档、技术架构文档、方案确认
初始代码实现	20-25分钟	创建项目结构、实现主应用GUI、开发搜索引擎核心逻辑
测试与反馈迭代	25-30分钟	处理用户反馈、修复子目录搜索、调整输出格式、打包下载
最终优化与打包	5分钟	优化提示词、创建使用说明、打包最终文件
合计	60-75分钟	从需求到成品的完整开发过程

这个时间分布真实吗？合理。需求分析包含了一次方案拒绝与重新设计；初始代码需完成GUI和搜索引擎两大模块；测试反馈包含3次迭代修复和打包下载。

补充说明：

上述时间是在非高峰期、网络稳定的条件下记录的。实际使用中，你可能会遇到以下情况：

•排队等待：高峰期使AI平台可能需要排队，我体验中有时要等几分钟，网上也有用户反映排队10-30分钟的情况

•响应变慢：复杂任务的生成时间会比简单任务长很多，有时一个请求要等几分钟才有结果

•网络中断：长时间任务执行过程中网络断开，可能导致代码写到一半报错，需要重新来过

所以如果运气不好，总时间可能会拉长到1.5-2小时甚至更久。建议尽量选择非高峰期使用，体验会好很多。

第1-10分钟：需求分析与文档生成

我向AI提交了以下需求：

用户原始提示词： 文件搜索字符串工具 功能需求： • 文件搜索功能：支持文件和子目录通配符模式匹配（如 *.txt, **/*.log） • 内容搜索功能：在文件内容中搜索指定文本 • 正则表达式支持：可选使用正则表达式进行高级搜索 • 原始文件支持编码选择：UTF-8, GBK • 支持编码转换：输出文件编码选择，原始编码不同时自动转换 • GUI界面：提供直观的图形用户界面 • 进度显示：实时显示搜索进度和当前处理的文件 程序要求：提供可执行程序下载给我

AI助手：分析完需求后，自动生成了产品需求文档和技术架构文档。

不过这里有个小插曲：

第一版方案，AI选的技术栈我不认可。

我：拒绝了第一版方案，要求“用Python实现”。

AI助手：重新分析，给了基于Python + PyQt6的新方案。确认后才开始写代码。

这个细节我觉得挺重要的——方案不对就拒绝，不要将就。用户拥有最终决策权，AI负责执行。

第11-30分钟：初始代码实现

AI助手并行完成了以下工作：

•创建项目结构，实现主应用GUI界面，包括搜索配置区、进度显示区和结果展示区

•实现搜索引擎核心逻辑，支持文件通配符匹配、内容搜索、正则表达式和编码转换

•写了打包脚本，准备生成可直接运行的文件

20分钟左右，一个完整的GUI应用就跑起来了。

第31-55分钟：测试与反馈迭代

这个阶段是最耗时的，也是最能说明问题的。以下是测试中实际发现的问题：

序号	发现的问题	处理结果
①	第一版程序没有输出文件名输入框	提示后立即添加，默认值为search_results.txt
②	输出文件包含文件名等额外信息，不是纯文本行	要求只保存找到的文本行，不包含额外信息，快速修改了输出格式
③	没有支持子目录递归搜索	提示后修改了搜索逻辑，支持多层级子目录递归

说实话：每个Bug反馈后，AI都在几分钟内修好了。放在传统开发里，“理解问题→定位原因→修改代码→验证”这个循环，每个问题少说30分钟。这次用AI，25分钟内搞定了3个问题。

第56-60分钟：最终优化与打包

最后5分钟，AI助手写了使用说明文档，优化了提示词。

我：“单独文件下载不方便，把全部文件打包给我，我下载本地运行”。

AI助手：把所有项目文件打包成 FileSearchTool.zip，并给了本地运行指南。

压缩包内容	说明
main.py	主应用入口
search_engine.py	搜索引擎核心逻辑
requirements.txt	依赖列表（PyQt6、chardet）

本地运行三步：

•解压压缩包→ pip install -r requirements.txt→ python main.py

下载后测试通过，功能符合需求。

──────────────────────────────

技术实现亮点

1. 直观的GUI界面

用PyQt6做的图形界面，功能还比较完整：

•搜索路径选择、文件通配符输入（默认：*.log）、搜索内容输入

•正则表达式开关、编码选择、输出文件名输入

•实时进度显示、搜索结果展示

Windows上运行“python main.py”的实际效果：

▲ 图：“文件搜索字符串工具”运行界面（Windows系统，python main.py）

2. 搜索引擎

•文件和子目录通配符匹配：支持多层级目录递归搜索

•内容搜索和正则表达式：简单文本和复杂正则都支持

•多编码支持和支持转换：支持多种编码和编码转换

•实时进度反馈和结果保存：搜索过程中实时更新进度条，一键导出结果

3. 错误处理

••单个文件读取异常不会导致程序崩溃

•界面反馈比较清晰，哪里出了问题能看到

──────────────────────────────

实战经验总结

走完整个流程下来，有几点体会比较深：

1. AI能快速“从0到1”，但不一定一步到位

AI在短时间内生成了完整的项目结构、GUI界面和搜索引擎，这种“并行生成”能力确实令人印象深刻。但第一版代码还是有三个明显的Bug——能快速给出一个可用的版本，但细节还是要人来把关。

2. 反馈质量直接决定迭代效率

每个Bug从发现到修复只需几分钟，但前提是你能把问题说清楚。比如“输出文件包含文件名等额外信息，要求只保存找到的文本行”——这样的反馈，AI能立刻理解并修复。反过来，如果只说“输出不对”，可能还得多沟通几轮。

3. 方案确认很重要，别急着写代码

我拒绝了第一版技术方案，要求重新用Python实现。看似浪费了时间，实际上避免了后面更大的迭代成本。早点确认方案，比什么都重要。

4. 分阶段开发比一次性提需求稳当

如果一开始就把所有功能都告诉AI，第一版的问题可能会更多。先实现核心功能、测试通过后再加辅助功能，更稳妥。

再强调一下：上述经验都是基于“个人小工具”这个场景。复杂项目中AI编程的表现可能完全不一样，详见文术附录。

──────────────────────────────

与传统开发的对比

对比基于本次实际场景（个人小工具）：

开发方式	时间投入	所需技能	迭代速度	开发成本
传统开发	4-8小时	专业编程知识	慢	高
AI辅助开发	1-1.25小时	自然语言+基础技术理解	快	低

在“个人小工具”这个AI最吃得开的场景下，效率提升约80%。但这个对比不能简单平移到所有场景——场景越复杂，AI的优势越小。

──────────────────────────────

小结

目前可以快速生成代码，但需要人工多次指导或一次写好要求。不排除仍有漏点，但这个大方向挡不住。

说实话，这次开发并不是一帆风顺。AI生成的第一版代码就有3个Bug。但有几个点让我印象深刻：

•修复很快：每个问题从发现到修好，只需几分钟

•不需要深入编程：只要能说清楚问题在哪，AI就能理解并修复

•整体效率还是很高的：即使加上迭代修复时间，总体还是远超传统开发

AI辅助开发不是什么“一键生成”，它需要人来参与、把关、反复调整。

补充一点：本次的60-75分钟，是基于有一定编程基础的用户。有编程经验的人可能更快，完全没有编程背景的人第一次用可能会花更多时间——毕竟“告诉AI问题在哪”本身也需要一定的技术理解力。随着AI工具进化，这个门槛会越来越低，但目前还不是零。

如果你能把需求说清楚，也愿意花时间测试和反馈，AI编程确实能帮你省不少时间。

──────────────────────────────

写在最后

电脑普及后，不是人人都能做好Excel，但确实让更多人能用上电子表格。AI编程也类似——它降低了门槛，但不是零门槛，当前AI编程让每个人能以较低成本定制小工具、工作流脚本。

AI目前擅长的是把明确的、边界清晰的需求快速变成代码。至于系统怎么设计、架构怎么搭、长期怎么维护，这些还是得靠人。

所以用AI编程，最关键的能力其实是两件事：一是能把自己的需求说清楚，二是有足够的判断力来审核AI给出的东西——方案对不对、代码有没有坑、适不适合你的实际情况。

我觉得比较适合用AI编程的场景：

•写个人小工具：像这次的文件搜索、数据处理脚本之类的

•验证一个想法：快速做个原型看看行不行得通

•学编程：看看AI生成的代码，学习一些编程思路

我觉得还需要谨慎的场景：

•大型项目：AI很难理解全局，模块集成后问题会很多

•高安全要求的系统：代码缺乏形式化验证，边界情况不一定能覆盖到

•需求自己都说不清的时候：你都不知道要什么，AI更不知道

更详细的场景分析可以看文术附录。

──────────────────────────────

感兴趣的话，可以从一个小工具开始试试

亲自体验一下，比看什么文章都有用。

AI编程已经可用，但别拿它当万能药。

──────────────────────────────

附录：AI编程实际应用场景分析

我找多个AI交叉验证梳理的AI编程目前的适用场景请参考。

目前做得不错的场景

•个人工具/脚本：文件处理、数据转换之类，逻辑简单、边界清晰。本次的文件搜索工具就是一个典型案例。这个场景几乎没有争议。

•代码补全/模板生成：日常写代码时的补全、标准CRUD接口、API接口生成等，这块目前最成熟。有测试显示API接口生成完整度可达88%-95%。

•单元测试生成：AI生成单元测试的质量还行，覆盖率可达70%-82%。但集成测试和关键业务场景测试还是需要人工补充。

•原型验证：快速验证一个想法是否可行，不要求代码完美。多个工具都能一次性生成多文件项目并编译运行。

•代码解释/学习：看不懂的代码承AI解释，看报错信息找AI帮忙分析。对初学者很有用。

•文档生成：函数注释、API文档、README之类的，生成质量还行。

目前还不行的场景

•大型项目/复杂架构：AI很难理解全局，模块间的依赖关系、数据流设计这些还是需要人来想。有行业分析认为，完全靠AI独立完成中等以上复杂度的真实项目，成功率接近0。

•需求模糊的场景：用户自己都说不清要什么，AI更没办法。本次的三个Bug就能说明一些问题。有研究指出，“AI编程的最后一公里”往往是需求的模糊性，而不是代码生成本身。

•高安全/高可靠系统：金融、医疗这些场景，AI生成的代码缺乏形式化验证，安全漏洞不一定能全面覆盖。OpenAI自己的报告也指出，AI生成代码中约12%存在安全漏洞。

•复杂UI/交互设计：设计感、用户体验这些“隐性需求”，AI很难准确把握。

•性能敏感型应用：高并发、实时系统，AI倾向于生成“能跑”的代码，不一定是“跑得好”的代码。

•长期维护的项目：AI生成的代码往往“一次性”特征明显，扩展性差。有数据显示，AI生成代码两周内被丢弃的比例翻倍，重复代码块频率增长了8倍，技术债务累积问题值得注意。

汇总一下：

场景类型	AI适用度	关键瓶颈
个人小工具	★★★★★	几乎无
代码补全/模板	★★★★★	几乎无
单元测试生成	★★★★☆	覆盖率达70-82%，但集成测试需人工补充
原型验证	★★★★	需求理解偏差
代码学习/解释	★★★★	复杂逻辑解释不够深入
中型项目开发	★★★	架构设计、模块集成
复杂UI设计	★★	审美、交互细节
大型系统架构	★★	全局视野、长期演进，独立完成成功率接近0
高安全/高可靠	★	边界验证、形式化证明，约12%代码存在安全漏洞
长期维护项目	★★	扩展性差、技术债务累积、代码丢弃率高

AI编程现在最吃得开的是“从0到1”，最不擅长的是“从1到100”。用好它的优势，也别对它抱不切实际的期望。

──────────────────────────────

教学相长

公众号：笃行AI实验室 |  用实践检验每一款AI工具

分享 ·  交流  ·  进步