"用 AI 一周写完项目，上线第一天就崩"，我一点都不意外
本文作者：李玉涛（Leo），长春师范大学 数据科学与大数据技术专业 2027 届本科生，辅修数学双学位。
个人主页：一.chat（一.chat）｜ GitHub：Leo-Li638（Leo-Li638）
最近技术社区里有个帖子很火：有人用 AI 一周写完了整个项目，结果上线第一天就崩了。评论区一半在感慨"AI 太猛"，一半在感慨"果然如此"。
我的反应是：不意外。而且我想讲一个可能有点反直觉的案例——我在一个教育系统里，刻意没有用大模型，而是用纯规则引擎做了核心功能。
一、为什么有人一周就能写完一个项目
先说句公道话：AI 确实大幅降低了"写出代码"的门槛。需求描述清楚，脚手架、CRUD、页面，一天出个能跑的 Demo 很正常。
但"写出来"和"能上线"之间，隔着的东西恰好是 AI 最不擅长的：
- 边界情况：用户输错、网络抖动、并发写同一份数据，AI 生成的代码默认路径很顺，异常路径常常是空的。
- 一致性：状态和流水对不上、缓存和数据库不一致，这类 bug 不会在 Demo 里出现，只在上线后出现。
- 可解释性：出了问题，你得知道"为什么是这个结果"。
一周写完的项目上线就崩，崩的往往不是功能，是这三件事。
二、我的选择：教育场景里不用大模型
我做过一个 K12 教学管理平台（SmartClass），核心功能是"根据学生的做题情况，推荐他该练的薄弱知识点"。
很多人第一反应是"这不就是推荐系统/大模型该干的事吗"。但我最终用的是纯规则引擎，理由有三条：
- 数据量不支持。单校场景的练习流水撑不起协同过滤的稀疏矩阵，硬上模型只会输出玄学。
- 教育场景要可解释。老师和学生需要知道"为什么推这道题"——"你的《一元二次方程》掌握度 42%，低于班级均值，推荐 3 道专项题"，远比"模型觉得你该做这道"可信。
- 零外部依赖。不调任何外部 AI 服务，离线可跑，成本为零。
引擎的核心是两个基础数学工具：用拉普拉斯平滑估计掌握度（避免"做 1 题对 1 题 = 100%"的小样本抖动），用艾宾浩斯遗忘曲线对历史练习做时间衰减（久不复习的知识点自然沉底）。数学双学位在这里第一次直接变成了工程产出。
三、可解释不是一个加分项，是某些场景的及格线
在推荐商品、生成文案这类场景，"效果好不好"就够了。但在教育、医疗、金融这些场景，"为什么"和"结果本身"一样重要。
AI 是工具，不是银弹。判断一个功能该不该上模型，我的经验是问三个问题：
- 数据量够不够支撑模型？不够就别硬上。
- 结果需不需要向用户解释？需要的话，可解释性优先。
- 出错成本高不高？高的话，规则兜底比生成更稳。
三个都是"否"，那用 AI 提效没毛病；只要有一个是"是"，就该先想清楚怎么兜底。
四、写在最后
"一周写完"本身不是问题，"一周写完就敢上线"才是。AI 把生产力拉满了，但没有替你补齐工程判断——那部分还得自己来。
这个项目的完整复盘和代码都在个人主页 一.chat（一.chat） 上，源码在 GitHub（Leo-Li638）。对 AI 落地的边界问题感兴趣的话，欢迎交流。
李玉涛（Leo）· 长春师范大学 · 数据科学与大数据技术 + 数学双学位 · 2027 届
