最近和一位做后端开发的朋友聊天，他提到一个现象：现在很多Java程序员，简历上项目经验写了不少，但面试官一问“这个项目里，除了CRUD，你还做了什么有技术挑战的事情？”，很多人就卡壳了。日常工作似乎被“接收需求 -> 设计表 -> 写Controller/Service/Dao -> 联调 -> 改Bug”这个循环给框住了。这背后反映的，可能不只是个人技术栈的局限，更是一种工作模式的惯性——我们习惯了在已知的框架内解决问题，却很少思考如何用新的工具和方法论去重塑整个开发流程。
“AI工程化编程”这个词最近很热，但很多人的理解还停留在“让AI帮我写几行代码”或者“用Copilot补全一下”。这当然有用，但它解决的只是“写”这个动作的效率问题，并没有触及“工程化”的核心。真正的AI工程化，应该是将AI能力深度、稳定、可预测地融入到软件开发的完整生命周期中，从需求分析、架构设计、代码生成、测试、部署到运维，形成一个闭环。它改变的不仅是编码速度，更是问题解决的范式。
今天，我们就以一个经典的“企业级电商项目”为蓝本，抛开那些手写CRUD的重复劳动，看看如何借助Claude Code和Harness AI这两套工具链，真正走通一次AI工程化编程的实战。我们的目标不是简单地“用AI生成代码”，而是构建一套可复用、可协作、可进化的智能开发工作流。
1. 重新定义起点：从“写代码”到“设计工作流”
在传统的Java电商项目开发中，我们的思维起点往往是技术栈：Spring Boot、MyBatis、Redis、MySQL……然后开始设计领域模型和数据库表。但在AI工程化的视角下，第一步应该是设计“人机协作的工作流”。
Claude Code是什么？你可以把它理解为一个深度集成在IDE（如VS Code）中的、具备强大代码理解和生成能力的AI助手。它不同于普通的代码补全工具，它能理解更复杂的上下文，能根据你的自然语言描述生成整块业务逻辑、单元测试、甚至重构建议。而Harness在这里指的是一套用于AI应用开发、部署和监控的工程化平台（Harness AI），它关注的是如何将AI能力（包括Claude Code这样的工具产出的代码）可靠地集成到CI/CD流水线中，并进行持续验证。
所以，面对一个电商项目，我们不应该立刻打开IDE新建UserController.java。而是先回答几个问题：
- 在这个项目中，哪些环节是高度重复、模式固定的（例如，标准的增删改查接口、DTO转换、基础数据校验）？这些是AI自动化优先级最高的部分。
- 哪些环节需要复杂的业务逻辑和领域知识（例如，优惠券分摊计算、库存预占释放策略）？这些可能需要AI辅助生成初版，但必须由人进行深度审查和修正。
- 如何确保AI生成的代码能无缝融入现有架构、符合团队规范、并通过自动化测试？
一个可行的AI工程化工作流设计如下：
- 需求拆解与提示词工程：将产品需求（如“用户下单”）拆解为具体的、可被AI理解的编程任务序列（如“生成一个
OrderService.createOrder方法，需处理参数校验、库存检查、优惠计算、订单持久化、发送创建事件”）。 - Claude Code辅助编码：在VS Code中，使用精心设计的提示词，让Claude Code生成核心业务逻辑代码骨架、单元测试、甚至API文档注释。
- 本地验证与迭代：运行生成的代码，进行基础功能测试。利用Claude Code的“解释代码”、“查找Bug”、“建议重构”功能快速迭代。
- 代码质量门禁：将代码提交至Git，触发CI流水线。流水线中必须包含针对AI生成代码的专项检查，例如：
- 代码风格一致性检查：确保生成的代码符合项目的Checkstyle或Spotless规范。
- 静态安全扫描：使用SonarQube或类似工具，检查AI可能引入的潜在安全漏洞（如SQL注入、不安全的反序列化）。
- AI代码检测：可以使用一些工具尝试识别代码是否由AI生成，并对高置信度的部分进行重点人工复审。
- Harness AI集成与部署：将包含AI生成代码的服务，通过Harness平台进行部署。Harness可以管理部署流程、进行金丝雀发布，并监控线上表现。这里的关键是，我们可以设定一些针对“AI生成模块”的特定监控指标，比如其接口的异常率是否显著高于人工编写模块，从而形成反馈闭环。
- 反馈与模型优化：将线上运行的真实问题、人工复审的修改点，作为优化下一次给Claude Code的“提示词”的素材，不断提升AI生成代码的准确率和可用性。
这个工作流的核心思想是：将程序员从重复的代码打字员角色，升级为工作流设计者、提示词工程师、代码审查员和系统质量守护者。
1.1 电商项目中的AI可自动化模块识别
以典型电商后端为例，我们可以列出AI高适用性的模块：
| 模块类别 | 具体任务 | AI辅助价值 | 人工审查重点 |
|---|---|---|---|
| 数据对象与接口 | POJO/DTO/VO生成、Mapper接口、基础Controller/Service | 极高。模式固定，AI能快速生成符合Lombok、MapStruct等约定的代码。 | 字段命名是否符合业务术语，是否遗漏了必要的注解（如@NotNull）。 |
| 基础CRUD服务 | 基于MyBatis-Plus或JPA的单一实体增删改查服务 | 高。AI能生成包含分页、条件查询的标准实现。 | 查询条件是否合理，分页参数处理是否正确，是否考虑了软删除等业务逻辑。 |
| 简单业务逻辑 | 状态机转换、基础计算（如金额求和）、枚举值处理 | 中高。AI能正确实现逻辑，但可能对业务边界考虑不周。 | 状态转换条件是否完备，计算是否有精度或溢出风险，异常场景处理。 |
| 单元测试 | 为上述生成的代码编写JUnit 5 + Mockito测试 | 极高。AI非常擅长根据方法签名和逻辑生成测试用例，包括边界情况。 | 测试覆盖率是否足够，Mock对象的行为设置是否正确，断言是否精确。 |
| API文档 | 生成OpenAPI 3.0 (Swagger)注解 | 高。AI能根据方法名和参数生成基本的@Operation,@Parameter等注解。 | 描述是否准确，参数示例是否恰当，是否需要补充更详细的业务说明。 |
1.2 设计你的第一个提示词：生成一个用户DTO
让我们从最简单的开始。在VS Code中安装好Claude Code插件后，新建一个文件UserDTO.java。不要手写代码，而是在文件中输入如下注释作为给AI的提示词：
// 请生成一个电商系统的用户DTO类。 // 要求： // 1. 使用Lombok注解，包含@Data, @Builder, @NoArgsConstructor, @AllArgsConstructor。 // 2. 字段包括：id(Long), username(String), email(String), password(String) 需要包含@JsonIgnore， mobile(String), avatarUrl(String), status(Integer 0正常1禁用), createTime(LocalDateTime), updateTime(LocalDateTime)。 // 3. 为email和mobile字段添加JSR-303校验注解@Email和@Pattern(regexp = "^1[3-9]\\d{9}$")。 // 4. 为createTime和updateTime添加@JsonFormat(pattern = "yyyy-MM-dd HH:mm:ss")。 // 5. 类名和字段名使用驼峰命名。然后，调用Claude Code（通常是快捷键或右键菜单），让它根据这段注释生成代码。你会立刻得到一个近乎完美的UserDTO.java。这节省的不仅是打字时间，更是避免了因手误导致的编译错误或注解遗漏。
注意：提示词的质量直接决定输出代码的质量。初期需要像和一位新同事沟通需求一样，清晰、无歧义。随着使用次数增加，你可以积累一套针对自己项目技术栈的“提示词模板”。
2. 超越单点生成：用Claude Code构建完整服务层
生成一个DTO只是开始。AI工程化的威力在于串联多个任务，构建出完整、可运行的功能模块。我们以“商品管理”模块为例，演示如何从零生成一套包含Controller、Service、Mapper、Entity的RESTful API。
2.1 步骤一：生成实体类与Mapper
首先，在合适的包路径下，创建一个描述商品实体的提示词文件Product.md（用Markdown文件来组织复杂的提示词也是一种好方法）。
# 生成商品(Product)实体类和MyBatis-Plus Mapper ## 实体类要求 - 类名：Product - 包路径：com.example.ecommerce.entity - 使用Lombok注解：@Data, @TableName("t_product") - 字段： id (Long, 主键，自增) categoryId (Long, 分类ID，索引) name (String, 商品名称，非空) subtitle (String, 商品副标题) mainImage (String, 主图URL) subImages (String, 附图URL列表，用JSON数组存储) detail (String, 商品详情HTML) price (BigDecimal, 价格，精度10位，小数2位) stock (Integer, 库存) status (Integer, 状态：0-下架，1-上架) createTime (LocalDateTime， 创建时间) updateTime (LocalDateTime， 更新时间) - 为price字段添加@TableField(value = "price", jdbcType = JdbcType.DECIMAL) - 为subImages字段添加@TableField(typeHandler = JacksonTypeHandler.class)，并确保项目中有fastjson或jackson依赖。 ## Mapper接口要求 - 接口名：ProductMapper - 包路径：com.example.ecommerce.mapper - 继承自：com.baomidou.mybatisplus.core.mapper.BaseMapper<Product> - 添加@Mapper注解将这段提示词交给Claude Code，它会生成Product.java和ProductMapper.java。检查生成的代码，特别是subImages字段的TypeHandler配置是否正确，这通常是AI容易出错的地方。
2.2 步骤二：生成Service层
接下来，生成Service接口和实现类。提示词可以这样写：
// 生成商品服务层：ProductService接口和ProductServiceImpl实现类。 // 接口位置：com.example.ecommerce.service.ProductService // 实现类位置：com.example.ecommerce.service.impl.ProductServiceImpl // 要求： // 1. 接口继承自IService<Product>。 // 2. 实现类继承自ServiceImpl<ProductMapper, Product>并实现ProductService接口。 // 3. 需要注入ProductMapper（父类已处理）。 // 4. 提供一个自定义的业务方法：Page<ProductVO> searchProduct(ProductQuery query); // 5. 说明：ProductVO是待生成的视图对象，ProductQuery是待生成的查询参数对象。请先生成这两个类的基本结构（包含必要的字段），再生成Service。 // 6. searchProduct方法逻辑：根据ProductQuery中的条件（商品名模糊查询、分类ID、状态、价格区间）动态构造QueryWrapper，调用baseMapper.selectPage进行分页查询，并将查询到的Product列表转换为ProductVO列表（使用MapStruct或手动set，在提示中假设使用手动set）。请生成完整的转换逻辑。这个提示词更复杂，它要求AI理解多个类之间的依赖关系，并实现一个包含条件查询、分页和对象转换的完整业务方法。Claude Code通常能很好地处理这种链式任务。生成后，你需要重点审查：
QueryWrapper的构造逻辑是否正确，特别是模糊查询和范围查询。- 对象转换（Product -> ProductVO）是否遗漏了字段。
- 分页参数
Page<Product>的使用是否正确。
2.3 步骤三：生成Controller层
最后，生成REST控制器。
// 生成ProductController。 // 包路径：com.example.ecommerce.controller // 要求： // 1. 使用@RestController， @RequestMapping("/api/product") // 2. 注入ProductService。 // 3. 提供标准的RESTful端点： // GET /{id} - 根据ID获取商品详情（返回ProductVO） // POST / - 创建商品（接收ProductDTO，返回成功标识） // PUT /{id} - 更新商品（接收ProductDTO） // DELETE /{id} - 删除商品（逻辑删除，更新状态） // GET /search - 对应上面Service的searchProduct方法，接收ProductQuery参数，返回分页结果。 // 4. 所有方法需添加合适的Swagger注解（@Operation, @Parameter等）。 // 5. 创建和更新需要对传入的DTO进行JSR-303校验（@Valid）。 // 6. 统一使用ResponseEntity或自定义的Result对象进行包装。生成后，检查URL路径是否正确，参数绑定（@PathVariable,@RequestBody,@Valid）是否准确，以及异常处理是否完备（虽然提示词没要求，但AI有时会添加基础的异常处理）。
通过以上三步，一个具备基本CRUD和复杂查询功能的商品管理模块就生成了。整个过程，你的主要工作是设计和审查，而不是逐行编码。这极大地提升了模块开发的启动速度。
3. 工程化的关键：质量保障与持续集成
AI生成的代码，最大的挑战在于质量和一致性。我们不能假设生成的代码永远正确。因此，必须建立强力的质量保障门禁，这也是“工程化”与“玩具项目”的核心区别。
3.1 本地第一道防线：单元测试与静态分析
Claude Code生成代码后，应立即为其生成单元测试。你可以直接对Service实现类说：“请为这个类中的searchProduct方法生成JUnit 5单元测试，使用Mockito模拟ProductMapper。” AI会生成一个相当完整的测试类，覆盖正常和异常场景。
但生成了测试不等于通过测试。你必须运行这些测试。同时，在提交代码前，运行项目的全套静态检查：
mvn clean compile：确保编译通过。mvn checkstyle:check或使用Spotless：确保代码风格一致。mvn spotbugs:check：检查潜在Bug模式。- 运行所有单元测试：
mvn test。
可以将这些命令集成到本地Git钩子（pre-commit）中，自动化执行。
3.2 持续集成（CI）中的AI代码专项检查
在GitLab CI、GitHub Actions或Jenkins的流水线中，除了常规的编译、打包、测试，建议增加以下针对AI代码的步骤：
- AI代码检测工具：虽然不完美，但可以引入像
GPTZero、Originality.ai的API或开源工具，对变更的代码进行扫描，对高概率为AI生成的代码块进行标记，提醒评审者重点关注。 - 增强的代码审查（Code Review）：在Merge Request中，必须有人工审查。审查重点从“语法是否正确”转向：
- 业务逻辑正确性：AI生成的算法或逻辑是否符合业务规则？
- 安全性：是否有SQL拼接、不安全的反射、错误的权限检查？
- 性能：循环、查询是否高效？N+1问题？
- 一致性：命名、日志格式、异常处理是否与项目其他部分一致？
- 集成测试：生成代码必须通过针对其功能的集成测试。可以编写或生成API测试（使用Postman Collection或Spring Boot Test），验证整个链路。
3.3 引入Harness AI进行部署后监控
当代码通过所有检查，合并到主分支并完成构建后，就进入部署阶段。这里就是Harness平台发挥价值的地方。
传统的部署可能只是一次kubectl apply或scp。而Harness提供了智能部署策略（如金丝雀发布、蓝绿部署）和持续验证。
对于包含AI生成代码的服务，我们可以在Harness中配置：
- 金丝雀发布：先将新版本部署给1%的用户流量，观察其表现。
- 关键指标验证：在发布过程中和发布后，Harness可以自动从监控系统（如Prometheus）或应用日志中，收集关键业务指标（如
/api/product/search接口的延迟、错误率）和系统指标（如CPU/内存使用率）。 - AI模块专项监控：我们可以为AI生成的模块定义更严格的基线。例如，如果该模块的P99延迟比人工编写模块高出20%，或错误率超过0.1%，Harness可以自动触发回滚，并通知开发人员。
- 反馈闭环：回滚或线上问题发生后，开发人员需要分析原因。是提示词不准确？是生成的逻辑有边界情况未覆盖？将这次教训总结，优化下一次的提示词，或决定该模块是否需要人工重写。这个“开发->生成->测试->部署->监控->反馈->优化”的闭环，是AI工程化成熟度的体现。
4. 应对复杂场景：AI辅助设计模式与重构
电商系统中不乏复杂场景，如分布式事务（下单扣库存）、缓存一致性、异步处理（订单超时取消）等。AI不仅能生成代码，还能辅助进行架构设计和代码重构。
4.1 使用AI辅助设计“下单”流程
“下单”是一个典型的长事务，涉及订单、库存、优惠券、支付等多个领域。你可以向Claude Code描述场景：
请为电商系统的“下单”流程设计一个Java实现方案。 需求： 1. 用户提交订单（商品SKU、数量、收货地址、优惠券）。 2. 需要检查库存（预占）、计算价格（商品总价、运费、优惠抵扣）、生成订单、扣减优惠券、扣减库存。 3. 需要考虑高并发下的数据一致性问题。 4. 请给出核心的类图设计（用文字描述）和关键方法（如OrderService.createOrder）的伪代码或实现思路，重点说明你如何保证库存扣减和订单创建的一致性（例如使用分布式事务Seata，或基于消息队列的最终一致性方案）。Claude Code可能会给出基于@Transactional的本地事务方案，或引入Seata的AT模式，或使用“预占库存+MQ异步扣减”的最终一致性方案。它甚至会生成大致的OrderService方法骨架和InventoryService的deductStock方法。你的角色是评估这些方案的优缺点，结合自身项目实际情况（团队技术栈、运维能力、业务容忍度）做出选择，然后让AI基于选定的方案生成更具体的代码。
4.2 使用AI进行代码重构
假设在代码审查中，你发现一个古老的CartService类，方法冗长，且充斥着if-else逻辑。你可以将这段代码贴给Claude Code，并指示：
请分析以下Java代码，并提出重构建议。目标是提高可读性和可维护性。 1. 是否可以提取方法？ 2. 复杂的条件逻辑是否可以用策略模式或状态模式重构？ 3. 是否有重复代码可以消除？ 请直接给出重构后的代码片段。AI会识别出代码坏味道，并给出重构后的版本。这相当于一位不知疲倦的资深代码审查员在帮你优化代码结构。
5. 从项目实践到个人进化：构建你的AI工程化能力栈
通过一个电商项目的实践，我们体验了AI工程化编程的完整流程。但这不仅仅是完成一个项目，更是对个人能力栈的一次升级。要真正掌握这项能力，你需要有意识地在以下几个维度积累：
- 提示词工程能力：这是与AI高效协作的核心。你需要学会如何将模糊的需求转化为清晰、结构化、无歧义的指令。这包括定义上下文、设定约束、提供示例等。建立你自己的“提示词库”，分类管理不同场景（生成CRUD、生成测试、解释代码、重构代码、设计模式等）的最佳实践。
- 架构与设计评审能力：当AI能快速产出代码时，你的价值将更多体现在做出正确的技术决策和识别设计缺陷上。你需要能判断AI给出的多个方案中哪个更优，能发现生成代码中潜在的性能瓶颈、安全漏洞或架构不一致性。
- 质量守护与运维意识：你必须比以往更重视自动化测试、静态分析、持续集成和监控。因为AI的“黑盒”特性，必须用严格的工程实践来保证其输出的可靠性。理解并运用像Harness这样的现代部署与验证平台，将成为标配技能。
- 领域知识深化：AI擅长处理通用模式，但对特定业务领域的深度理解（如电商的库存周转逻辑、金融的风控规则）仍然是人类的绝对优势。你的领域知识越深，就能设计出越精准的提示词，也能更好地校验AI的输出。
回到开头那个问题：“除了CRUD，你还做了什么？” 现在，你可以给出的答案是：我主导或参与了将AI工程化能力引入团队开发流程的工作。我设计了人机协作的编码工作流，利用Claude Code等工具将开发效率提升X倍，同时通过建立严格的质量门禁和Harness部署监控闭环，确保了AI生成代码的线上稳定性。我不仅是在写代码，更是在构建下一代智能开发体系。
这，或许就是摆脱“CRUD程序员”标签，走向更高阶工程师的一条切实路径。工具永远在变，但用工程化思维解决问题、提升价值的能力，永远不会过时。
