# 独立开发者的八年求索：AI如何用三个月实现SQLite工具链 > 从八年积压构想到三个月AI驱动开发，系统复盘工程决策、迭代路径与关键权衡。 ## 元数据 - 路径: /posts/2026/04/06/ai-coding-agents-engineering-decisions/ - 发布时间: 2026-04-06T18:25:51+08:00 - 分类: [systems](/categories/systems/) - 站点: https://blog.hotdry.top ## 正文 八年来，SQLite开发者工具的质量问题始终困扰着Lalit Maganti。作为Google Perfetto团队的高级工程师，他在日常工作中频繁接触PerfettoSQL——一个基于SQLite的查询语言，内部有约十万行代码被各团队广泛使用。然而，他发现市面上根本没有可靠、快速且足够灵活的SQLite开发工具。这种挫败感持续了八年，始终没有行动的机会，直到AI编码工具的出现彻底改变了游戏规则。 ## 愿景的萌芽与阻碍 Maganti在Perfetto的工作使他深刻理解SQLite生态的缺陷。用户对格式化器、linter、编辑器扩展的期望与现有工具的质量之间存在巨大鸿沟。他曾尝试从开源社区寻找解决方案，但发现现有工具要么不够可靠，要么速度无法接受，要么缺乏对PerfettoSQL这类扩展的支持。问题的核心在于构建高质量语言工具需要精确解析SQL，而SQLite与其他编程语言不同，它没有正式的语法规范，也不暴露稳定的解析器API。事实上，SQLite的实现本身甚至不构建解析树。这意味着唯一合理的路径是从SQLite源代码中提取相关部分并加以适配。 这个方案的难度是全方位的。首先，SQLite源代码以其极高的密度著称，Maganti花费数天仅为了理解虚拟表API和实现细节。其次，SQLite有超过四百条语法规则需要逐条处理，每条规则都必须精确指定语法节点到解析树的映射方式。这种工作既困难又繁琐，是典型的“做起来无聊、做错了更糟”的任务。多年以来，这个项目始终停留在“总有一天要做”的状态，直到AI编程助手让他看到了真正动手的可能。 ## 三次迭代：从失控到掌控 Maganti的AI开发经历了一个关键的演变过程。第一阶段是2025年底至2026年一月的“氛围编程”阶段。他使用Claude Code的Max套餐（每月200英镑），几乎将所有设计和实现工作都委托给AI。在这个月里，他得到了一个用C实现的解析器（从SQLite源码提取）、一个格式化器、SQLite和PerfettoSQL的支持，以及一个Web演示界面。然而，当他在月底仔细审视代码时，现状令人沮丧：代码完全是意大利面条式结构，Python源码提取管道有大量无法理解的部分，函数分散在随机文件中，某些文件膨胀到几千行。这是一个脆弱的系统，短期内解决了问题，但根本无法承载更大的愿景，也不可能集成到Perfetto工具链中。 这次失败促成了关键的转折。他决定丢弃一切，从头开始，同时将大部分代码库切换到Rust。他意识到C难以构建高级组件如验证器和语言服务器实现，而Rust可以用同一门语言处理提取和运行时。此外，他完全改变了自己在项目中的角色：从“甩手掌柜”变成所有决策的第一责任人，将AI更多地用作“增强版自动补全”，而非独立的开发者。他推行了一套严格的流程：先做有观点的设计、彻底审查每一处改动、发现问题时立即修复、并投入精力构建脚手架工具如linting、验证和非平凡的测试来自动检查AI输出。 这种工作方式在二月份开始见效，核心功能逐渐成形。三月则是最后的冲刺：上游测试验证、编辑器扩展、包装和文档工作，最终在三月中期发布了0.1版本。 ## AI赋能的具体维度 Maganti明确指出，没有AI，这个项目根本不会存在。他将AI的帮助归纳为几个关键维度。 **克服启动惯性**是他提到的首要收益。作为软件工程师，他最大的弱点之一是面对大型新项目时的拖延倾向。AI让他能够将“我需要理解SQLite如何解析”这类模糊问题转化为“让AI提出一个方法，我可以推翻并构建更好的方案”这样的具体任务。他更适合有具体原型可以摆弄、有代码可以查看的状态，而不是在脑海中无休止地思考设计。AI让他以前所未有的速度到达可以工作的代码阶段，一旦迈出第一步，后续每一步都变得更容易。 **代码生成速度**是另一个显著优势。AI在编写“显而易见”的代码方面表现得比他更好。如果能把问题分解为“编写一个具有此行为的函数”或“编写一个匹配此接口的类”，AI会更快地完成，而且代码风格对未来读者可能更直观。AI会记录他通常会跳过的文档，保持代码布局与项目其他部分一致，并遵循所使用语言的“标准方言”。不过这种标准化是一把双刃剑：对于绝大多数代码来说，标准正是所需要的——可预测、可读、不出意料。但每个项目都有其边缘部分，即价值来自做非显而易见事情的那些部分。对syntaqlite来说，这是提取管道和解析器架构。AI标准化本能在那儿是有害的，这些部分必须由他深度设计，往往不得不自己动手写。 **重构能力**同样关键。AI生成代码的速度使得大规模重构成为可能，也成为必须。如果不持续进行重构，代码会立即失控。这是氛围编程阶段的核心教训：重构不够，代码库变得无法理解，最终只能全部推倒重来。在重写过程中，重构成为了工作流程的核心。每当生成一大批代码后，他会退后一步问“这丑陋吗？”有时AI可以清理，有时存在大规模抽象是AI无法看到的，他会给出方向让AI执行。 **研究效率**是他认为价值与时间投入比最高的使用方式。他曾需要构建格式化器，但此前从未听说过Wadler-Lindig漂亮打印算法。AI给了他一个可以从他理解的角度出发的具体且可操作的课程，并指向了可以深入学习的论文。他可以压缩可能是一两天的阅读为一个集中的对话，持续问“为什么这有效”直到真正理解。这延伸到他从未接触过的整个领域。他有深厚的C++和Android性能专业知识，但几乎没碰过Rust工具链或编辑器扩展API。有了AI，这不是问题：基础原理相同，术语相似，AI架起了桥梁。VS Code扩展本来会花费他一两天的API学习时间，而有了AI，一个可工作的扩展在一小时内就完成了。 **长尾功能的完成度**同样令人印象深刻。AI让他完成了原本会无限期推迟的长尾功能：编辑器扩展、Python绑定、WASM演示场、文档网站、多个生态系统的打包。这些功能重要但不关键，是理论上知道如何做但因为核心工作更紧迫而被不断推迟的事项。AI使这些变得足够便宜，以至于跳过它们反而成了错误的权衡。AI还释放了 mental energy 用于用户体验。他可以思考用户第一次体验应该是什么感觉：什么样的错误信息能真正帮助他们修复SQL、格式化器输出默认应该是什么样子、CLI标志是否直观。这些是将人们尝试一次的工具与持续使用的工具区分开来的东西。 ## AI的隐性成本 然而，AI的帮助并非没有代价。Maganti详细描述了几个关键问题。 **成瘾性**是一个令人不安的并行。AI编程工具与玩老虎机之间存在令人不舒服的相似之处。发送提示、等待、要么得到很棒的东西要么得到没用的东西。他发现自己深夜仍想“再做一次提示”，不断尝试AI只是看看会发生什么，即使明知它可能不会起作用。沉没成本谬误也在起作用：即使任务明显不适合AI，他仍然继续，告诉自己“也许这次换个说法会有用”。疲劳反馈循环使情况恶化。当他有精力时，他可以写出精确的、范围恰当的提示，并真正产生效率。但当疲倦时，提示变得模糊，输出变得更糟，他会再次尝试，在这个过程中更加疲倦。在这些情况下，AI可能比他自己实现东西更慢，但很难摆脱这个循环。 **失去代码库的触感**是另一个严重问题。在项目的几个时刻，他失去了对代码库的日常细节的掌控。不是整体架构或事物如何配合，而是哪一天住了哪里、哪些函数调用了哪些、累积成工作系统的小决策。当这种情况发生时，令人惊讶的问题会出现，他对到底哪里出了问题完全摸不着头脑。更深层次的问题是失去触感造成的沟通崩溃。当你没有正在发生的事情的思维线索时，与Agent进行有意义的交流变得不可能。每次交流变得更长更冗长。不是“改变FooClass做X”，而是“改变做Bar的事情做X”。然后Agent必须弄清楚Bar是什么，它如何映射到FooClass，有时还会搞砸。这正是工程师们一直对不理解代码的经理的抱怨：要求奇异或不可能的事情。区别在于现在你成了那个经理。 **设计决策的拖延**也是一个渐进发现的问题。他发现AI使他拖延关键的设计决策。因为重构很便宜，他总是可以说“以后再处理”。因为AI可以以与生成代码相同的工业规模进行重构，推迟的成本感觉很低。但事实并非如此：推迟决策腐蚀了他清晰思考的能力，因为代码库在此期间一直处于混乱状态。氛围编程月份是这方面最极端的版本。是的，他理解问题，但如果更早地遵守做出艰难设计调用的纪律，他本可以更快地收敛到正确的架构。 **测试的虚假安慰**也是问题之一。拥有500多个测试让人感到安慰，AI生成更多测试也很容易。但人类和AI都不够有创意，无法预见你将来会遇到的每一个边缘情况。在氛围编程阶段有好几次，他会产生一个测试用例并意识到某个组件的设计完全错误，需要完全返工。这是缺乏信任和决定彻底重写的重要原因。 **时间感的缺失**是他反复思考的事情。AI以某种状态看到代码库，但不像人类那样“感受”时间。他可以告诉你使用一个API是什么感觉、它如何在数月或数年中演变、为什么某些决定被做出后来又被推翻。缺乏这种理解的自然问题是，你要么犯下过去已经犯过的错误并必须重新学习教训，要么掉入新陷阱，而这些陷阱第一次已经成功避免，从长远来看减慢了你的速度。 ## 实用框架：何时依赖AI 基于这些经验，Maganti提出了一个实用的判断框架。当他从事他已经深度理解的事情时，AI非常出色。他可以立即审查输出，在错误发生前抓住它们，并以他独自无法企及的速度移动。解析器规则生成是最清晰的例子：他确切地知道每个规则应该产生什么，所以可以在一两分钟内审查AI的输出并快速迭代。 当从事可以描述但尚不知道的事情时，AI不错但需要更多小心。学习Wadler-Lindig做格式化器就是这样：他可以表达他想要什么，评估输出是否朝正确的方向发展，并从AI的解释中学习。但他必须保持参与，不能仅仅接受它给的东西。 当从事甚至不知道自己想要什么的事情时，AI介于无益和有害之间。项目的架构是最清楚的案例：在早期几周，他跟随AI走向死胡同，探索当时感觉高效但经不起审视的设计。回头来看，他想知道如果根本不让AI介入思考是否会更快。 然而，仅有专业知识是不够的。即使他深刻理解一个问题，如果任务没有客观可验证的答案，AI仍然会挣扎。实现有正确答案，至少在局部层面：代码编译、测试通过、输出匹配你要求的内容。设计没有。我们仍在为几十年前首次出现的面向对象编程争论。设计公开API是他发现这影响最大的地方。他在三月初花了几天什么也不做，只做API重构，手动修复任何有经验的工程师会本能避免但AI做得一团糟的事情。没有测试或客观指标来衡量“这个API用起来是否愉快”和“这个API是否能帮助用户解决他们的问题”，而这正是编码代理做得如此糟糕的原因。 ## 工程实践的具体参数 从Maganti的经验中可以提取几个可操作的工程实践参数。首先是代码审查的粒度控制：在使用AI生成代码后，应立即在代码实现后进行审查，并主动思考“我会如何 differently 做这件事”。这解决了“失去触感”的问题。其次是重构频率：每当生成一大批AI代码后，应该退后一步评估代码是否丑陋，必要时进行大规模重构而非等到后期堆积问题。 第三是决策前置原则：关键设计决策必须在实现之前做出，不能依赖AI的渐进式探索。Maganti明确指出氛围编程阶段最大的教训是推迟决策导致必须彻底重写。第四是验证机制的建立：他创建了500多个测试来验证解析器正确性，并构建了linting、验证等自动化脚手架来检查AI输出。这些测试在发现设计缺陷时发挥了关键作用。 最后一个重要参数是工作时间的管理。Maganti在三个月内投入了约250小时，平均每天约2.8小时，这还是利用了晚上、周末和假期的时间。这意味着AI辅助开发并非不需要时间投入，而是将时间重新分配到更高价值的决策和审查工作中，而非低价值的代码实现。 ## 核心教训 Maganti的历程揭示了一个关键真相：AI是实现层面的惊人力量倍增器，但它是设计的危险替代品。它擅长给出特定技术问题的正确答案，但没有历史、品味或人类实际感受如何使用你的API的感觉。如果你在软件的“灵魂”方面依赖它，你会更快地撞墙，比以往任何时候都更快。 这个故事也提醒我们，传统的软件工程规则在AI时代仍然适用：如果你没有基本的基础（清晰的架构、定义良好的边界），你将永远追逐不断出现的bug。AI可以加速实现，但无法替代对问题本质的深刻理解——这是任何技术工具都无法跨越的鸿沟。 资料来源：Lalit Maganti个人博客，2026年4月5日发布的《Eight years of wanting, three months of building with AI》 ## 同分类近期文章 ### [好奇号火星车遍历可视化引擎：Web 端地形渲染与坐标映射实战](/posts/2026/04/09/curiosity-rover-traverse-visualization/) - 日期: 2026-04-09T02:50:12+08:00 - 分类: [systems](/categories/systems/) - 摘要: 基于好奇号2012年至今的原始Telemetry数据，解析交互式火星地形遍历可视化引擎的坐标转换、地形加载与交互控制技术实现。 ### [卡尔曼滤波器雷达状态估计：预测与更新的数学详解](/posts/2026/04/09/kalman-filter-radar-state-estimation/) - 日期: 2026-04-09T02:25:29+08:00 - 分类: [systems](/categories/systems/) - 摘要: 通过一维雷达跟踪飞机的实例，详细剖析卡尔曼滤波器的状态预测与测量更新数学过程，掌握传感器融合中的最优估计方法。 ### [数字存算一体架构加速NFA评估：1.27 fJ_B_transition 的硬件设计解析](/posts/2026/04/09/digital-cim-architecture-nfa-evaluation/) - 日期: 2026-04-09T02:02:48+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析GLVLSI 2025论文中的数字存算一体架构如何以1.27 fJ/B/transition的超低能耗加速非确定有限状态机评估，并给出工程落地的关键参数与监控要点。 ### [Darwin内核移植Wii硬件：PowerPC架构适配与驱动开发实战](/posts/2026/04/09/darwin-wii-kernel-porting/) - 日期: 2026-04-09T00:50:44+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析将macOS Darwin内核移植到Nintendo Wii的技术挑战，涵盖PowerPC 750CL适配、自定义引导加载器编写及IOKit驱动兼容性实现。 ### [Go-Bt 极简行为树库设计解析：节点组合、状态机与游戏 AI 工程实践](/posts/2026/04/09/go-bt-behavior-trees-minimalist-design/) - 日期: 2026-04-09T00:03:02+08:00 - 分类: [systems](/categories/systems/) - 摘要: 深入解析 go-bt 库的四大核心设计原则，探讨行为树与状态机在游戏 AI 中的工程化选择。