🔐

此资料已加密

请输入访问密码

实践数据报告 v1.0

AI辅助 Vrms Backend
开发实践报告

基于 Claude Code 会话日志的实际开发数据分析，
聚焦展示 AI 在 Java Backend 研发中发挥的具体作用。

2026-05-12 ~ 2026-06-01
GLM-5.1 · Claude Opus · Sonnet · Haiku · MiniMax
Section 01 / 概述

数据采集范围

来自 Claude Code 会话日志（.jsonl格式）及 Git 提交记录，涵盖多模型协同开发

0
开发天数
0
Claude Code 会话总数
0
API 请求总数
0
Git 提交数
0
新增代码行数
+23,265 / -3,623（净增19,642）
0
变更文件数
Section 02 / 任务类型分布

AI在开发中的角色

业务模块移植 (b1→b2)
35个会话 · 48%
Adaptor/查询功能修改
12个会话 · 16%
数据权限开发
8个会话 · 11%
OpenAPI 文档生成
6个会话 · 8%
质检加减价逻辑
5个会话 · 7%
编译错误修复
4个会话 · 5%
代码注释 / Javadoc
3个会话 · 4%

AI核心作用：48%的会话用于模块架构迁移——"源码可读、目标规范明确、模式重复"正是 AI 最擅长的领域。

Section 03 / 核心场景

架构迁移：business1 → business2

business1 架构

Adaptor 统一入口
reqData 手动解析
业务逻辑与数据访问混合
rspData 手动封装
直接 SQL 操作
⟶

business2 架构

Controller + Service 分层
@PostMapping + Payload 入参
DTO 出参 + ServiceImpl 处理
MapStruct 对象转换
Component/Repository 调用

AI 的角色：开发者只需指明 "按照business2规范移植XXX"

1. 读取源码理解逻辑 2. 生成 Controller/Service 3. 创建 Payload/DTO 4. 编写 MapStruct 5. SQL → Component 改写
Section 03 / 迁移任务实录

16组迁移任务 · AI全量代码生成

迁移的 Adaptor 生成文件 Git 提交信息
CarPageAdaptor → 整车质检分页10+feat: 移植qc/sheet/car/page
CarGetTagPrintDataAdaptor → 标签打印数据10+feat: 移植getTagPrintData
CarGetDeductionAdaptor → 获取扣款项7feat: 新增getDeduction接口
IncreaseAddStandardAdaptor → 加减价标准10+feat: 新增加减价标准
CarInitiateReviewAdaptor → 发起审核9feat: 整车质检发起审核
StandardCarWorthAddAdaptor → 保值标准10+feat: 新增保值加价标准
CarSetPoundMethodAdaptor → 设置磅单方式4feat: 移植setPoundMethod
CarSetTruckPlateNoAdaptor → 设置车牌号5feat: 移植setTruckPlateNo
CarSetTruckNameAdaptor → 设置运输商4feat: 移植setTruckName
CarSetTruckDepartureAdaptor → 设置始发地5feat: 移植setTruckDeparture
CarSetGrossWeightAdaptor → 设置毛重4feat: 移植setGrossWeight
CarSetTareWeightAdaptor → 设置皮重4feat: 移植setTareWeight
CarCommitPoundInfoAdaptor → 提交磅单4feat: 移植commitPoundInfo
CarGetAvailableCarStandardAdaptor → 可用质检标准7feat: 移植availableCarStandard
QcSheetCar Flow Handler(5个) → 流程处理器6feat: 新增整车质检流程处理器
CarContract → 合同模块8feat: 新增CarContract整车合同模块
Section 03 / 单次迁移工作流

以 CarSetGrossWeight 为例

用户只发出一句指令，AI 在 1-3 分钟内自动生成 4-6 个文件的完整代码

1
用户 发出指令："按照business2规范移植CarSetGrossWeightAdaptor" Read
2
AI 生成 SetGrossWeightPayload.java（请求体） Write
3
AI 在 QcSheetCarController 中新增 setGrossWeight 接口方法 Edit
4
AI 在 QcSheetCarService 接口中声明方法签名 Edit
5
AI 在 QcSheetCarServiceImpl 中实现业务逻辑 Edit
6
用户 确认代码 → AI 编译验证并建议提交 Bash
Section 04 / AI的多重角色

AI在不同任务中的具体作用

🔄

代码翻译器

模块迁移

读取源 Adaptor → 按 business2 规范拆分为 Controller/Service/ServiceImpl 三层，自动生成 MapStruct 映射接口

5-15 min vs 传统 1-2h
🏗️

渐进式开发伙伴

数据权限

通过 resume 恢复上下文，在 8 个会话间保持架构理解，渐进交付完整的数据权限体系

8 个会话 渐进式推进
⚙️

业务逻辑实现者

质检加减价

用户用自然语言描述业务规则，AI 自动定位正确的类和方法，生成包含边界条件处理的完整逻辑

自然语言 → 代码 零翻译损失
📝

文档自动化工具

OpenAPI 生成

读取 Controller 代码，解析入参出参，生成符合 OpenAPI 3.0 规范的 JSON 文档

1-3 min/接口 vs 传统 30-60min
Section 04 / 更多协作场景

更多协作场景

🔧

即时调试助手

编译错误修复

精准定位缺失 import、类型不匹配、方法签名错误，通常修改 1-2 行

~2 min 平均修复
📖

代码规范化工具

Javadoc 注释

为所有 public 方法生成标准 Javadoc 注释

255 行 单次新增
🏗️

渐进式开发伙伴

数据权限 · 8会话

跨会话保持架构理解，渐进交付完整功能

8 个会话 持续交付

数据权限开发 — 渐进式开发全记录

#1 → 角色增加数据权限属性（PO、枚举、DTO）
#2 → 新增角色数据权限切换接口
#3 → user_role_rel 表维护、Redis 缓存
#4 → LoginInterceptor 数据权限获取
#5-7 → Admin接口 → 合同 → CarContract 注解
#8 → 修复数据权限错值问题 ✓
Section 05 / 效率量化

代码产出效率

0
21天总新增代码行数
0
日均新增代码行数
0
平均每次 Git 提交
0
平均每次会话涉及

传统方式 vs AI 辅助方式

👤 传统手工

Adaptor 迁移
1-2 小时
需手写文件
4-6 个
API 文档编写
30-60 min
Javadoc 注释
30-60 min
VS
4-8×
100%
10-20×
6-12×

🤖 AI 辅助

Adaptor 迁移
5-15 min
需手写文件
0 个 (全自动)
API 文档编写
1-3 min
Javadoc 注释
2-5 min
Section 05 / AI工具使用频率

AI在会话中的工具调用

Read
95%+
Edit
90%+
Bash
85%+
Write
70%+
Agent
50%+
TaskCreate
25%
AskUser
20%
PlanMode
15%

解读：Read + Edit + Write 覆盖 90%+ 的会话——AI 的核心价值是"理解代码 → 生成/修改代码"。Bash 高使用率说明 AI 还承担了编译验证和 Git 操作，减少上下文切换。

Section 06 / 有效模式

4种高效协作模式

01

按规范移植 适合有明确源/目标架构的迁移

用户: "按照b2规范移植[b1的Adaptor]"
AI: 读取源码 → 理解逻辑 → 按规范生成 → 4-6个文件
02

增量开发 适合在现有基础上添加新功能

用户: "在[类名]中增加[功能]"
AI: 读取现有代码 → 理解上下文 → 插入新逻辑
03

问题修复 适合编译错误、逻辑 Bug

用户: "[类名]有编译错误，修复"
AI: 读取文件 → 定位错误 → 精准修复
04

文档生成 适合 OpenAPI、Javadoc 标准文档

用户: "生成[接口路径]的OpenAPI文档"
AI: 解析入参出参 → 生成标准格式文档
Section 06 / 关键经验

5条实战经验

01

Prompt 要精确

指明源文件路径、目标架构、请求方式——AI 能一次生成完整代码，减少反复修正

02

利用 /clear 和 resume

大型任务拆分为多个小会话，用 resume 恢复上下文，保持 AI 对项目的理解连续性

03

验证后提交

AI 生成的代码先编译验证再 git commit，避免引入编译错误到版本库

04

MapStruct 优于手动转换

明确要求"对象转换使用 MapStruct"，AI 会正确生成映射接口，减少手动转换错误

05

异常信息标准化

提供 sys_rsp_code.csv 给 AI 引用，确保全局异常信息一致性和可维护性

Section 07 / 总结

核心数据速览

21
开发天数
73
AI辅助会话
230
Git提交
23,265
新增代码行
679
变更文件

AI 在 Backend 开发中的定位

🧠

架构决策 — 开发者主导

Controller-Service 分层规范由人定义

🤖

模式化代码 — AI 完成

Payload、DTO、MapStruct、ServiceImpl

🎯

业务理解 — 人的指导

通过精确 Prompt 描述业务需求

✅

质量把控 — 开发者审核

编译验证、Code Review

Conclusion

结论

在有明确架构规范的前提下，AI 辅助开发可以将 Backend 模块迁移的效率提升 4-8 倍，将 API 文档编写效率提升 10-20 倍。

AI 并非替代开发者，而是作为高效的代码生成助手——使开发者能将更多精力投入到架构设计和业务理解上。

架构迁移效率 ×4-8
API文档效率 ×10-20
Javadoc效率 ×6-12

数据来源: Claude Code 会话日志及 Git 提交记录 · 2026-05-12 ~ 2026-06-01

← → 或点击导航切换幻灯片
1 / 14