1. 从画笔到代码一个美术生的“甲方”初体验“当甲方很快乐”这句话在项目群里通常是程序员们带着复杂心情发出的调侃。但作为一个纯正的美术生我从未想过有一天这句话会从我嘴里说出来而且是在一个涉及AI、AR和智能眼镜的“硬核”技术项目里。这一切发生在短短五个小时内。我的专业是视觉传达日常就是和PS、AIAdobe Illustrator此AI非彼AI、数位板打交道。代码对我而言就像是另一种语言写的天书。然而公司最近接了一个为大型仓储物流中心做概念验证的活儿核心是探索AI眼镜在仓库拣货与盘点中的应用。团队里懂算法的同事被另一个紧急项目抽走老板看着我桌上最新款的AR眼镜原型机半开玩笑地说“你审美在线又最懂用户体验要不……你试试用现在那些‘低代码’、‘AI开发’平台把咱们之前讨论的那个AR导航叠加AI识别的Demo搭出来就模拟一下从A区到B区路上识别货箱并高亮显示目标货箱这个流程。”我当时的第一反应是老板你认真的吗让我一个画画的去搞AI开发但看着他那“我相信你可以”的眼神以及“反正就5小时搞不出来也没关系就当熟悉下新技术”的免责声明我硬着头皮接下了这个“甲方”任务——毕竟这次的需求方是我自己。我的武器库只有一台电脑一些关于“低代码”、“AI应用开发”、“AI Agent”的网络搜索记录以及一颗不想认输的心。接下来的五小时是一场从茫然到兴奋从绝望到狂喜的极限过山车。我发现当技术门槛被极大地降低当“开发”从写代码变成拖拽、配置和与AI对话一个创意者所能爆发出的能量超乎想象。这不是一个严谨的教程而是一个“外行”用最野路子在5小时内征服多个技术概念的奇遇记录里面充满了误打误撞的惊喜和哭笑不得的坑。2. 开局一头雾水在“低代码”与“AI开发平台”的迷宫中定位坐在电脑前第一个问题就来了从哪开始我知道关键词是“低代码”和“AI开发平台”。但搜索之后我陷入了更深的困惑。阿里云宜搭、腾讯云微搭、还有各种我听都没听过的“斑斑低代码”、“前几年搞低代码平台的创业公司”……它们看起来都像是我需要的但又似乎完全不同。2.1 理解“低代码”与“AI开发平台”的本质区别我的第一个重大认知纠偏是弄明白了“低代码”和“AI开发平台”虽然常被一起提及但核心解决的是不同问题。这花了我将近半小时阅读和对比。低代码平台它的核心是“快速构建应用”尤其是企业管理类应用OA、CRM、ERP等。它通过图形化拖拽组件如表单、按钮、表格和配置业务逻辑流来替代传统的编写大量基础代码。比如我想做一个仓库入库单审批流程用低代码可能只需要拖一个表单设计器、连一个审批人节点、再配置一下数据库字段就完成了。它关注的是业务流程的数字化和自动化。搜索时看到的“低代码平台中的视图模型”、“柱状图自动弹出数能不能给关了”这些问题都非常“业务系统”离我的“AIAR”场景有点远。AI开发平台它的核心是“赋能AI能力”让开发者甚至非开发者能够更容易地使用、微调或部署人工智能模型。它提供的是像视觉识别、语音交互、自然语言处理、智能决策Agent这样的能力。比如我想让我的应用能识别货箱上的文字就需要调用某个AI开发平台提供的OCR文字识别API。它关注的是智能能力的集成与调用。我的项目呢既要“应用”一个能跑在AR眼镜里的界面和逻辑又要“AI”识别货箱。所以我需要的可能不是一个单纯的平台而是一个组合方案用某个相对灵活的应用开发工具可能是轻量级低代码也可能是更偏向前端的框架搭建AR眼镜的应用界面和基础逻辑同时接入一个AI开发平台提供的视觉识别服务。2.2 我的野路子选型逻辑时间紧迫容不得我系统学习。我的选型原则变得非常功利能否快速上手文档是否清晰有没有现成的模板或Demo社区是否活跃是否支持AR眼镜我的目标设备是特定的AR眼镜比如Rokid、RealWear或微软HoloLens平台或方案是否需要特殊的SDK或适配AI能力接入是否方便能否以最简单的方式比如一个API调用接入我需要的图像识别功能基于这三点我排除了那些需要复杂企业账号申请、专注于内部流程管理的重型低代码平台。我也暂时搁置了需要从零学习Python或Java去训练模型的“AI大模型开发”路线。我的目光投向了两类产品面向AI应用的原型工具例如一些国内的AI应用开发平台它们提供了将AI模型如对话、识别封装成可交互应用界面的能力有时甚至支持简单的逻辑编排。跨平台前端框架云AI服务例如使用Unity对游戏引擎它其实对美术很友好或React Native这类工具开发一个简单的AR应用界面然后通过HTTP请求调用像阿里云、百度云或腾讯云提供的、开箱即用的视觉识别API。最终我选择了一条“缝合怪”路线用一个对设计者友好的交互原型工具类似Figma但能输出真机可运行代码的进阶版快速搭建UI和页面流同时在工具里用“自定义代码”模块调用一个提供免费试用额度的云AI服务API。这样我就能在5小时内看到一个“有形且能动”的东西。3. 五小时极限冲刺拆解“AR导航AI识别”Demo目标明确了做一个在AR眼镜屏幕上显示虚拟箭头指引同时摄像头扫描到目标货箱时能在其周围显示高亮框的Demo。3.1 第一步构建静态场景与UI用时1.5小时作为美术生这是我的舒适区。我打开选定的原型工具假设它叫“CoDesign”。创建场景我导入了仓库的简单平面图作为背景。绘制UI元素导航箭头一个简单的3D箭头模型我设置它的初始状态为隐藏。信息面板一个半透明的浮动面板用于显示当前任务如“前往B-12区”和识别结果。高亮框一个红色的矩形线框用于标记识别到的目标货箱。设置页面流我设计了两个主要“状态”。状态一导航中。信息面板显示“正在前往B-12区”导航箭头根据预设路径我简单模拟了从A点到B点的直线动态更新位置和旋转角度指向下一个拐点。这里我用到了工具的“动画”和“智能动画”功能通过关键帧来模拟移动而不是真写代码计算路径。状态二识别到目标。当触发“识别”事件我暂时用一个手动按钮模拟后信息面板内容切换为“已定位目标货箱B-12-05”高亮框显示在屏幕中央的某个位置模拟摄像头捕捉到的位置。注意这里最大的“坑”是坐标系统。AR眼镜的屏幕坐标2D和现实世界坐标3D的映射在真正的开发中需要SLAM同步定位与地图构建技术。为了Demo我粗暴地假设摄像头画面就是屏幕目标货箱出现在画面固定位置。这是美术生思维的“取巧”也是原型与产品的巨大鸿沟。3.2 第二步接入AI识别能力用时2小时这是最让我头疼也最终带来最大惊喜的部分。我需要让应用能“看懂”摄像头画面里的货箱。寻找合适的AI服务我搜索了“AI视觉识别 API 免费试用”找到了几家大厂的服务。对比后选择了一家因为它有清晰的“物体检测”API文档且每天提供一定次数的免费调用。理解API调用文档里通常有一个curl命令示例。我看不懂但工具的模式让我只需要关注几个关键点Endpoint请求地址一个URL。Header请求头里面要包含一个叫Authorization的东西值是Bearer你的API_Key。这个Key在注册平台后就能获得。Body请求体我需要把图片数据传过去。文档说可以传图片的URL或者直接传图片的base64编码一种把图片变成一长串文本的方法。在原型工具中“拼装”我在“识别”按钮的点击事件上添加了一个“HTTP请求”动作。按照文档填好URL。在Headers里添加Authorization: Bearer sk-my-test-key-123456示例。最麻烦的是图片。我没有真实的摄像头流。于是我又“作弊”了我预先准备了几张包含不同货箱的仓库照片上传到图床获得URL直接把URL作为请求参数固定写死。或者更“动态”一点我让工具在点击按钮时自动将当前屏幕截图模拟摄像头画面转换成base64然后填到请求体里。这个“截图转base64”功能居然在工具的内置函数库里找到了处理返回结果API的返回是一段JSON数据对于美术生来说这就像一段结构化的文字描述。它可能长这样{ code: 0, msg: success, data: { objects: [ { label: cardboard_box, score: 0.95, bbox: [120, 80, 300, 400] // 代表框的左上角x,y和右下角x,y坐标 }, // ... 可能还有其他识别到的物体 ] } }我需要从这个JSON里取出label是cardboard_box纸箱且score置信度最高的那个对象的bbox坐标。让高亮框动起来工具提供了“解析JSON”的功能。我设置了一个变量target_bbox来存储解析到的坐标[120, 80, 300, 400]。然后将高亮框组件的位置和大小属性绑定到这个变量。当API返回数据并解析后高亮框就自动跳到了对应的屏幕位置。当点击按钮看到高亮框真的根据“AI识别结果”移动到图片中货箱的位置时那种感觉难以言喻——我一个美术生没有写一行传统意义上的代码却让AI听我指挥了。3.3 第三步串联逻辑与模拟数据用时1小时现在我有了一堆散落的“积木”会动的箭头、会跳的框、一个能调AI的按钮。我需要把它们连成一个完整的故事。状态管理我设置了两个全局变量app_state值为navigating或identifying和target_position存储高亮框坐标。逻辑串联应用启动app_state “navigating”导航箭头开始动画。我模拟了一个“到达目标区域”的事件比如一个倒计时结束或者手动点击一个“已到达”按钮。触发后app_state “identifying”导航箭头隐藏信息面板更新为“开始扫描货箱...”。用户演示者点击“识别”按钮触发HTTP请求获取AI结果更新target_position高亮框显示。同时信息面板更新为“目标货箱已高亮”。打磨与模拟为了演示更流畅我预设了几组不同的target_position坐标和对应的货箱图片在点击“识别”时随机轮换模拟识别到不同货箱的效果。我还给所有状态切换加上了简单的淡入淡出动画。4. 踩坑实录理想与现实的差距这5小时并非一帆风顺几乎每一步都有“坑”这些坑恰恰是传统开发中习以为常但对新手来说宛如天堑的细节。4.1 网络请求的异步之殇我最初以为点击按钮 - 调用API - 立刻更新界面是一条直线。实际上网络请求是“异步”的。意思是点击按钮后程序说“我去发个请求”然后就继续往下执行了不会傻等结果。这导致我的高亮框总是在AI结果回来之前就试图用一个空的位置坐标去更新然后报错。解决方案在工具的HTTP请求动作配置中我找到了“成功回调”和“失败回调”。我需要把“更新高亮框位置”和“更新信息面板”这两个操作从主流程里拖出来塞进“成功回调”函数里。这意味着只有API成功返回数据后这些界面更新才会发生。这是我学到的第一个重要的编程概念——异步回调。4.2 坐标系统的转换陷阱我成功让高亮框在屏幕上跳了起来但很快发现不对。AI API返回的bbox坐标[x1, y1, x2, y2]通常是基于输入图片的像素坐标系。而我的UI组件的位置可能是基于屏幕百分比、绝对像素值或者是另一套相对坐标。直接赋值会导致框的位置错乱。解决方案我需要一个转换函数。比如API返回的坐标是基于800x600的图片而我的AR眼镜屏幕分辨率是1920x1080。那么高亮框的左边距应该是(x1 / 800) * 1920。我在工具的自定义代码区域写了一个简单的JavaScript函数来做这个比例换算。这让我意识到数据格式和坐标系的统一是集成不同模块时最琐碎也最关键的一步。4.3 AI模型的“偏见”与局限我用自己网上找的仓库图片测试识别率不错。但当我兴冲冲地想用手机拍一下办公室的纸箱试试时识别结果要么是“椅子”要么置信度很低。这是因为云服务提供的通用“物体检测”模型是在海量通用数据集COCO等上训练的它对“在仓库环境下的、特定摆放角度的、贴有复杂标签的货箱”特征学习不足。解决方案对于真正的项目这条路走不通。要么1使用该AI平台提供的自定义模型训练功能上传几百张自己仓库的货箱图片进行微调要么2寻找行业垂直的、专门针对物流仓储场景优化过的AI服务商。这远远超出了5小时Demo的范畴但它点明了AI应用落地的核心现成的通用模型往往不够用领域定制化是关键。4.4 性能与真机部署的鸿沟我的Demo在原型工具的预览窗口里跑得很流畅。但我知道这只是“预览”。一旦要打包成真正的应用部署到AR眼镜通常是Android系统上问题会接踵而至HTTP请求的延迟在移动网络下是否可接受连续调用API的电量和流量消耗如何UI动画在真机上是否依然流畅原型工具生成的代码是否足够优化这些我都没有答案。这个Demo的价值在于快速验证想法和交互逻辑在于让业务方甚至是我自己在投入大量工程资源前看到一个“活”的、可交互的概念。它是一个沟通工具一个设计验证工具而非一个产品原型。5. “甲方”的快乐与思考低代码/AI开发平台改变了什么五小时到点我向老板展示了一个可以点击交互、有动画、能“调用AI”识别图片并高亮目标的AR应用原型。虽然它漏洞百出离真正可用差十万八千里但所有人都震惊了。一个美术生在这么短的时间内竟然串起了一条从UI设计、逻辑编排到AI能力调用的完整链路。这种“甲方”的快乐源于以下几点创意的快速具象化我不再需要先花几周学习编程再和工程师反复沟通需求、等待排期。想法可以直接变成可交互的东西。这极大地压缩了从“点子”到“原型”的路径让创意验证变得极其高效。对核心逻辑的聚焦我不必纠缠于内存管理、线程同步、网络框架等底层技术细节。我可以把几乎全部精力都放在业务逻辑和用户体验上导航箭头该怎么动更自然识别结果如何展示更清晰状态切换的动画怎么才不突兀这让我这个“产品设计师”的角色得以真正贯穿始终。与技术的平等对话当我拿着这个Demo去和后来的工程师沟通时我不再说“我想要一个能识别货箱的功能”而是说“你看我在这里调用了这个API它的返回格式是这样的但我需要你把坐标转换一下并且考虑一下网络延迟时的加载状态”。沟通效率提升了不止一个量级。当然狂喜之后是冷静的思考。这5小时的奇遇并不能让我转型为AI开发工程师。它揭示的是一种新的生产范式而非职业的替代。对于中小企业或初创团队正如热搜词里提到的“缺资金、缺人才、缺技术”这类低代码/AI开发平台极大地降低了创新试错的门槛。你可以用极小的成本快速验证一个涉及AI或复杂逻辑的产品创意拿到投资或内部支持后再投入专业力量进行工业化开发。对于专业开发者这不是威胁而是生产力的解放。平台生成的代码或搭建的应用往往可以作为高质量的“脚手架”或“前端原型”。开发者可以专注于更底层的算法优化、性能调优、系统架构和定制化深度开发把重复性的、标准化的界面和业务逻辑搭建工作交给工具或更广泛的“公民开发者”。对于像“AI Agent”这样的前沿概念这些平台可能成为构建和测试Agent工作流的绝佳沙盒。你可以用图形化的方式编排Agent的感知、决策、行动链条快速验证其在不同场景下的有效性而无需先搭建复杂的技术环境。回到最初的问题AI开发用Java还是Python需要哪些技术栈对于想从事专业AI应用开发的人来说这依然是核心问题。Python在算法原型和数据处理上优势明显Java在大型企业级后端服务中地位稳固。你需要数据结构、算法、机器学习基础、至少一门主力语言、框架知识等等。但我的5小时经历说明了另一条路如果你是一个业务专家、产品经理、设计师或者是一个资源有限的创业者你的目标不是成为算法科学家或架构师而是快速将AI能力与具体业务场景结合创造价值。那么熟悉几个主流的低代码/AI开发平台理解它们的能力边界和集成方式学会“像甲方一样思考并快速验证需求”可能是一项比精通某种编程语言更立竿见影的技能。这五个小时我并没有学会写代码但我学会了如何“驾驶”一套强大的工具去实现我的创意。当技术的大门以这种方式打开快乐确实属于每一个能清晰表达需求的“甲方”。