项目越做越多之后，我用 AI 做了一套可持续定制的软件底座
在做中小企业数字化的过程中，我们遇到的需求往往很具体：同样是管理系统，不同企业的组织方式、业务流程、设备接入和数据口径都有差异。AI 让定制开发快了很多，于是项目很自然地多了起来，每个研发同时负责几个项目。
问题也随之出现。不同项目采用不同目录、接口格式、权限模型和页面写法，代码逐渐变得千奇百怪。原负责人还在时，靠经验可以继续推进；一旦换人，接手者需要重新理解整套系统。即使让 AI 先读代码，也会因为上下文缺乏秩序而消耗大量 token，读完之后还未必能准确找到业务边界。
我开始思考一个更长期的问题：既然定制会持续发生，能不能让每次定制都从同一个基础出发，再把差异收进独立模块？这个想法最终变成了 VUE+NOJS——一套面向 AI 二次开发的软件底座，可以由 DMP 平台构建、部署、在线定制，并下发到客户盒子。
先把“重复建设”重新定义成业务问题
最初看起来，这是代码风格不统一带来的维护问题。继续往下拆，我发现它实际影响了三个业务环节：项目启动速度、人员交接成本，以及后续升级能否稳定复用。
如果只统一技术栈，AI 依然可能在每个项目里重新设计登录、权限、组织、字典、文件、通知和审计。短期看，每次都能生成一套能跑的代码；时间一长，同一种能力会出现多个版本，修复无法同步，新增需求也很难判断应该改公共层还是业务层。
因此，我给 VUE+NOJS 确定了清晰定位：它是标准应用的起点。登录、租户、权限、国际化、文件、配置、消息等通用能力进入底座，客户特有的订单、流程、设备或其他领域需求进入业务模块。底座负责稳定契约，模块承载变化。
这个边界决定了后续所有工程选择。我的工作重点也从“完成某个页面”转向定义哪些内容应该复用、哪些内容允许变化，以及 AI 在什么范围内可以自主实现。
把想法拆成 AI 可以连续执行的结构
AI 参与复杂项目时，真正昂贵的是上下文混乱。文件再多，只要入口、边界和规则明确，它就能快速定位；结构含糊时，每次任务都要重新阅读和猜测。
我为底座建立了分层结构。前端集中处理路由、状态、国际化、主题和通用 UI，后端分为公共能力层与业务模块层。业务模块只能依赖公共能力，模块之间禁止随意引用。这样，AI 接到一个新需求时，可以先判断它属于底座还是业务，再进入有限范围工作。
文档也被纳入工程结构。架构索引负责说明系统全貌，AI 协作规范定义修改边界，任务进度记录当前状态，交接文档保存最近一次推送、修复点和未决事项。新增业务时，AI 无需遍历整个仓库，先读取入口文档和目标模块即可建立足够上下文。
这一步解决的核心问题是知识组织。代码、约束和任务状态拥有明确入口之后，模型读取成本才有机会随着项目积累下降。
用脚手架固定共性，把定制留给模块
有了边界，还需要让它变成可执行的动作。VUE+NOJS 为模块、接口、页面、数据库迁移和 AI 工具提供了脚手架。创建模块时，会直接生成约定好的结构；普通 CRUD 可以从统一样板继续扩展；需要给 AI 调用的能力，则通过带输入输出描述和安全级别的 MCP 工具接入。
这套方式没有试图消灭定制。它把定制集中到可识别的位置，让新模块天然继承登录、权限、响应格式、分页、错误处理、国际化和界面规范。前端模块还可以通过注册机制向门户添加摘要卡片，流程、IoT 等能力能够沿着相同边界扩展。
我在这里承担的是方案组织和结果校准：先给 AI 明确模块目标、依赖范围和验收条件，再让它完成实现；如果某种写法在多个业务中重复出现，就将它提升为底座能力，减少下一轮复制。这样积累下来的成果会进入系统，而不会只停留在某次对话里。
让规则进入检查器，而不是停在文档里
只靠提示词约束 AI，稳定性很有限。上下文变化、任务跨度增加之后，模型可能遗漏响应结构、模块边界、软删除、时间格式或样式规范。VUE+NOJS 把这些约定做成了自动检查。
仓库中已经形成 39 项硬约束扫描，并由统一的质量流程串联类型检查、单元测试、规则校验、代码风格、样式和国际化审计。提交前会自动执行质量检查，面向 DMP 部署还有独立预检。AI 产物能否合入，最终由可重复执行的门禁判断。
我也会专门处理自动生成难以覆盖的跨系统细节。例如部署启动时，数据库迁移和初始化数据必须先完成，服务端口才能进入可用状态。否则编排平台可能在业务尚未就绪时探测到端口，随后把健康检查判成失败。VUE+NOJS 将启动顺序、健康状态和降级能力明确拆开，使“进程启动”与“业务可用”保持一致。
这种判断体现了我在项目中的角色：理解部署平台如何工作，识别 AI 实现中的边界风险，再把修正沉淀为所有后续模块共同遵守的机制。
从一次性交付走向持续可交接
VUE+NOJS 已经可以生成具备登录、CRUD、仪表盘和通知能力的最小应用，也承载了流程、IoT、调度、消息、搜索、指标以及 AI 会话等扩展方向。对我来说，更重要的成果是建立了一条稳定路径：需求先归类，差异进入模块，共性回到基座，AI 按明确边界实现，质量门禁负责验证，DMP 完成构建和部署。
人员更换时，接手者可以从架构索引、任务进度和模块说明开始，不必先把所有代码完整读一遍。模型也能围绕目标模块获取上下文，减少无效 token 消耗。后续出现新的企业需求，我关注的重点已经变成业务规则、数据边界和交付条件，然后组织 AI 在既有体系中完成扩展。
这次项目让我更确定，AI 时代的工程能力会更多体现在如何定义问题、组织上下文、建立约束和验证交付。VUE+NOJS 就是这套方法的落地结果：它把不断增加的定制项目，收敛成一个可以持续复用、持续扩展、也更容易交接的产品基础。