同一需求，三种做法：一个AI小工具里的产品经理、工程师与架构师

#创作灵感# ·记录工作实践、项目复盘同一件事——从股票交易所披露易搜索年报/半年报等公告下载 PDF抽取营收同比、EPS 同比、分红变化再汇总成报告——我们先后尝试了几条路用对话式 AI 编程助手一站式做出本机 Web 工具用 AI 赋能的 IDE 做出可命令行验证的引擎用「AI 赋能的 IDE 低代码 Agent 平台」做成云端表单入口。本文把它们放在一起讲不是比谁「更高级」而是说明不同协作方式适配不同角色与不同交付形态。写在前面先直接看标题所表达的意思——方法比喻注释用对话式 AI 编程助手做完整工具像产品经理指挥 AI把产品做出来✅ 人盯目标与体验AI 扛全栈执行与迭代用AI 赋能的 IDE自己开发引擎与 API像软件工程师借助 AI实现✅ 人控架构与验收AI 加速编码与排错用AI 赋能的 IDE 低代码 Agent 平台再加 HTTP 契约像架构师有了整体设计让不同「AI 工程师」各管一块✅ 人切边界与契约IDE 侧管能力Agent 平台管交互补充说明角色可以重叠同一个人可以上午当 PM拍板「要不要 Web」「要不要 LLM」下午当工程师盯stockId字段晚上当架构师决定Agent侧只调HTTP、不重写爬虫。工具不等于岗位对话式助手也能写出很「工程」的代码AI 赋能的IDE也能陪你澄清需求。差别在默认工作流对话交付完整产品 vs IDE 里可控地长出代码 vs 多系统拼装。交付物不同PM 路径常直接落到「用户能打开的网页包」工程师路径先落到「可验证的引擎」架构师路径落到「能力层 交互层 契约层」可演进的系统。下面用同一业务需求把三种不同的实现详细解说。一、共同的业务起点投研同事的日常公司财报都在证券交易所网站上要按股票一只一只打开PDF再翻页手抄指标又慢又容易错。一句话需求输入股票或全市场某日与日期、报告类型 → 搜索交易所网站 →可选下载 PDF → 抽取关键指标 → 汇总 Excel / 可读报告。可验收能力大致是能力验收直觉按股票 / 日期 / 类型搜索命中列表与网页抽检一致下载并抽取关键信息有数或明确「未命中 / 需复核」非技术用户能用尽量少碰命令行指标可扩展今天三项明天可能加第 4 项两条天然难点能力侧无公开 API 文档、stockId 用错会「命中 0」、PDF 版式千奇百怪、月报表常不等于财报。交互侧参数多就懵要默认值、确认摘要、分享给同事。技术选型上有一点三家殊途同归PDF 抽取用规则如 pdfplumber 关键词默认不用 LLM 读全文——零 token 成本、可复现、部署不绑模型密钥。该不该上 LLM是产品决策不是默认答案。二、方式 A对话式 AI 编程助手 ——「产品经理指挥 AI」做出本机 Web 工具2.1 这条路像什么你更像PM / 业务负责人不断澄清有没有 LLMPDF 落盘了吗没代理时NO_PROXY*有副作用吗默认日期能不能本月 1 号今天AI 像全栈执行团队写脚本、FastAPI SSE 进度、原生前端、部署包与文档多在同一条对话流里完成。产出典型形态可拷贝的本机Web包如独立部署目录——双击启动浏览器填表进度实时刷Excel / PDF 可下。2.2 过程里真正值钱的是什么不是「AI 写得快」而是反馈及时准确边做边澄清——避免一上来就绑死 LLM、或假设人人会命令行。边做边验——分类码从错误的 3 位改到正确的 5 位、from/to改成fromDate/toDate立刻用真实请求验证。边做边调提取——百分比误当营收 → 过滤%股息关键词扩到 ±2 页再加出处页码、涨红跌绿。交互后置但很快补上——命令行能用后加 Web配置 → 运行 → SSE 进度 → 下载。环境类问题SOCKS 代理、错误的 conda 环境、端口占用、Windows 编码也会在对话里记录到启动脚本与文档——这对「交给操盘手自己的电脑」至关重要。2.3 适合谁、不适合谁适合不太适合要尽快有一个本机可运行的产品要多人 7×24、强权限审计需求方能高频看中间结果并拍板必须严格代码评审 / 多人并行改同一仓库接受「对话里长出整包」已有明确模块边界与多端接入见方式 C一句话角色划分人定「做对的事」AI 定「把事做对并打包」。三、方式 BAI 赋能的 IDE ——「工程师借助 AI」做出可验证的引擎3.1 这条路像什么你更像软件工程师在仓库里长出包结构、CLI、测试点、责任清晰的模块搜索 / 下载 / 抽取 / 汇总。AI 是结对程序员补实现、查字段、写脚本但验收标准在你手里——例如与交易所网页同一天、同一股票抽检一致。产出典型形态一类Python 引擎 命令行脚本需要时再包 FastAPI。此时可以还没有漂亮 UI。3.2 为什么工程师路径仍然必要与交易所网站自动化链接里大量失败是「看起来像通了」stockId 用了错误字段 → 网页有、脚本 0 命中报告类型 / 日期窗口搞错PDF 中文被拆成「收 益」月报表被误当成利润表来源。这些更适合在IDE 终端里用真实响应却确定完成而不是只在聊天里「感觉能用」。AI赋能IDE的优势是改完立刻跑、diff 清晰、和版本管理 / 本地环境一体。3.3 适合谁适合不太适合要长期维护算法与边界情况唯一目标是「明天交付个能点的页面作为demo」方式 A 更快要把能力嵌进别的系统API、批处理、Agent 平台完全不想碰 Python 环境一句话角色划分人控正确性与结构AI 加速实现与排障。四、方式 CAI 赋能的 IDE 低代码 Agent 平台 ——「架构师」拆层多 AI 各管一块4.1 这条路像什么你更像架构师 / 技术负责人先定边界引擎不进 Agent 平台Agent 不做港交所爬虫。AI 赋能的 IDE或已有引擎负责能力低代码 Agent 平台负责表单与话术中间用HTTP 契约如POST /v1/run连接。云端调不到本机.py时用本机 API 穿透或以后上云补「最后一公里」。用户填 Agent 工作流表单 → Agent 平台工作流校验 HTTP →穿透 / 云FastAPI → 本地研究引擎 → 披露易这正是「有了整体设计让不同工程师人或 AI完成不同模块」——Agent 侧甚至可以用提示词快速生成表单草图但真数据仍以引擎返回为准。4.2 本地 HTTP API 的取舍架构师必须讲清好处不足验证快引擎改完重启即可临时穿透域名常变Agent 工作流里的 URL 要跟着改Agent 平台不重复实现脏活本机关机 / 休眠服务就挂契约清晰便于以后上云公网暴露面、超时、鉴权都要补课演进建议验证期本机 穿透 → 受不了再固定隧道或云主机 → 生产再谈网关、异步任务、审计。4.3 适合谁适合不太适合用户已在某类 Agent / 协作平台上能力在本地或专有环境只要单机网页、从不需要分享链接给「只开浏览器」的人交互要频繁改文案 / 默认值又不想改引擎没人愿意维护「API 穿透 发布」这条运维链一句话角色划分人切系统、定契约不同 AI或同事在边界内交付。五、三条路对照同一需求不同解维度A 对话式助手 → 本机 WebB AI 赋能 IDE → 引擎C IDE 低代码 Agent角色隐喻产品经理指挥 AI工程师 AI 结对架构师编排多模块主交付可部署 Web 包CLI / 库 / API云表单 远程能力用户怎么用本机浏览器命令行或二次封装打开 Agent 对话 / 表单反馈节奏对话分钟级看产品IDE 分钟级看测试分层联调坑在「接缝」运维焦点Python 环境、端口、路径代码质量、回归穿透域名、发布绑定、鉴权典型产物独立 Web 部署包可安装的研究引擎仓库引擎 Agent 接入说明另外还有一条「交付形态」上的合流无论引擎最初来自 A 还是 B最终都可以做成给用户拷贝的 Web 包或 Agent 入口——差的是谁先证明能力、谁先证明体验。六、怎么选给下次需求用的决策表你的处境更建议业务方能天天试用要尽快本机可点方式 A接口极脆、要长期抠正确性与扩展字段方式 B打底再 A 或 C 去完善用户已在 Agent / 协作平台上且接受「有人维持 API」方式 C又要正确又要给同事填表且你一个人B → 最小 API → C 或 A避免三种切法全部塞进低代码 Agent 平台——脏活不稳、难调试永远只有命令行——非技术用户进不来验证期就上完整云原生——需求还在变时成本过高。七、可复用的「角色检查清单」当你像 PM偏 A时每天问[ ] 用户不用命令行能否完成一次查询[ ] 默认值是否减少点击结果是否落盘可审计[ ] 部署文档是否够「干净电脑」装一次当你像工程师偏 B时每天问[ ] 与官网抽检是否一致失败是否可解释[ ] 字段 / 类型 / 全市场边界是否写进测试或清单[ ] 抽取是否声明「非 100%」、有页码或需复核当你像架构师偏 C时每天问[ ] 能力与交互边界是否写清责任清单[ ]/health与业务 POST 是否稳定可讲[ ] 域名变更、超时、鉴权是否有运维一页纸八、结语同一交易所报告需求三种做法并不是互斥的流派而是同一价值链上不同角色的工作方式对话式 AI 编程助手路径让产品经理式的人用对话把「能用的工具」推到用户桌上AI 赋能的 IDE 路径让工程师式的人把「可验证的能力」留在仓库里「IDE 低代码 Agent」路径让架构师式的人把能力与交互拆开用契约换演进空间。更值得强调的一点是AI 大大赋能了整条协作链无论你此刻扮演什么角色。过去一个团队若有短板——例如只有 PM、没有能写代码的工程师或只有后端、没有人搭交互——项目往往就卡死。现在有了 AI可以用方式 A 让「偏产品」的人补上工程执行用方式 B/C 让「偏工程 / 架构」的人更快补上交互与联调。这并非让 AI 取代某个岗位而是弥补能力缺口gap把项目推过原先过不去的坎。每个关键环节——要不要 LLM、数据准不准、格式用户能不能接受、要不要上云——最终决策权仍在人类专家手里AI 负责把选项做出来、把反馈落地得更快。最好的方案往往不是最炫的技术栈而是最贴合「谁在做、谁在用、要稳多久」的那一层。正则可能比 LLM 更合适一个启动脚本可能比容器编排更合适本机 Web 与 Agent 表单也可以并存——只要你清楚自己此刻演的是哪一个角色以及哪里需要人拍板。命名对照本文通用名含义对话式 AI 编程助手以多轮对话为主、可交付全栈产物的 AI 开发助手AI 赋能的 IDE在集成开发环境中结对编码、改完即跑的 AI 辅助工具低代码智能体Agent平台用表单 / 工作流搭建对话助手、并可调用 HTTP 的平台