在阿里云开发者社区记录一次完整的开发实践：如何借助 AI Agent 在一天内完成一个英语背词工具，重点沉淀可复用的开发流程与踩坑记录。
一、需求定义：功能越聚焦，产出越可控
我想做一个自用的英语背词工具，只保留三个核心能力：词库导入、每日任务、进度记录。实践证明，需求描述越具体，AI 生成代码的一次通过率越高。宽泛的"帮我做个背单词软件"和明确的"做一个支持 CSV 词库导入、按艾宾浩斯曲线排每日任务的 HTML 页面"，产出质量差别很大。
二、开发流程：五步拆解法
本次实践使用 AiPy（对话式 AI Agent 工具）辅助完成，流程沉淀如下：
1. 资料调研：先让 AI 梳理同类工具的主流功能形态，避免闭门造车；
2. 方案对话：用自然语言把需求聊清楚，输出一份方案文档；
3. 上下文沉淀：把方案落成 Markdown 文档，后续每次对话都附带该文档，保证长任务中需求不跑偏——这是本次实践中提升完成度最关键的一步；
4. 任务拆解：把大目标拆成独立小任务，逐个实现、逐个验证；
5. 最小可用优先：先跑通主流程，再迭代细节调优。
整个过程中，背词器主流程的实现约 1 小时，其余时间花在交互细节调优上。
三、技术方案：单文件应用的取舍
最终产出是单个 HTML 文件，双击即可运行。两个关键技术决策：
1. 数据持久化选 localStorage 而非 IndexedDB：背词器数据量小（通常 <1MB），localStorage 的同步 API 简单可靠；数据量大的场景才需要 IndexedDB。注意两点：存取必须 JSON.stringify / JSON.parse 配对使用；读取时对 null 做判空兜底，避免后续访问属性时抛 TypeError。
2. 界面原生 HTML + CSS，不引入框架：本工具交互简单，引入框架的收益覆盖不了成本；若交互复杂度上升，再评估引入 CDN 版框架。
四、踩坑记录
1. 需求表述模糊导致返工：第一版把"复习间隔"写得含糊，AI 按固定间隔实现，与预期的艾宾浩斯曲线不符，返工一次。教训：算法类需求要给出具体规则或公式。
2. 不要迷信一次生成：AI 生成的代码也要人工走查边界条件，尤其是词库格式异常、空数据等输入。
3. 提交前让 Agent 自查一遍：在人工走查之前，先让 Agent 自我检视逻辑漏洞并回改，多数问题在这一步就能被发现，能明显缩短人工走查时间。
五、小结
需求聚焦、文档沉淀上下文、最小可用优先，这三点是我这次实践中可复用的经验。AI Agent 把"想法到原型"的成本降到了小时级，但数据结构设计和边界条件的把关，仍然需要开发者自己负责。
