AI 时代，如何把一个需求真正落地成应用？——一条“文档驱动 + 实测修订“的实战路径

本文素材全部来自一个真实项目ecom-detail-ai——上传 1 张商品图约 10 分钟得到一整套带真实感光影渲染的淘宝详情页。项目 2026-09-12 起步到本文写作时刚满一个月M1-M4 里程碑已全部完成。文中所有数据、版本记录、决策原文均为生产仓库实录。一、AI 时代最大的悖论代码变便宜了想清楚变贵了2026 年做一个 AI 应用技术门槛已经低到离谱模型国产 API 全部兼容 OpenAI 协议换个 base_url 就能切代码AI 编码工具一小时能给你撸出一个完整脚手架Demo一个周末能搭三个。但打开任何一个 AI 产品社区你会看到另一番景象Demo 满天飞能用的产品很少。大量项目死在同一个位置——从需求到落地之间的那条沟需求没拍板就动手做到一半发现方向错了模型选型拍脑袋上线才发现成本结构根本不成立关键决策不留痕三个月后没人说得清当时为什么这么设计重构时反复翻烧饼实施靠感觉没有问题在哪、改哪里、怎么验证的闭环最要命的文档写完就束之高阁代码和文档各跑各的。这篇不讲具体某个技术点讲一条我们用一个月时间、从一句产品构想到跑通全链路的方法论。概括成一句话文档驱动开发实测修订文档。需求、选型、决策、实施、验收每一步都先落成文档每一次实测得到的结论回头修订文档。文档不是汇报材料是开发的单一真相源和驾驶仪表。下面按实战顺序拆开讲。为了照顾不了解案例背景的读者第二节先把项目交代清楚后面所有举例都基于它。二、先交代案例这个项目是什么2.1 一句话与核心链路ecom-detail-ai一个 Wails v2Go Vue3桌面应用面向淘宝/天猫中小卖家——上传 1 张商品图约 10 分钟拿到一整套详情页主图 长图切片 文案全程不用选品类、不用选风格。替代的是外包 300-1500 元/套、3-7 天交付的传统做法。它的核心是一条全自动 Agent 流水线四个 LLM/视觉服务商分工协作用户自带密钥BYOK单套 API 成本约 1-3 元。实测单套5 图8 分 27 秒。2.2 成品长什么样一次真实任务任务 #4露肩碎花连衣裙的导出产物图 3750px 详情长图。首屏、卖点、参数、场景、售后等模块由 Agent 自主规划排版合成本机完成。2.3 四个关键事实先记住这四个事实后面的例子都挂在它们上面事实内容① 多模型协作四家服务商四个岗位智谱读图自检、DeepSeek规划文案、火山方舟出图、阿里云抠图② BYOK 模式用户自带模型密钥商品图只发到用户自己账户下的模型服务产品方不经手不存储每个任务的消耗金额明示给用户③ 成本敏感单套 API 成本 1-3 元其中图像生成占 95% 以上——成本结构直接决定商业模式④ 桌面客户端WailsGo Vue3排版合成本机完成批量任务走本地队列调度2.4 术语卡后文不再解释术语一句话解释详情页淘宝商品页里那套决定转化的长图 图文组合主图 / 白底图商品列表页 800×800 方图平台强制至少一张纯白背景切片长图按平台高度限制切成多张上传BYOKBring Your Own Key用户自带模型密钥费用走自己账户模型位流水线里某个环节对模型的岗位一个岗位一个选型VLM视觉语言模型能看图的大模型盲测同一商品图喂给多个候选模型人工对比选优限流RPM模型 API 的调用速率配额超了返回 4292.5 为什么拿它当案例三个原因链路完整从一句产品构想到 M1-M4 里程碑跑完每个阶段都有文档产物是需求落地方法论的完整观察样本AI 原生成分高概率性依赖模型输出不稳定、多模型协作、成本敏感、需要自检闭环——传统软件的坑它一个不少还多一层依赖是租来的坑都落在文档里盲测反转、限流约束、联调数据全部有记录——这正是方法论最好的验证材料。三、第一步PRD 是拍板记录不是需求散文先看一个反面样本大多数项目的 PRD 是一篇散文——背景、目标、功能列表写完评审完就躺进硬盘直到项目结束没人再打开。我们的做法PRD 是一份带修订记录的活文档每个版本解决一类问题。看它的版本演变版本日期这个版本在记什么v0.909-12需求探索8 个模块全景 5 个待拍板问题Q1-Q5v1.009-12Q1-Q5 全部拍板升级为正式 PRD补业界对标、平台规格、FR 编号与优先级v1.109-12内部评审修订修掉隐私口径矛盾、AI 标识合规、TaskStep 粒度等一串问题v1.309-12真实 key 全流程联调通过联调数据、踩坑、结论回写第八节细讲v1.509-13盲测结果导致选型反转渲染主选更换第四节细讲v1.709-13平台水印可控性 标识分层的实测结论注意 v1.3、v1.5、v1.7 的特殊性它们都不是需求变更而是实测结论倒逼文档修订。PRD 在这里不是立项时写一次的石碑而是跟着项目一起生长的账本。3.1 三个可以直接抄走的写法第一用户故事用标准三段式一个故事一个验收点。批量生成功能一次导入 100 个 SKU 挂机跑完补的是稿定 CSV 批量套版的能力缺口的需求是这么写的As a新注册低 RPM 配额的卖家I want批量任务按全局并发上限默认 1可配 1-3排队逐个执行so that不会因为多任务并行撞 API 限流导致整批失败。一句话里包含角色、动作、可量化的参数并发 1-3、要防的风险限流。评审时哪个参数有问题当场就能吵清楚。第二明确不做/边界比要做什么更重要。同一份批量 PRD 里专门有一节不动渲染管线内部感知/规划/渲染/文案/排版各环节零改动批处理只是调度层零新增依赖CSV 解析用标准库encoding/csv不引 Excel 转码库不做批量专属管理页复用现有任务列表留 P2夜间定时批跑、断点续跑、Excel 直接解析。这一节是 MVP 的护栏。AI 编码时代顺手多做一个功能的边际成本极低不做清单是防止范围失控的唯一物理阻断——和上一篇讲的架构护栏一个道理约定必须变成某种形式的断言。第三待确认问题单独成节允许带着问题上会。Q1-Q6 每个问题给一个建议答案 理由评审的工作从讨论降级为确认或否决建议。小团队这个写法能把评审会从两小时压到二十分钟。四、第二步选型先于编码且必须拆位 实测AI 应用和传统软件最大的不同你的核心能力是租来的。租什么、怎么租、租金多少直接决定产品成不成立。所以我们的顺序是产品构想 → PRD 拍板 →选型验证→ 才写第一行业务代码。4.1 拆模型位不要指望一个模型全包选型文档的第一件事是把流水线拆成 6 个模型位对应 2.1 节链路图的各个环节模型位任务关键要求类型① 感知 VLM读商品图 → 结构化 JSON读图准、JSON 稳、便宜高频多模态② Agent 大脑推理规划选管线、定张数、排模块指令遵循、结构化输出文本 LLM③ 文案卖点文案、参数介绍中文电商语感、性价比文本 LLM④ 抠图提取透明产品 PNG边缘精细度视觉模型⑤ 视觉重建深度图、法线图几何准确性视觉模型⑥ 图像生成统一光影出图成本大头光影真实感、商品一致性生成模型拆完位结论自然浮出水面这 6 个位对模型的要求完全不同必须多模型分层路由——这是 2026 年 Agent 工程的第一共识。感知位要便宜大碗单次读图不到 1 分钱大脑位要指令遵循和 JSON 稳定性出图位要商品一致性。用一个旗舰模型全包钱包先死。4.2 一次真实的盲测反转价格不是选型的唯一标准这是整个选型阶段最值钱的一课。初版选型出图位主推 GLM-Image0.1 元/张MIT 开源指令遵循和文字渲染突出账面成本碾压 Seedream 4.50.25 元/张。文档里连降级顺位都排好了。结果用真实商品折叠手机支架盲测结论当场反转Seedream 4.5 商品一致性接近完美——铰链、折叠臂、挂钩、底座全保留甚至延续原图场景GLM-Image 是同类不同款的重绘。对电商详情页这个场景商品一致性是生死线支架的铰链结构变了消费者收到货和详情页两回事这是假图是平台合规红线。0.15 元/张的差价在能不能用面前不值一提。选型文档随即修订Seedream 4.5 升为主选GLM-Image 降为低成本备选。这个案例的方法论价值选型文档不是调研报告是待验证的假设清单。每个主推都要标注验证方式和验证成本。盲测三个候选成本是几十块钱加半天——这点成本在上线后返工面前等于零。AI 时代试错变便宜了先实测再拍板从奢侈品变成了基本操作。4.3 成本测算先算账再动手选型文档按最终组合重算了单套成本10 张图口径环节成本感知GLM-4.6V~5K in / 1K out~0.01 元大脑规划DeepSeek Flash~0.05 元文案同上~0.05 元出图 10 张GLM-Image 0.11.0 元自检GLM-4.6V~0.02 元合计GLM-Image 低成本方案≈ 1.1 元/套盲测反转后若全程用 Seedream 4.5 主选出图单套约 2.6 元产品定价按 2-8 元/套的 API 成本核算空间立得住。两个关键认知LLM 环节合计不到 1 毛钱可以随便用成本几乎全在出图占 95% 以上——所以优化成本要盯着出图位打在感知/文案上抠性价比是捡芝麻成本结构决定商业模式单套 1-3 元的边际成本让BYOK 成本透明展示成立——我们敢把每个任务的消耗金额明示给用户看就是因为算得过这笔账。4.4 一个坑位预警模型能力边界要写进落地清单选型文档专门记了落地注意点其中一条救了后面无数时间DeepSeek V4.1-Flash 是纯文本模型——读图和自检全部走 GLM-4.6V大脑只消费结构化 JSON 文本编排层注意不要给 DeepSeek 传图。这类能力边界 编排纪律在选型阶段写下来实现阶段就是 checklist不写就是某个深夜的一次玄学 bug。五、第三步决策留痕用 ADR 把为什么钉住代码回答怎么做文档回答为什么。大多数项目只记前者于是三个月后的重构会议上大家对着一段看不懂但不敢删的代码面面相觑。我们的做法关键决策一人一篇 ADR架构决策记录固定三段式背景 → 决策 → 后果。以 ADR-0007 为例它在解决一个真实的两难上一轮刚把商品类目如羽绒服“零食”升级为可配置实体但类目的备注里反复写着尺码表/配料/资质数据必须来自用户输入——羽绒服的面料成分、零食的保质期AI 从商品图里根本看不出来只能编而编造参数在电商场景是假图红线。可系统里当时根本没有用户结构化输入的通道参数全靠 AI 猜同时卡片视觉模板系统已跑起来但没有任何东西替不同品类选一个合适的默认模板。决策部分干净利落纳入 A结构化参数表单/ C类目默认模板/ D生成默认开关三个方向B合规红线结构化校验明确不做留待后续。而全文最值得学的是**后果一节——主动写下代价和要守住的东西**人像硬约束引入敏感类目标志如内衣/泳装强制关闭人像场景必须用显式 id 集合判定不得依赖关键词模糊匹配安全项要确定性C 让全局默认从最终决定退为兜底设置页文案必须说清避免用户困惑我设的没生效优先级链统一遵循显式用户选择 类目默认 全局/AI 兜底。一段决策附带三条未来可能踩的坑和一条统一的优先级哲学。后来者包括三个月后的你自己读到这篇五分钟后就能获得作者当时三天的上下文。ADR 的写作要领决策部分可以很短但后果 代价不能省。只写我们决定用 X的 ADR 是半成品写出选了 X我们付出了 Y未来要守住 Z才是完整品。六、第四步需求到任务的翻译层——OpenSpec 规格治理PRD 说的是产品要什么ADR 说的是为什么这么设计还差一层这个变更具体改哪些文件、动哪些能力、怎么验收。这一层我们交给 OpenSpec 管流程是proposal → design → specs → tasks落地后归档留痕。看一个真实提案的骨架——“首次启动配置向导”BYOK 产品的第一道门槛新用户打开应用后四步引导配好模型密钥否则连工作台都进不去Why首次使用门槛是最大流失点——用户要自己判断四把 key 哪两把必需、找到设置页、逐张展开指引配完面对空工作台。What Changes五条变更每条一句话包括首次启动以本地不存在配置文件为唯一信号“隐私承诺前移到任何真实调用与扣费之前”。Capabilities新建 / 修改哪些能力规格。Impact落到文件级——internal/config/config.go新增OnboardingDone/OnboardingSkipped持久化字段app.gofrontend/wailsjs/新增绑定方法需重新生成frontend/src/components/OnboardingWizard.vue新四步覆层零新依赖deps.yaml不动样式一律走既有设计 tokens。为什么 Impact 要写到文件名这是AI 时代的新变化文档的第一读者已经从人变成了 AI 编码 agent。agent 没有你大脑里的项目上下文改onboarding.go、在App.vue加引导闸门、复用ProviderGuidePanel.vue这种粒度恰好是 agent 能直接执行、人也能 review 的甜点。写得粗“做个向导”agent 自由发挥产出随机写得细到文件和复用组件产出稳定。顺带说 Capabilities 的规格库项目把能力按域维护在openspec/specs/下onboarding-wizard、architecture-guardrails、dependency-registry 等二十多个新变更提案必须声明新建/修改哪些能力——这和上一篇的护栏是同一套哲学约定要变成可校验的结构而不是散落的散文。七、第五步实施用问题定位表驱动而不是感觉驱动到了写代码阶段最常见的失败模式是重构一时爽改完到处火。我们的做法来自一份真实优化方案初版流水线跑通后产出的详情页效果一般这份方案的任务就是定位一般在哪——它的核心是一张问题定位表#病灶代码位置后果1感知仅 7 字段无细节特征、无可见参数internal/agent/agent.go:72-73下游规划/渲染/文案全部泛化参数表无数据源只能编造2规划是伪规划模块固定 5 个写死、prompt ≤60 字agent.go:93-95出图缺乏摄影语义模块结构千篇一律3自检是盲检只传生成图不给原图与场景描述agent.go:161-167、pipeline.go:421-425自检形同虚设同参数重跑无意义4文案模型看不到图输入只有 7 字段agent.go:140-149套话文案图文不对齐三个设计要点第一病灶必须锚定到代码行号。效果一般不是问题“agent.go:93-95模块写死才是问题。前者只能开会后者可以直接改。这一条是 AI 编码时代的放大器你把带行号的问题表丢给 AI它改得比谁都准只丢一句优化下效果”它只能瞎猜。第二优先搬已验证的设计别发明轮子。方案里专门列了姊妹项目同脚手架的闲鱼素材生成器的借鉴清单粘贴电商详情作为核心输入≤4000 字、按角色差异化文案 跨卡不重复铁律、图片完整显示不裁切原话“卖货最忌讳图切没了”——每条都标注了已验证结论再落入本期方案。别的项目踩过的坑是你最便宜的选型依据。第三P0-P2 分级 设计原则前置。方案开头五条设计原则“商品像素尽量不过生成器”“prompt 分层”“编造即违规参数/资质类信息只允许来自图中可见转写或用户输入缺失就降级占位”——原则是排序工具P0/P1 打架时按原则裁断。其中编造即违规直接对着电商假图红线参数卡的数据源只有两个——图中转写或用户输入AI 猜的不算数。八、第六步实测数据回写文档形成闭环这是整套方法论里最容易被跳过、但 ROI 最高的一步。看 PRD v1.3 的真实联调记录节选M1/M2 开发完成并真实 key 全流程联调通过三把密钥连通GLM-4.6V 需关思考模式640msGLM-Image 图生图参数形状实测可用新账户 glm-image 限流严格渲染并发降为 1 指数退避重试10/20/40/60s单套5 图实测8 分 27 秒符合 ≤10 分钟目标。一段话四类信息踩坑GLM-4.6V 要关思考模式——不记下来下次配环境再踩一遍约束新账户限流RPM严格出图并发一高就撞 429——所以渲染并发从设计值降为 1一张一张来退避序列定为 10/20/40/60 秒。这个约束后来直接影响了批量调度的并发上限设计默认 1、可配 1-3验收8 分 27 秒 vs ≤10 分钟目标——价值主张约 10 分钟得到整套详情页从此是实测背书不是营销话术修订渲染并发、重试策略、批量并发默认值全部因为这段实测回写而改变。文档的尊严是这么来的它的每个数字都有人在现场为其负责。反观大多数项目PRD 里的支持高并发直到上线都没人验证过。九、第七步质量兜底——把稳定性当需求做AI 应用和传统软件还有个区别你的依赖是概率性的。同一个 prompt这次返回合法 JSON下次裹一层 markdown 围栏这次商品一致下次铰链漂移。所以质量控制不是测试阶段的事是架构阶段的事。我们把四道闸做进了流水线结构化输出校验所有模型输出强制 JSON解析前剥围栏字段级容错模型输出key/label都能认失败自动重试——选型文档原话“这是 Agent 稳定性的第一道闸”。自检门限自检环节双图对比原图 vs 生成图商品保持度 fidelity 0.95 直接 fail对齐 OpenAI Image Evals 门限不通过自动重渲染且诊断 tags 回灌下一次重试——同参数重跑无意义是业内用教训换来的结论。编造拦截前面说的参数只来自图中转写或用户输入落到代码就是 KV 权威合并规则用户填的 AI 猜的AI 只补空。架构护栏约定即测试——app.go 不许 import gorm、新模型必须登记 AllModels、新增依赖必须登记 deps.yaml。上一篇专门讲过不展开。四道闸的共同哲学概率性依赖要用确定性工程兜底。十、总结一条可复制的落地路径整个路径画出来是这样把整个实战过程压缩成一张表阶段产出物核心动作① 需求活 PRD带修订记录拍板问题清单用户故事三段式明确不做清单② 选型选型对比 假设清单拆模型位多模型分层路由盲测验证后再定主推成本测算③ 决策ADR背景/决策/后果三段式后果里写代价和要守住的线④ 翻译变更提案Impact 到文件级能力规格声明零新增依赖声明写给 AI agent 也能执行的粒度⑤ 实施问题定位表 分级方案病灶锚定代码行号搬已验证设计P0-P2 设计原则⑥ 验收实测数据回写联调记录进 PRD 版本踩坑/约束/验收三类信息⑦ 兜底四道闸结构化校验自检门限 tags 回灌编造拦截架构护栏最后说三条 AI 时代特有的体会也是这篇最想传递的东西文档的读者变了。以前文档写给人看现在第一读者是 AI 编码 agent——Impact 要写到文件名约定要变成护栏断言问题要锚定到代码行号。文档质量的下限就是 AI 产出的上限。试错变便宜了先验证再拍板从美德变成了本分。盲测三个模型几十块钱联调一次半天。因为便宜所以必须做——省下的小钱都会在上线后变成大坑。代码是最便宜的部分想清楚最贵。这个项目真正的资产不是那几万行 Go 和 Vue是那份被实测反复修订过、每个数字都有人负责的文档体系。它保证了三个月后的任何人和任何 AI接手这个项目都能在半小时内获得作者当时三天的上下文。需求落地没有银弹但这条文档驱动 实测修订的路径是我们用一个月真实项目从构想到跑通验证过的实战。坑都替你们踩完了。如果这篇对你有启发点赞收藏关注三连。