飞算JavaAI 智能引导：从需求到工程级源码的自动化实践

飞算JavaAI 智能引导：从需求到工程级源码的自动化实践

一、写在前面

做过Java后端开发的同行应该都有体会：一个新项目从立项到第一版代码跑起来，光搭框架、建表、写接口模板代码就要耗掉好几天。需求文档写得再详细，到写代码这一步还是得手动一个个敲——Controller、Service、Mapper、Entity，套路都一样，但就是省不掉。

飞算JavaAI的智能引导功能，解决的就是这个问题。它不是那种简单生成几行代码片段的插件，而是一套从需求理解到源码生成的完整流水线。输入一段需求描述，它能帮你拆需求、设计接口、建表结构、写处理逻辑，最后直接生成一个包含前后端的完整工程包。

这篇文章把整个流程走一遍，说说每一步实际体验如何，哪些地方好用，哪些地方需要注意。

二、智能引导的五步流程

整个智能引导分五步，每步之间有上下文关联，前一步的输出是后一步的输入：

理解需求 → 设计接口 → 表结构设计 → 处理逻辑(接口) → 生成源码

下面逐步展开。

2.1 理解需求：把一段话拆成可执行任务

第一步是喂给它需求。你可以直接用文字描述，也支持语音输入和上传文件（图片、文档都行）。

比如我输入：

开发一个图书管理系统，需要读者管理（注册、登录、借阅记录查询）、图书管理（分类、入库、借出归还）、馆员管理（权限分配、数据统计）功能。

系统会自动把这段话拆成结构化的需求项，比如：

• 读者注册：手机号注册，密码加密存储
• 读者登录：JWT Token认证
• 图书分类管理：增删改查
• 图书入库：自动生成编号
• 借阅流程：扣减库存、记录借阅时间
• 归还流程：恢复库存、计算逾期
• 馆员权限：角色菜单分配
• 数据统计：借阅排行、库存预警

拆完之后你可以手动调整——加需求、删需求、改描述都行。这里有个细节：如果你有自定义的需求规则（比如"所有接口必须分页"、“实体类统一用Lombok”），可以在规则管理里先配好，系统会按规则来拆解。

实际感受：拆解的质量跟需求描述的清晰度直接相关。描述越具体，拆得越准。如果需求本身就很模糊，拆出来的东西也会比较笼统。建议在输入需求时把核心功能点列清楚，比写一大段散文效果好。

2.2 设计接口：自动生成API清单

需求确定后，系统会根据需求项自动生成接口设计。每个接口包含名称、请求方式、路径、入参出参描述等。

拿图书入库来说，系统会生成类似这样的接口：

同样支持手动增删改。如果你对某个接口的描述不满意，直接改就行，系统会根据修改后的内容重新校验上下文连贯性。

一个实用的点：接口设计阶段如果发现需求遗漏，可以直接回到第一步加需求，再回到接口设计时系统会自动补上对应的接口。不需要从头来过。

2.3 表结构设计：自动建表 + 读取已有库

这一步是根据需求和接口生成数据库表结构。支持两种模式：

模式一：自动设计表结构

系统会根据前面的需求自动生成建表SQL。比如根据图书管理的需求，会生成book_category、book_info、borrow_record等表，包含字段类型、长度、注释、索引等。

CREATE TABLE `book_info` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT COMMENT '主键ID',
  `book_no` varchar(32) NOT NULL COMMENT '图书编号',
  `title` varchar(128) NOT NULL COMMENT '书名',
  `author` varchar(64) DEFAULT NULL COMMENT '作者',
  `category_id` bigint(20) NOT NULL COMMENT '分类ID',
  `status` tinyint(4) DEFAULT '1' COMMENT '状态：1在馆 2借出 3下架',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  `update_time` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_book_no` (`book_no`),
  KEY `idx_category_id` (`category_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='图书信息表';

模式二：选择已有数据库表

如果你的数据库已经有表了，可以连接数据库直接读取现有表结构。支持MySQL、PostgreSQL、Oracle等主流数据库。这个功能在老项目改造场景下很实用——不用重新建表，直接基于现有表结构生成代码。

还支持跨库跨表设计，即一个接口可以关联不同数据库的不同表。这在微服务架构下比较有用。

注意：使用数据库相关功能前需要先安装Database插件并配置连接。

2.4 处理逻辑：接口的业务流程

这一步是整个流程中技术含量最高的。系统会为每个接口生成详细的处理逻辑，包括：

• 业务流程描述：用自然语言描述接口的执行步骤
• 流程图可视化：以流程图形式展示接口交互过程
• 优化建议：检查上下文连贯性，给出优化前后对比

比如借阅接口的处理逻辑大概是这样的：

1. 校验读者Token，获取读者ID
2. 根据图书ID查询图书状态，校验是否在馆
3. 查询读者当前借阅数量，校验是否超过上限
4. 扣减图书库存，更新图书状态为"借出"
5. 新增借阅记录，记录借阅时间和应还时间
6. 返回借阅成功信息

系统会自动检查这个逻辑跟前面的接口设计、表结构是否一致。如果发现矛盾（比如引用了不存在的字段），会在优化描述里提示。

一个值得说的功能：处理逻辑支持导出Word文档。对于需要交付需求文档的场景，这个功能可以直接生成可编辑的文档，不用再手动整理。

2.5 生成源码：一键产出完整工程

前面四步都确认后，点"生成源码"，系统会生成一个完整的Java工程项目。

生成时可以配置：

生成的源码包含：

• 后端代码：Controller、Service、ServiceImpl、Mapper、Entity、DTO、VO等完整分层
• SQL脚本：建表语句、初始化数据
• 配置文件：application.yml、pom.xml
• 前端代码：如果选择了前端，会同时生成Vue项目
• 代码检查：集成行业标准检查工具，生成的代码自带质量校验

生成后可以预览代码（左侧旧代码、右侧新代码的Diff对比模式），确认无误后点"打开项目"选择保存目录，IDEA会自动打开后端和前端两个窗口。

一个细节：预览代码时可能会看到红色标记（飘红），这是因为还没加载jar包依赖，属于正常现象。导入IDEA后会自动下载依赖，飘红就消失了。

三、实际使用中的几点经验

3.1 需求描述要结构化

不要写一大段流水账。最好按模块分条列出核心功能点，每个功能点附带关键约束。比如：

【读者管理】
- 注册：手机号+验证码，密码AES加密
- 登录：JWT，Token有效期2小时
- 借阅记录：分页查询，支持按时间/状态筛选

【图书管理】
- 分类：两级分类树
- 入库：自动生成ISBN格式编号
- 借出：扣减库存，记录借阅时间

这样拆出来的需求项更准确，后续接口和表结构的质量也更高。

3.2 善用自定义规则

如果你对生成代码有特定要求（比如统一用MyBatis-Plus、统一返回Result包装类、异常处理用全局ExceptionHandler），在规则管理里提前配好。规则分项目级和全局级：

• 项目规则：存在.feisuan/rule目录下，只对当前项目生效
• 全局规则：对所有项目生效

规则的触发方式有四种：模型决策、始终生效、指定文件生效、手动引入。建议把通用的代码规范配成"始终生效"，把特定场景的规则配成"手动引入"。

3.3 表结构设计阶段多花时间

表结构设计是承上启下的关键环节。如果表结构不合理，后面的处理逻辑和生成的代码都会有问题。建议在这个阶段仔细检查：

• 字段类型是否合理（金额用decimal而不是double）
• 索引是否充分（高频查询字段加索引）
• 关联关系是否清晰（外键约束或逻辑关联）
• 字段注释是否完整

自动生成的表结构基本可用，但通常需要根据业务场景微调。这个时间花得值。

3.4 生成源码后的处理

生成的代码是工程级的，但不是拿来就能上生产的。建议生成后做以下处理：

1. 导入IDEA：下载依赖，确认编译通过
2. 检查分层结构：确认Controller-Service-Mapper的调用链是否完整
3. 补充业务逻辑：核心业务规则可能需要手动补充（比如借阅上限的判断逻辑）
4. 调整配置：数据库连接、Redis配置等按实际环境修改
5. 运行测试：启动项目，用Postman测试接口

四、适用场景分析

五、总结

飞算JavaAI的智能引导本质上做了一件事：把从需求到代码这段重复劳动密集的路径自动化了。

五步流程的设计逻辑清晰——需求拆解决"做什么"，接口设计解决"怎么交互"，表结构解决"数据怎么存"，处理逻辑解决"怎么处理"，生成源码解决"代码怎么写"。每一步都可以人工干预，不是黑盒。

对于新项目启动和原型验证场景，这个工具能节省大量模板代码编写时间。但要注意，生成的代码是高质量骨架，不是成品。核心业务逻辑的深度打磨仍然需要开发者来完成。

工具的价值在于把人从重复劳动中解放出来，去做更有价值的设计和思考。从这个角度看，智能引导做到了。