這次我們來看一個結合了 Claude Code 和 Harness AI 的實戰項目目標是讓初學者也能上手開發 Java 電商后臺管理系統和 Python 智能客服應用。這不是一個純理論教程而是聚焦于如何利用最新的 AI 輔助編程工具降低開發門檻提升項目構建效率。對于初學者或希望提升開發效率的開發者來說最關心的問題通常是這些 AI 工具到底能不能用配置麻不麻煩能不能真正幫我寫出可運行的代碼本文會直接切入核心先告訴你 Claude Code 和 Harness AI 是什么、能解決什么問題然后通過兩個完整的項目實戰Java 電商后臺和 Python 智能客服手把手演示從環境搭建、代碼生成、調試到項目集成的全過程。你將看到 AI 如何輔助完成從數據庫設計、API 接口開發到業務邏輯實現的各個環節。本文的重點不是空談概念而是提供可落地的操作指南。無論你是想快速驗證一個想法還是希望將 AI 輔助開發融入現有工作流都可以從這里獲得直接的參考。1. 核心能力速覽在深入實戰之前我們先快速了解 Claude Code 和 Harness AI 這兩個核心工具的能力邊界和適用場景這有助于你判斷是否值得投入時間學習。能力項Claude CodeHarness AI核心定位專注于代碼生成、補全、解釋和調試的 AI 編程助手。一套包裹在 AI Agent 核心推理邏輯之外的基礎設施層用于管理 AI 工作流、工具調用和任務執行。主要功能在 IDE 中根據注釋或上下文生成代碼片段解釋復雜代碼查找 Bug代碼重構。定義和管理復雜的 AI 任務流程協調多個工具或 API 調用處理長期運行任務的狀態和記憶。集成方式通常作為 IDE 插件如 VSCode 擴展使用與編輯器深度集成。通常作為一個獨立的服務或框架通過 API 或 SDK 被主程序調用。硬件門檻無特殊要求依賴云端模型或本地部署的輕量級模型普通開發機即可運行。取決于集成的 AI 模型復雜度可能需要在服務器環境部署以支持穩定運行。啟動方式在 VSCode 等編輯器中安裝插件并配置 API 密鑰即可。需要通過代碼初始化 Harness 實例并配置相應的 AI 模型、工具和工作流。適合場景日常編碼輔助、學習新語言/框架、快速原型開發、代碼審查。構建復雜的 AI 應用如智能客服、自動化工作流、需要多步驟推理的任務。項目實戰目標我們將使用Claude Code作為“編碼副駕駛”快速生成 Java 和 Python 的項目骨架與核心代碼。同時引入Harness AI的概念和簡易實現來構建一個具備多輪對話、工具調用能力的 Python 智能客服應用。整個過程旨在展示“AI 輔助開發”的完整閉環。2. 適用場景與使用邊界了解工具的適用場景和邊界能幫助你更有效地利用它們避免走入誤區。Claude Code 最適合這些場景快速啟動新項目當你需要創建一個新的 Spring Boot 項目或 Flask 應用時Claude Code 可以根據你的描述快速生成pom.xml、application.properties、主啟動類等基礎文件。編寫樣板代碼例如生成實體類Entity、數據訪問層DAO/Repository、控制器Controller的增刪改查模板代碼能節省大量重復性輸入。學習和理解代碼遇到不熟悉的庫或復雜函數可以讓 Claude Code 解釋其作用和工作原理。調試與優化將報錯信息或異常堆棧提供給 Claude Code它可以提供可能的排查方向和修復建議。Harness AI在本實戰中的定位我們不會部署一個完整的、企業級的 Harness AI 平臺而是借鑒其思想——將 AI 的核心能力對話與外部工具如查詢數據庫、調用 API通過一個清晰的框架進行編排。在本教程的 Python 智能客服部分我們會實現一個簡易的“Harness”層來管理對話狀態和決定何時調用“商品查詢工具”。需要警惕的使用邊界不能完全替代思考AI 生成的代碼可能存在邏輯錯誤、安全漏洞或性能問題。你必須具備基礎的代碼審查和調試能力。業務邏輯需人工把控復雜的業務規則、算法核心、涉及資金或安全的關鍵邏輯必須由開發者親自設計和驗證。知識產權與合規確保生成的代碼不侵犯第三方版權特別是用于商業項目時。對于 AI 生成代碼的版權歸屬目前法律仍在發展中需保持關注。依賴管理AI 可能會推薦過時或不維護的庫你需要自行判斷和選擇穩定的依賴版本。本教程的實戰項目均在本地開發測試環境進行所有生成代碼需經過人工審核和測試后再用于生產環境。3. 環境準備與前置條件工欲善其事必先利其器。開始實戰前請確保你的開發環境滿足以下要求。3.1 基礎軟件環境操作系統Windows 10/11, macOS, 或 Linux (如 Ubuntu) 均可。本教程以通用命令為主。Java 開發環境JDK版本 8、11 或 17推薦 11 或 17。安裝后配置JAVA_HOME環境變量。Maven版本 3.6用于管理 Java 項目依賴和構建。IDEVisual Studio Code (VSCode) 或 IntelliJ IDEA。本教程使用 VSCode 進行演示因其與 Claude Code 插件集成方便。Python 開發環境Python版本 3.8 或 3.9。安裝后確保python和pip命令可用。包管理使用pip或conda。IDE同樣推薦 VSCode配合 Python 擴展。3.2 Claude Code 插件安裝與配置這是實現 AI 輔助編碼的關鍵步驟。安裝 VSCode從官網下載并安裝。安裝 Claude Code 插件打開 VSCode進入擴展市場 (CtrlShiftX)。搜索 “Claude Code” 或 “Claude”。注意截至本文撰寫時Anthropic 官方可能未提供同名插件。你需要搜索并安裝可靠的、支持 Claude 模型的代碼助手插件例如 “Claude for VS Code”如果有或選擇其他支持 Claude API 的插件如需要手動配置 API 的通用 AI 助手插件。一個常見的替代是安裝 “CodeGPT” 或 “通義靈碼” 等插件并在其設置中配置 Claude API。本教程假設你已安裝了一個能連接 Claude 模型如 Claude 3 Haiku/Sonnet的代碼助手插件。配置 API 密鑰你需要在 Anthropic 官網申請 API Key。在插件的設置中找到 API 配置項填入你的 API Key 和正確的 API 端點地址。3.3 網絡與依賴下載穩定的網絡連接Claude Code 插件通常需要訪問云端 AI 服務需保證網絡通暢。Maven 倉庫與 Pip 源建議配置國內鏡像源如阿里云、清華源以加速依賴下載。4. 項目一Java 電商后臺管理系統實戰我們將從零開始使用 Claude Code 輔助搭建一個具備基礎商品和訂單管理功能的 Spring Boot 后端系統。4.1 項目初始化與骨架生成目標快速創建 Spring Boot 項目結構。使用 Spring Initializr (傳統方式) 訪問 start.spring.io 選擇Project: MavenLanguage: JavaSpring Boot: 2.7.x 或 3.x (推薦 3.x)Dependencies:Spring Web,Spring Data JPA,MySQL Driver,Lombok下載并解壓到工作目錄。使用 Claude Code 加速 (演示) 在 VSCode 中打開項目根目錄。假設我們想快速創建一個Product實體類可以在src/main/java/com/example/ecommerce/目錄下新建文件Product.java。 在文件中輸入以下注釋然后觸發 Claude Code 的代碼生成通常是按CtrlI或根據插件提示// 創建一個JPA商品實體類包含id、名稱、描述、價格、庫存和創建時間字段。 // 使用Lombok注解簡化代碼。Claude Code 可能會生成類似如下的代碼package com.example.ecommerce; import jakarta.persistence.*; import lombok.Data; import org.hibernate.annotations.CreationTimestamp; import java.math.BigDecimal; import java.time.LocalDateTime; Entity Data Table(name products) public class Product { Id GeneratedValue(strategy GenerationType.IDENTITY) private Long id; Column(nullable false) private String name; Column(length 1000) private String description; Column(nullable false, precision 10, scale 2) private BigDecimal price; Column(nullable false) private Integer stock; CreationTimestamp private LocalDateTime createTime; }檢查生成的代碼確保導包正確jakarta.persistence.*適用于 Spring Boot 3.x如果是 2.x 則是javax.persistence.*。4.2 核心業務層代碼生成目標生成 Repository、Service 和 Controller。生成 Repository 在Product.java同級目錄創建ProductRepository.java輸入注釋// 創建一個JPA Repository接口用于商品數據訪問。生成代碼可能為package com.example.ecommerce; import org.springframework.data.jpa.repository.JpaRepository; import org.springframework.stereotype.Repository; Repository public interface ProductRepository extends JpaRepositoryProduct, Long { }生成 Service 創建ProductService.java輸入更詳細的注釋// 創建一個商品服務類包含以下方法 // 1. 獲取所有商品列表 // 2. 根據ID獲取單個商品 // 3. 創建新商品 // 4. 更新商品信息 // 5. 根據ID刪除商品 // 使用Service注解并注入ProductRepository。Claude Code 會生成包含基礎 CRUD 邏輯的 Service 類。你需要仔細審查業務邏輯特別是更新和刪除操作確保其符合你的需求例如更新時只更新非空字段。生成 Controller 創建ProductController.java輸入注釋// 創建一個RESTful API控制器路徑前綴為/api/products。 // 包含對商品資源的GET、POST、PUT、DELETE映射。 // 使用RestController注解并注入ProductService。 // 處理請求并返回適當的HTTP狀態碼。生成的 Controller 將包含GetMapping,PostMapping等端點。你需要檢查返回的數據格式如是否使用統一的響應封裝和異常處理。4.3 數據庫配置與測試配置application.properties 使用 Claude Code 輔助生成配置。你可以提問“如何配置Spring Boot連接本地MySQL數據庫數據庫名稱為ecommerce” 根據回答配置如下# application.properties spring.datasource.urljdbc:mysql://localhost:3306/ecommerce?useUnicodetruecharacterEncodingutf8serverTimezoneUTC spring.datasource.usernameroot spring.datasource.passwordyour_password spring.datasource.driver-class-namecom.mysql.cj.jdbc.Driver spring.jpa.hibernate.ddl-autoupdate spring.jpa.show-sqltrue spring.jpa.properties.hibernate.dialectorg.hibernate.dialect.MySQL8Dialect運行與測試在 MySQL 中創建ecommerce數據庫。在 VSCode 終端運行mvn spring-boot:run啟動應用。使用 Postman 或 curl 測試/api/products接口。例如創建商品curl -X POST http://localhost:8080/api/products \ -H Content-Type: application/json \ -d {name:測試商品,description:這是一個測試,price:99.99,stock:100}訪問GET http://localhost:8080/api/products查看列表。至此Java 電商后臺的核心商品管理模塊已快速搭建完成。你可以按照相同模式讓 Claude Code 輔助生成Order,User等更多實體和對應的業務層代碼。5. 項目二Python 智能客服應用實戰在這個項目中我們將構建一個更“智能”的應用。核心是利用一個大型語言模型LLM作為大腦并為其裝備“工具”如查詢商品信息通過一個簡易的Harness層來協調對話流程和工具調用。5.1 項目架構與 Harness 思想實現我們的簡易智能客服架構如下LLM 核心使用 OpenAI API (或 Claude API) 作為對話引擎。工具層定義客服可以使用的功能例如query_product查詢商品。Harness 層一個調度器。它分析用戶問題決定是否需要調用工具、調用哪個工具將工具結果整合后再交給 LLM 生成最終回復。應用層一個簡單的命令行或 Web 界面。5.2 環境搭建與依賴安裝創建新的 Python 項目目錄并安裝必要庫# 創建項目目錄并進入 mkdir smart_customer_service cd smart_customer_service # 創建虛擬環境 (可選但推薦) python -m venv venv # Windows 激活: venv\Scripts\activate # Linux/Mac 激活: source venv/bin/activate # 安裝核心依賴 pip install openai # 使用OpenAI API # 或者 pip install anthropic # 使用Claude API pip install pymysql # 用于連接MySQL數據庫模擬商品查詢 pip install fastapi uvicorn # 用于創建Web API可選5.3 核心代碼實現工具與 Harness模擬商品數據庫工具(product_tool.py) 我們先模擬一個商品查詢函數代替真實的數據庫操作。# product_tool.py product_database [ {id: 1, name: 智能手機, price: 2999.00, stock: 50, category: 電子產品}, {id: 2, name: 無線耳機, price: 399.00, stock: 200, category: 電子產品}, {id: 3, name: 編程書籍, price: 89.00, stock: 300, category: 圖書}, ] def query_product(product_nameNone, categoryNone): 查詢商品信息工具。 參數: product_name (str): 商品名稱關鍵詞 category (str): 商品類別 返回: list: 匹配的商品列表 results product_database if product_name: results [p for p in results if product_name.lower() in p[name].lower()] if category: results [p for p in results if category.lower() p[category].lower()] return results簡易 Harness 調度器(harness_scheduler.py) 這是本項目的核心它管理對話狀態并決定何時調用工具。# harness_scheduler.py import openai import json from product_tool import query_product # 配置你的 OpenAI API Key openai.api_key your_openai_api_key_here # 定義可用的工具列表供LLM知曉 available_tools [ { type: function, function: { name: query_product, description: 根據商品名稱或類別查詢商品信息如價格、庫存。, parameters: { type: object, properties: { product_name: {type: string, description: 商品名稱關鍵詞如‘手機’}, category: {type: string, description: 商品類別如‘電子產品’} } } } } ] class CustomerServiceHarness: def __init__(self): self.conversation_history [] # 存儲對話歷史 def process_user_query(self, user_input): 處理用戶輸入的核心方法 # 1. 將用戶輸入加入歷史 self.conversation_history.append({role: user, content: user_input}) # 2. 調用LLM并告知其可用的工具 response openai.ChatCompletion.create( modelgpt-3.5-turbo, # 或 gpt-4 messagesself.conversation_history, toolsavailable_tools, tool_choiceauto, # 讓模型自動決定是否調用工具 ) message response.choices[0].message # 3. 檢查LLM是否決定調用工具 if message.get(tool_calls): # 4. 執行工具調用 tool_call message.tool_calls[0] # 本例假設一次只調用一個工具 function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) if function_name query_product: # 調用我們定義的商品查詢工具 tool_result query_product(**function_args) result_str json.dumps(tool_result, ensure_asciiFalse) # 5. 將工具執行結果作為新消息追加到歷史 self.conversation_history.append(message) # 追加LLM要求調用工具的消息 self.conversation_history.append({ role: tool, tool_call_id: tool_call.id, name: function_name, content: result_str }) # 6. 再次調用LLM讓它結合工具結果生成最終回復 second_response openai.ChatCompletion.create( modelgpt-3.5-turbo, messagesself.conversation_history, ) final_message second_response.choices[0].message self.conversation_history.append(final_message) return final_message.content else: # 如果LLM沒有調用工具直接返回其回復 self.conversation_history.append(message) return message.content def reset_conversation(self): 重置對話歷史 self.conversation_history []5.4 測試智能客服創建一個簡單的測試腳本test_customer_service.py# test_customer_service.py from harness_scheduler import CustomerServiceHarness def main(): harness CustomerServiceHarness() print(智能客服已啟動輸入‘退出’結束對話。) while True: user_input input(\n用戶: ) if user_input.lower() in [退出, exit, quit]: print(客服: 感謝您的咨詢再見) break response harness.process_user_query(user_input) print(f客服: {response}) if __name__ __main__: main()運行測試python test_customer_service.py測試對話示例用戶: 你們有哪些電子產品 客服: 我們有以下電子產品智能手機價格2999元庫存50件無線耳機價格399元庫存200件。 用戶: 那本書多少錢 客服: 您說的編程書籍價格是89元目前庫存300件。這個對話展示了 Harness 的工作流程用戶問“電子產品”LLM 決定調用query_product(category電子產品)工具獲取結果后生成回復。用戶問“書”LLM 能聯系上下文調用query_product(product_name書)。6. 接口 API 與批量任務將上述能力封裝成 API 服務是實際應用的關鍵一步。同時客服系統可能面臨批量處理任務如批量導入知識庫。6.1 使用 FastAPI 暴露智能客服接口基于之前的CustomerServiceHarness類我們可以快速創建一個 Web API。# main.py (FastAPI 應用) from fastapi import FastAPI, HTTPException from pydantic import BaseModel from harness_scheduler import CustomerServiceHarness import uuid app FastAPI(title智能客服API) # 用一個字典來管理不同會話的Harness實例鍵為session_id session_harness_map {} class UserQuery(BaseModel): session_id: str None # 如果為空則創建新會話 query: str class QueryResponse(BaseModel): session_id: str response: str app.post(/chat, response_modelQueryResponse) async def chat(user_query: UserQuery): try: session_id user_query.session_id if not session_id or session_id not in session_harness_map: # 創建新會話 session_id str(uuid.uuid4()) session_harness_map[session_id] CustomerServiceHarness() print(f創建新會話: {session_id}) harness session_harness_map[session_id] response_text harness.process_user_query(user_query.query) return QueryResponse(session_idsession_id, responseresponse_text) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.delete(/session/{session_id}) async def end_session(session_id: str): if session_id in session_harness_map: del session_harness_map[session_id] return {message: f會話 {session_id} 已結束} else: raise HTTPException(status_code404, detail會話不存在) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)啟動服務python main.py。現在你可以用任何 HTTP 客戶端如 Postman與智能客服對話了。6.2 批量任務處理思路對于客服系統批量任務可能包括批量導入問答對將整理好的 QA 對導入系統知識庫。批量測試對話流用一組標準問題測試客服的回復準確率。實現思路設計任務隊列可以使用 Redis 的 List 或專業的任務隊列如 Celery。編寫任務處理器一個獨立的腳本或服務從隊列中取出任務調用CustomerServiceHarness進行處理并將結果存入數據庫或文件。任務示例批量測試# batch_tester.py import requests import time BASE_URL http://localhost:8000 TEST_QUESTIONS [ 電子產品有哪些, 最貴的商品是什么, 圖書庫存夠嗎 ] def run_batch_test(): session_id None results [] for q in TEST_QUESTIONS: payload {session_id: session_id, query: q} try: resp requests.post(f{BASE_URL}/chat, jsonpayload, timeout30) resp_data resp.json() session_id resp_data[session_id] # 沿用同一會話 results.append({question: q, answer: resp_data[response]}) print(fQ: {q}\nA: {resp_data[response][:50]}...) # 打印前50字符 time.sleep(1) # 避免請求過快 except Exception as e: results.append({question: q, error: str(e)}) # 結果可以寫入文件或數據庫 import json with open(batch_test_results.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(批量測試完成結果已保存。) if __name__ __main__: run_batch_test()7. 資源占用與性能觀察這兩個項目的資源消耗主要取決于你集成的 AI 服務運行方式。Java 電商后臺本地運行一個基礎的 Spring Boot 應用內存占用通常在 300MB - 800MB 之間取決于 JVM 堆設置和加載的數據量。CPU 占用很低。關鍵觀察點應用啟動時間、API 響應延遲應 100ms、數據庫連接池狀態。Python 智能客服本地運行API調用模式本地的 FastAPI 服務本身資源消耗極低 100MB 內存。主要的性能和成本來自對云端 LLM API如 OpenAI/Claude的調用。性能關鍵指標API 調用延遲一次完整的“用戶提問 - LLM思考 - (可能)工具調用 - LLM回復”流程通常需要 2-10 秒取決于模型和網絡。Token 消耗這是成本核心。輸入和輸出的總 Token 數決定了 API 調用費用。對話歷史越長Token 消耗越多。需要在harness_scheduler中考慮歷史消息的截斷或摘要策略。工具調用開銷本地工具如query_product執行很快但如果工具涉及外部網絡請求如查詢真實數據庫、調用第三方 API則會增加延遲。優化建議緩存對頻繁查詢的商品信息進行緩存。異步處理對于耗時長的任務如生成報告使用 FastAPI 的BackgroundTasks或消息隊列異步處理避免阻塞主請求。限制歷史長度在CustomerServiceHarness中可以只保留最近 N 輪對話或將很長的歷史總結成一段摘要再提供給 LLM。8. 常見問題與排查方法在開發和運行過程中你可能會遇到以下問題問題現象可能原因排查方式解決方案Claude Code 插件無響應或代碼生成失敗1. API Key 配置錯誤或失效。2. 網絡問題無法連接 AI 服務。3. 插件版本過舊或與 VSCode 不兼容。1. 檢查插件設置中的 API Key 和 Endpoint。2. 嘗試在瀏覽器中訪問 API 提供商官網測試網絡。3. 查看 VSCode 的輸出面板Output看是否有插件報錯日志。1. 重新生成并配置正確的 API Key。2. 檢查代理或防火墻設置。3. 更新插件或 VSCode 到最新版本。Java 項目啟動失敗報數據庫連接錯誤1. MySQL 服務未啟動。2.application.properties中的數據庫連接信息URL、用戶名、密碼錯誤。3. 數據庫驅動版本不匹配。1. 檢查 MySQL 服務狀態。2. 使用命令行工具如mysql -u root -p測試是否能連接。3. 檢查pom.xml中mysql-connector-java的版本是否與 MySQL 服務器版本兼容。1. 啟動 MySQL 服務。2. 修正連接配置。3. 調整驅動版本Spring Boot 3.x 通常使用mysql-connector-j。智能客服 API 返回“Internal Server Error”1. OpenAI/Claude API Key 未設置或錯誤。2.harness_scheduler.py中工具調用邏輯出錯。3. 請求超時。1. 檢查openai.api_key是否已正確賦值。2. 查看 FastAPI 服務的控制臺日志會有詳細的 Python 異常堆棧信息。3. 增加 API 調用的超時時間。1. 設置正確的 API Key。2. 根據日志修復代碼邏輯特別是工具函數的參數解析和調用。3. 在openai.ChatCompletion.create調用中增加timeout參數。LLM 不調用工具總是直接回答1. 工具描述 (description) 不夠清晰LLM 不理解何時使用。2. 用戶問題表述模糊LLM 無法提取調用工具所需的參數。1. 檢查available_tools中函數的description和parameters描述是否準確、具體。2. 在對話歷史中查看 LLM 返回的完整消息分析其思考過程如果 API 支持。1. 優化工具描述明確其適用場景。例如“當用戶詢問商品價格、庫存、有哪些商品時使用此工具”。2. 在用戶界面引導用戶問得更具體或在 Harness 層添加一個預處理步驟對用戶問題進行澄清或補全。對話上下文混亂LLM 忘記之前內容CustomerServiceHarness中的conversation_history無限增長導致超出模型上下文長度或被截斷。打印conversation_history的長度或 Token 數估算。實現歷史消息管理策略1.固定輪數只保留最近 N 輪對話。2.摘要將早期對話總結成一段文本替換掉詳細歷史。3.重要信息提取將關鍵信息如用戶名、商品ID提取出來單獨維護而非全部放在歷史中。9. 最佳實踐與使用建議為了更高效、安全地使用 AI 輔助開發遵循以下建議從小功能開始驗證不要一開始就讓 AI 生成整個系統。先讓它生成一個簡單的實體類或一個 API 端點驗證其正確性和風格是否符合你的項目。代碼審查是必須的將 AI 視為一個強大的實習生它寫的每一行代碼都需要你這位“導師”進行仔細審查。重點關注業務邏輯、錯誤處理、安全性和性能。為 AI 提供清晰上下文在使用 Claude Code 時通過注釋提供盡可能詳細的上下文。例如不只是說“生成一個 Service”而是說明“生成一個 ProductService需要包含根據名稱模糊查詢和分頁的方法”。管理好你的 API 密鑰與成本將 API Key 存儲在環境變量中不要硬編碼在代碼里。為云端 LLM API 設置用量告警和月度預算防止意外費用。在測試階段可以使用更便宜、更快的模型如 GPT-3.5-turbo。設計可降級的智能在智能客服這類應用中確保當 LLM API 不可用或返回異常時系統有降級方案例如轉接人工客服、返回預設的常見問題答案。關注數據隱私與合規避免通過 AI 助手處理敏感的個人信息如身份證號、銀行卡號。如果業務涉及需確保符合相關法律法規并考慮使用可本地部署的開源模型。持續迭代你的“Harness”本文實現的 Harness 是極簡版。在實際項目中你需要不斷豐富它例如增加更多工具查詢訂單、計算運費、優化工具調用邏輯、加入對話狀態管理、實現更復雜的工作流。通過本教程的實戰你應該已經掌握了利用 Claude Code 加速 Java/Python 項目開發以及構建一個具備工具調用能力的智能客服應用的核心方法。關鍵在于理解 AI 能力的邊界將其作為提升效率的杠桿而非替代你思考和設計的“黑箱”。從這兩個項目出發你可以繼續擴展電商后臺的功能如用戶認證、支付集成或為智能客服增加語音接口、情感分析等更高級的能力。