发布：面向 AI 编程代理的即时 Prisma Postgres

限制下的“Vibe 编程”

“Vibe 编程”——即向 AI 描述你的需求并让它生成代码——这一概念已激发了开发人员的想象力。其成果令人印象深刻：从简单描述中实现的可用原型，无需与语法搏斗即可实现的复杂算法，以及无需繁琐的 CSS 调整即可组装的用户界面。

然而，任何尝试过这种方法的开发人员都不可避免地会遇到其局限性。在几轮提示之后，最初简洁的实现往往会变得难以驾驭。细微的错误悄然出现，变得越来越难以解决。轻松开发的承诺被熟悉的挫败感所取代——现在又因为代码不是自己编写的而更加复杂。

2025年的现实是，开发人员仍然需要理解他们交付的代码。AI 可以显著加速开发，但它（尚未）能取代使应用程序健壮和可维护的关键思维和系统设计技能。

那么，在利用这些强大的新工具的同时，构建全栈应用程序的最佳方法是什么？

理解 AI 工具的谱系

AI 编程工具存在于一个抽象的谱系中，每种工具都提供不同程度的辅助和控制。选择哪种工具取决于你自身的经验和个人目标。

让我们仔细看看这些抽象级别，以及如何定位最流行的 AI 软件开发工具。

低层级：AI 辅助代码编写

在抽象层级的底部，是那些帮助你更高效地编写代码而无需改变你基本工作流程的工具。

• Claude Code：一种与你的终端集成的 AI 助手，充当响应自然语言的结对程序员。
• Windsurf/Cursor：专门围绕 AI 辅助构建的 IDE，在提高编码体验的同时，让开发人员保持完全控制。
• GitHub Copilot：VS Code 中自带的“AI 结对程序员”。

这些工具通过直接集成到开发人员熟悉的工具和工作流程中来协助编写代码。它们对于生成样板代码、编写胶水代码（如基本的 CRUD 操作或 DTO）或实现测试等工作流程特别有用。

中层级：提示优先且可访问代码库

谱系的中部是由那些以提示作为主要界面，但允许你直接访问和修改生成代码的工具组成。这通常通过将你的代码“弹出”到一个 GitHub 仓库中来实现，你可以在其中根据需要进行手动更改。

这类工具的例子有：co.dev, Lovable, v0, Replit, Bolt 等。

这些方法在将大部分工作交给 AI 的同时，在需要时保持精确控制之间取得了平衡。

高层级抽象：“无代码”AI 平台

在最高抽象层级，是过去几年出现的“无代码”应用构建工具的演变而来的平台。

• Bubble.io：一个带有 AI 辅助的可视化编程平台。
• Glide：利用 AI 驱动功能从电子表格创建应用程序。
• Gamma：通过自然语言构建交互式演示文稿和轻量级应用程序。

虽然这些工具在简单用例中（如基本的 CRUD 应用程序或定义明确的单任务应用程序，如待办事项应用、国际象棋游戏或个人日程跟踪器）能最大限度地提高生产力，但它们不提供直接自定义代码的途径，因此不适用于需求更复杂的应用程序。

代码与基础设施：AI 无法提供帮助之处

尽管 AI 在生成代码方面变得非常强大，但应用程序开发中有一个关键组件是它无法替代的：你的代码将运行的计算基础设施，以及存储基础设施。

无论你的 AI 生成的应用程序运行得多好，它仍然需要一个实际运行的地方。你需要

• 能够可靠执行你代码的计算资源
• 能够以适当保证维护你数据的存储系统
• 能够安全连接你组件的网络基础设施

像 Vercel 这样的平台提供了计算基础设施，使你的应用程序部署变得容易——然而，你的应用程序仍然需要与数据库通信。

运行在重量级操作系统上的传统数据库由于其高资源消耗、配置开销和缓慢的冷启动，不适合现代基于 AI 的软件开发时代。

Prisma Postgres：为 AI 开发时代设计的数据库

这正是像 Prisma Postgres 这样的解决方案提供独特价值的地方！Prisma Postgres 是首个基于高效的 unikernels 构建的无服务器数据库，旨在单台机器上运行数千个实例。

它提供了开发人员所需的可靠性，同时避免了 AI 无法抽象的运营复杂性。当 AI 帮助你在代码生成上更快时，你需要能够跟上步伐的基础设施——可扩展、按需提供且只需最少配置。

要试用 Prisma Postgres，只需在你的终端中运行此命令

Prisma Postgres 还通过模型上下文协议 (MCP) 直接与你喜爱的 LLM 和 AI 编码环境集成。

只需使用此 JSON 代码片段将其添加到你所需 AI 工具的 MCP 配置中

在 Prisma Postgres 文档中了解更多信息。

何时使用 AI？

尽管 AI 在编写代码方面变得异常强大，但它（尚未）取代开发人员。了解 AI 的优势所在以及人类专业知识仍然至关重要之处，是有效使用 AI 工具的关键。

让我们来看看几个用例和场景，低抽象层级的 AI 工具（如 Cursor、Windsurf、GitHub Copilot 等）非常适合这些场景。

日常和单调任务 / 胶水代码

诸如实现 CRUD 操作、设置身份验证流程或创建标准 API 端点之类的任务都遵循既定的模式，AI 可以可靠地复制它们。这些是委托给 AI 助手的完美选择，让你能够专注于开发的更具创造性的方面。

按规范编码

当你有清晰的需求和规范时，AI 可以高效地将它们转化为可用的实现。对于输入、输出和行为都明确定义的功能尤其如此。

快速原型设计

AI 在快速创建功能原型以演示概念和验证想法方面表现出色。在探索想法或与用户测试新功能时，AI 生成的代码可以显著加速反馈周期，即使你计划为生产环境进行重构，或者只是用低质量的“一次性代码”构建一个初始版本。

你仍然需要理解你的代码（目前！）

AI 代表着编程抽象阶梯上的下一步——从机器代码到汇编语言到高级语言到框架，现在是自然语言接口。支配先前过渡的相同规则也适用于此：

• 更高抽象级别可提高生产力：用自然语言描述功能比逐行编写更快。
• 但抽象存在泄漏：当出现问题时（而且它们会），理解抽象之下发生的事情变得至关重要。
• 调试复杂性不会消失：随着你指定的内容与实现之间差距的扩大，它通常会增加。

最有效的开发人员将 AI 视为一个强大的工具，而不是理解的替代品。他们利用 AI 加速开发，同时对生成的代码保持足够的了解，以便随着时间的推移对其进行调试、优化和维护。

结论

在 AI 时代构建全栈应用程序并非盲目通过提示生成代码——而是要找到 AI 加速与人工监督之间的恰当平衡。

在这个新时代最成功的开发人员将是那些：

• 在适当的任务中利用 AI，同时保持架构控制
• 选择与 AI 加速开发相辅相成的基础设施
• 理解他们交付的代码，即使并非每一行都由自己编写
• 使用像 Prisma ORM 这样的类型安全工具，为人工和 AI 编写的代码提供安全保障

随着 AI 能力的不断发展，这种平衡将会发生变化。但就目前而言，成功的策略结合了两者的最佳优势：人类开发人员的创造力和判断力，以及 AI 助手的速度和模式识别能力。