本文作者李玉涛Leo长春师范大学 数据科学与大数据技术专业 2027 届本科生辅修数学双学位。个人主页一.chat一.chat GitHubLeo-Li638https://github.com/Leo-Li638最近技术社区里有个帖子很火有人用 AI 一周写完了整个项目结果上线第一天就崩了。评论区一半在感慨AI 太猛一半在感慨果然如此。我的反应是不意外。而且我想讲一个可能有点反直觉的案例——我在一个教育系统里刻意没有用大模型而是用纯规则引擎做了核心功能。一、为什么有人一周就能写完一个项目先说句公道话AI 确实大幅降低了写出代码的门槛。需求描述清楚脚手架、CRUD、页面一天出个能跑的 Demo 很正常。但写出来和能上线之间隔着的东西恰好是 AI 最不擅长的边界情况用户输错、网络抖动、并发写同一份数据AI 生成的代码默认路径很顺异常路径常常是空的。一致性状态和流水对不上、缓存和数据库不一致这类 bug 不会在 Demo 里出现只在上线后出现。可解释性出了问题你得知道为什么是这个结果。一周写完的项目上线就崩崩的往往不是功能是这三件事。二、我的选择教育场景里不用大模型我做过一个 K12 教学管理平台SmartClass核心功能是根据学生的做题情况推荐他该练的薄弱知识点。很多人第一反应是这不就是推荐系统/大模型该干的事吗。但我最终用的是纯规则引擎理由有三条数据量不支持。单校场景的练习流水撑不起协同过滤的稀疏矩阵硬上模型只会输出玄学。教育场景要可解释。老师和学生需要知道为什么推这道题——“你的《一元二次方程》掌握度 42%低于班级均值推荐 3 道专项题”远比模型觉得你该做这道可信。零外部依赖。不调任何外部 AI 服务离线可跑成本为零。引擎的核心是两个基础数学工具用拉普拉斯平滑估计掌握度避免做 1 题对 1 题 100%的小样本抖动用艾宾浩斯遗忘曲线对历史练习做时间衰减久不复习的知识点自然沉底。数学双学位在这里第一次直接变成了工程产出。三、可解释不是一个加分项是某些场景的及格线在推荐商品、生成文案这类场景效果好不好就够了。但在教育、医疗、金融这些场景为什么和结果本身一样重要。AI 是工具不是银弹。判断一个功能该不该上模型我的经验是问三个问题数据量够不够支撑模型不够就别硬上。结果需不需要向用户解释需要的话可解释性优先。出错成本高不高高的话规则兜底比生成更稳。三个都是否那用 AI 提效没毛病只要有一个是是就该先想清楚怎么兜底。四、写在最后一周写完本身不是问题一周写完就敢上线才是。AI 把生产力拉满了但没有替你补齐工程判断——那部分还得自己来。这个项目的完整复盘和代码都在个人主页一.chat一.chat 上源码在 GitHubhttps://github.com/Leo-Li638。对 AI 落地的边界问题感兴趣的话欢迎交流。李玉涛Leo· 长春师范大学 · 数据科学与大数据技术 数学双学位 · 2027 届官方主页一.chat