一、背景：当AI接手软件开发，会发生什么？

想象这样一个场景：你有一个软件开发的好点子，比如“做一个待办事项的API（应用程序接口）”。你只需要把这个想法告诉AI，剩下的所有事情——创建代码仓库、搭建项目框架、编写代码、写测试、配置自动化流水线、生成安装包，甚至把安装包发布到指定服务器——都由AI自动完成。最终，你只需要等着收“安装包”就行。

这篇文章就是想通过一个真实的例子，展示如何用AI（这里用的是Claude Code）实现这个“一句话需求，自动出软件”的流程。为了让大家看得更明白，我们会简化一些配置，比如没有用复杂的配置文件来管理GitLab（一个代码托管平台）的登录信息，但核心思路完全保留。

为什么要这么做？
传统软件开发中，程序员需要手动完成大量重复工作：搭框架、配CI/CD（持续集成/持续交付）、写测试……这些工作不仅耗时，还容易出错。如果AI能自动完成，开发者就能把精力集中在更有创造性的需求分析和代码逻辑上，大大提升效率。

---

二、效果图：看看AI都干了哪些活

为了让结果更直观，我们先来看看AI自动生成的成果。下面这些截图和文件列表，展示了整个自动化流程的输出。

1. 生成的项目文件结构

运行 tree 命令，可以看到AI创建了一个标准的Python项目目录，包含源代码、测试、构建包、文档等：

root@demo:/app/autodevops# tree
.
├── build               # 构建过程中生成的临时文件夹
├── dist                # 生成的wheel安装包存放处
├── docs                # 项目文档，这里放了设计文档和实现计划
│   └── plans
│       ├── 2026-03-17-todo-api-design.md
│       └── 2026-03-17-todo-api-implementation.md
├── pyproject.toml      # Python项目的配置文件（相当于项目的“身份证”）
├── README.md           # 项目说明文件
├── release             # 最终要发布的安装包（从dist复制过来）
│   └── todo_api-0.1.0-py3-none-any.whl
├── src                 # 源代码目录
│   └── todo_api        # 我们的待办事项API主模块
│       ├── __init__.py
│       └── main.py     # 核心代码
├── tests               # 单元测试目录
│   ├── __pycache__     # Python编译的缓存文件
│   └── test_main.py    # 测试代码
└── todos.db            # 测试用的SQLite数据库文件

简单解释：

• src 里放的是你写的API代码。
• tests 里是自动生成的测试代码，用来确保API正确运行。
• dist 和 release 里是生成的安装包（wheel文件），你可以直接把它发给别人安装。
• docs 里是AI写的设计文档，记录需求分析和实现思路。

2. CI/CD流水线截图

CI/CD（持续集成/持续交付）是一条自动化流水线。每次你提交代码，GitLab Runner（一个执行任务的小工具）就会自动运行测试、构建包、发布。下图是流水线的两个阶段：

• 第一个截图展示了流水线执行成功，每个步骤都打了绿色对勾。
• 第二个截图是流水线的详细日志，可以看到它执行了哪些命令，比如安装依赖、运行测试、打包等。

3. GitLab上的仓库

AI自动把代码推送到了GitLab仓库，并配置好了CI/CD：

• 仓库主页显示项目文件，并且CI/CD状态是“passed”（通过）。
• Issues（问题）页面显示AI自动创建和关闭了两个issue（问题），用来跟踪任务进度。

4. 版本发布到指定服务器

最后一步，AI通过curl命令把生成的安装包上传到了一个指定的服务器上。下图是服务器接收文件的日志：

---

三、准备工作：在GitLab上搭好舞台

在AI开始工作之前，我们需要先在GitLab上创建空白仓库，并配置好GitLab Runner（相当于给流水线配一个“工人”）。这些操作只需要做一次，后续AI就可以重复使用。

1. 创建空的GitLab仓库

在GitLab上新建一个项目，比如 todo-api，保持为空。记录下项目ID和仓库地址，后面会用到。

2. 安装并注册GitLab Runner

GitLab Runner是一个轻量级服务，负责执行CI/CD任务。我们需要在一台机器（或容器）上安装它，并让它和GitLab建立联系。

第一步：获取注册token
在GitLab仓库的 Settings > CI/CD > Runners 里找到注册token。这个token是Runner和GitLab之间的“密码”。

第二步：安装Runner
在Ubuntu机器上执行以下命令：

# 下载GitLab Runner的安装包
curl -LJO "https://gitlab-runner-downloads.s3.amazonaws.com/latest/deb/gitlab-runner_amd64.deb"
# 安装
dpkg -ivh gitlab-runner_amd64.deb

第三步：注册Runner
使用刚才获取的token，将Runner注册到GitLab：

gitlab-runner register \
  --url "http://<你的GitLab服务器地址>:3080/" \
  --registration-token "GR1348941pikmZyPJ9Fnysb1tc6z_"   # 替换成你的token

注册过程中会要求选择执行器（executor），我们选择 docker，并指定默认镜像为 python:3.12。这样每次运行流水线时，都会在一个全新的Python 3.12容器中执行。

第四步：修改配置解决克隆问题
由于网络原因，有时Runner从GitLab克隆代码会失败。需要修改Runner配置文件 /etc/gitlab-runner/config.toml，增加 clone_url 字段，指向GitLab的访问地址：

[[runners]]
  name = "my-runner"
  url = "http://<GitLab服务器地址>:3080/"
  clone_url = "http://<GitLab服务器地址>:3080/"   # 加上这一行
  token = "glrtr-PwMctDNIbgVBf4T9qM9-JG86MQpwOmcKdDozCw"
  executor = "docker"
  [runners.docker]
    image = "python:3.12"
    ...

第五步：启动Runner并验证

gitlab-runner start
gitlab-runner status   # 应该显示 running

回到GitLab的Runner页面，你会看到刚刚注册的Runner状态变为绿色（可用）。

---

四、给AI的提示词：清晰的需求说明书

现在舞台已经搭好，轮到AI登场了。我们需要给它一份详细的“任务说明书”，告诉它要做什么。下面就是给Claude Code的提示词原文，我会在每段旁边加上“为什么这么写”的解释。

（一）需求描述

为什么需要这节？
AI必须清楚你要开发什么，用什么技术。所以先定义清楚。

### 1、环境
- 开发语言:python
- 运行环境:Ubuntu 24.04 LTS、Python 3.12
- 技术选型:FastAPI

• 开发语言：Python是AI需要使用的编程语言。
• 运行环境：最终代码会在Ubuntu 24.04 + Python 3.12上运行，所以AI要保证兼容性。
• 技术选型：FastAPI是一个现代Python Web框架，用来快速构建API。

### 2、功能介绍
- 待办事项REST API: 创建、读取、更新、删除 (CRUD)。
- 本项目旨在验证自动化端到端全流程，功能上不需要复杂的设计。

• 功能：CRUD是最经典的API示例，简单但完整。用来演示流程足够了。
• 目的：再次强调，这不是一个复杂项目，重点是演示自动化流程。

（二）代码管理

为什么需要这节？
AI需要知道代码存放到哪里，以及如何与GitLab交互。

### 1、gitlab配置
GITLAB_URL=http://<GitLab服务器地址>:3080
GITLAB_TOKEN=glpat-d1825zPNKKHWxhajtNGu
代码仓库: http://<GitLab服务器地址>:3080/autodevops/todo-api.git
gitlab用户名：XXX
gitlab密码: XXX

• GITLAB_URL：GitLab的访问地址。
• GITLAB_TOKEN：私有访问令牌，相当于AI的“密码”，用来调用GitLab API。
• 代码仓库：要操作的仓库地址。
• 用户名/密码：备用登录方式（实际项目中更推荐用token）。

### 2、gitlab issues管理
* 创建issues
curl --request POST --header "PRIVATE-TOKEN: glpat-d1825zPNKKHWxhajtNGu" \
	--data "title=测试&description=测试issue" \
	"http://<GitLab服务器地址>:3080/api/v4/projects/<仓库ID>/issues"

* 查询打开的issues
curl --header "PRIVATE-TOKEN: glpat-d1825zPNKKHWxhajtNGu" \
		 --url "http://<GitLab服务器地址>:3080/api/v4/projects/<仓库ID>/issues?state=opened"
* 关闭issues
curl --request PUT --header "PRIVATE-TOKEN: glpat-d1825zPNKKHWxhajtNGu" --data "state_event=close" \
	--url "http://<GitLab服务器地址>:3080/api/v4/projects/<仓库ID>/issues/1"

• 这些curl命令演示了如何通过GitLab API操作issues。AI可以用它们自动创建任务、跟踪进度、最后关闭完成的任务。这样整个开发过程都记录在GitLab里，便于追溯。

（三）项目管理要求

为什么需要这节？
这是整个自动化的核心，告诉AI要完成哪些具体任务，每个任务怎么做。

根据功能需求，构建一个从零开始的软件项目，涵盖版本控制、框架搭建、测试驱动开发、CI/CD集成及发布包生成的全流程。具体要求如下：

• 1. Git仓库管理
  • 使用gitlab配置信息里的todo-api仓库(目前为空)
  • 整个开发过程使用Git进行版本控制，提交信息清晰规范。

解释：AI要像一个负责任的开发者，把每一步改动都提交到Git，并写清楚提交信息，方便以后查看历史。

• 2. 测试用例与单元测试
  • 编写核心功能的测试用例（单元测试），使用pytest测试框架。
  • 确保测试覆盖关键业务逻辑，并包含边界情况。

解释：测试是为了保证代码正确性。AI要自动生成测试代码，比如测试创建待办事项时，传入非法数据API能不能正确处理。这样后续修改代码时，一跑测试就知道有没有破坏原有功能。

• 3. GitLab Issue集成
  • 在GitLab中为项目创建Issue模板，用于记录和跟踪bug。
  • 配置流程，使得代码提交可以关联Issue（例如在提交信息中引用Issue ID）。

解释：在GitLab里创建issue（问题），可以像待办事项一样管理任务。AI创建issue后，后续的代码提交可以关联这些issue（比如提交信息里写“Closes #1”），这样issue会自动关闭，开发进度一目了然。

• 4. CI/CD自动化测试
  • 配置CI/CD流水线（如GitLab CI），在每次推送时自动运行所有单元测试。
  • 流水线应包含测试阶段，并生成测试报告（可选）。

解释：配置 .gitlab-ci.yml 文件，告诉GitLab Runner每次代码推送后做什么。比如先安装依赖，再运行 pytest。如果测试失败，流水线会红掉，提醒你代码有问题。

• 5. 发布包生成与归档
  • 当所有测试通过后，流水线自动构建发布包（Python的wheel包）。
  • 将生成的发布包上传到服务器:curl -F "file=@release/<文件名>" http://<发布包服务器>:8000/<当前日期>/<文件名>

解释：测试通过后，AI会自动用 python -m build 生成wheel包（一种Python安装包格式）。然后通过curl命令上传到指定的发布服务器，这样其他人就可以直接下载安装了。

• 6. 任务完成确认
  • 所有步骤完成后，输出一条明确的消息

解释：这是给用户的最终反馈，告诉你一切都搞定，可以去拿安装包了。

请以清晰、可执行的步骤输出整个过程的详细说明，包括所需的命令、代码片段、配置文件示例（如 `.gitlab-ci.yml`、测试文件、主程序文件等），并确保符合现代软件开发最佳实践。

（四）注意事项

• 如果使用gitlab SDK,请将SDK返回URL中的IP修改为<GitLab服务器地址>(内外网不一样)
• CI/CD使用python:3.12镜像

解释：因为内外网IP可能不同，直接使用SDK返回的IP可能导致访问失败，需要替换为可访问的地址。另外明确流水线容器镜像，保证环境一致。

---

五、结语：让AI成为你的开发助手

通过这个例子，我们看到AI不仅能写代码，还能自动完成整个软件开发流程：从初始化项目、写测试、配CI/CD，到最终生成安装包并发布。你只需要清晰地描述需求，剩下的交给AI。

当然，这只是一个开端。随着AI能力的增强，未来我们可能只需要说一句话，AI就能自动拆解需求、设计架构、编写代码、测试、部署……整个软件工程将进入“自动驾驶”时代。

如果你也想尝试，可以按照上面的步骤准备环境，然后给AI一份类似的提示词，看看它能不能为你自动构建一个项目。欢迎在评论区分享你的实践成果！

---

注：本文中的所有IP地址、token等均为示例，实际操作时请替换为你自己的真实信息。