1. 项目概述当传统开发框架遇上AI新浪潮去年年底我接手了一个内部管理系统的重构项目时间紧、任务重团队人手又有限。按照传统开发模式从需求梳理、原型设计、前后端编码到测试上线没个小半年根本下不来。但老板给的死线是三个月后必须看到核心功能上线。压力之下我决定不走寻常路尝试将我们团队用了好几年的老伙计——若依RuoYi框架与当下火热的AI能力进行深度结合。结果出乎意料原本预估需要大量人日的开发工作在“若依AI”的组合拳下效率呈指数级提升不仅三个月完成了核心模块甚至把2026年规划中的一些功能都提前实现了年度开发目标的90%就这样被“预支”了。这听起来有点玄乎但核心逻辑并不复杂。若依作为一个成熟的企业级快速开发平台提供了完备的后台管理骨架、丰富的组件和稳定的权限体系这是“地基”。而AI特别是本地化部署的大模型和各类AI自动化工具则成了最高效的“施工队”和“质检员”。两者的结合不是简单的功能叠加而是一种开发范式的转变从“人工砌砖”到“智能装配”。接下来我就把这三个月里趟出来的路、用到的工具、具体的实操步骤以及踩过的坑毫无保留地分享出来。无论你是正在使用若依、JeecgBoot等类似框架的开发者还是对AI赋能开发感兴趣的同行相信都能从中找到可以直接复用的经验。2. 核心思路拆解为什么是“若依AI”在决定采用这个方案前我花了大约一周时间进行技术选型评估。市面上有Spring AI、LangChain等更“原生”的AI集成方案也有直接调用云端大模型API的便捷路径。但我最终选择了以“若依为体AI为用”的本地化结合路线主要基于以下几点考量2.1 若依框架的定海神针作用若依的核心价值在于其“开箱即用”的完备性。它已经解决了企业应用中最复杂、最繁琐但价值密度相对较低的基础问题用户权限体系基于角色的访问控制RBAC做得非常扎实菜单、按钮、数据权限层层递进无需从零构建。后台管理骨架包括用户管理、部门管理、菜单管理、字典管理、参数配置等后台管理功能一应俱全这是任何管理系统的标配。代码生成器这是若依的招牌功能能根据数据库表结构一键生成前后端增删改查代码。虽然生成的代码比较基础但它提供了一个绝佳的“毛坯房”。技术栈稳定基于Spring Boot、MyBatis、Vue等主流技术栈社区活跃遇到问题容易找到解决方案。我的核心思路是绝不重造轮子。用若依快速搭建起系统的“骨骼”和“皮肤”而把有限的开发人力集中在业务逻辑这个“大脑”和“肌肉”的构建上。AI的作用就是加速“大脑”和“肌肉”的生成与优化过程。2.2 AI能力的精准切入维度AI不是万能的必须找到它能发挥最大效能的切入点。我主要将AI应用在以下几个维度与若依形成互补需求分析与原型设计辅助利用类似NotebookLM这样的AI笔记工具将零散、模糊的业务需求文档和会议记录“喂”给AI让它帮我梳理成结构化的功能清单、用户故事和实体关系图。这大大提升了需求沟通的效率和准确性。代码生成与增强这并非指替代程序员而是将若依代码生成器产生的“毛坯房代码”通过AI进行“精装修”。例如生成复杂的业务逻辑方法、单元测试用例、接口文档注释等。数据管理与分析自动化对于系统内需要智能处理的数据如文本分类、摘要生成、简单决策建议等通过集成本地大模型提供API服务在若依的服务层进行调用。测试与质量保障利用AI自动化测试工具针对若依生成的标准前端页面VueElement UI进行UI元素的智能识别和测试用例生成跑通核心业务流程的自动化测试。2.3 为何强调“本地大模型”在项目初期我也考虑过直接调用ChatGPT、文心一言等云端API。但很快排除了这个选项原因有三数据安全与隐私内部管理系统涉及大量公司运营数据这些数据绝不能出境。本地部署是红线。成本可控与稳定性云端API按调用次数收费在频繁使用的开发辅助场景下成本不可控。且网络稳定性也会影响开发体验。定制化与持续学习本地模型虽然能力可能稍弱但可以针对我们的技术栈Java, Vue, SQL和业务领域进行微调Fine-tuning让它生成的代码和建议更“对口”。因此我选择了在开发服务器上部署轻量级的开源大模型如Qwen通义千问的7B版本并通过Ollama这类工具进行管理。Ollama极大地简化了本地大模型的下载、运行和API暴露过程一条命令就能拉起一个模型服务。注意选择本地模型时务必权衡模型能力与硬件资源。7B参数模型在32GB内存的服务器上运行较为流畅适合代码生成和文本处理。如果硬件受限可以考虑更小的模型或使用量化版本如4bit量化但生成质量会有所下降。3. 环境搭建与工具链选型工欲善其事必先利其器。一套顺手的工具链是效率提升的基础。我的核心工具链如下工具类别具体工具用途备注基础开发框架若依RuoYi-Cloud微服务版项目主体骨架快速生成基础CRUD代码选择微服务版是为未来扩展考虑单体版同样适用此方案本地大模型服务Ollama Qwen-7B提供本地化的代码生成、逻辑解释、文档生成等能力Ollama管理模型Qwen-7B在代码和中文理解上表现均衡AI辅助分析NotebookLM或国内类似产品消化需求文档生成结构化功能清单和ER图草稿核心是它的“源”处理和多轮对话能力AI自动化测试基于Selenium的AI测试脚本对若依生成的标准化前端页面进行自动化冒烟测试利用AI视觉识别如Playwright的AI功能增强元素定位稳定性开发辅助Cursor / 通义灵码IDE插件用于日常代码补全、解释、重构作为Ollama服务的补充处理更琐碎的编码问题3.1 若依框架的初始化与定制这一步是基础但有几个关键点决定了后续AI集成的顺畅度。下载与部署从Gitee下载若依微服务版最新Release。按照官方文档使用Docker Compose或脚本启动Nacos、MySQL、Redis等中间件。这里建议使用Docker保证环境一致。数据库设计先行这是最重要的环节。AI辅助的起点是一份清晰的数据结构。我使用工具如Navicat Data Modeler先画出核心业务的实体关系图ER图。即使草图不完美也要有。然后将这个ER图描述和字段说明输入到NotebookLM或直接对话本地大模型让它帮我检查是否存在明显的范式问题或缺失字段并生成初步的建表SQL。使用代码生成器的技巧若依的代码生成器需要连接数据库中的表。建好表后在系统管理后台使用代码生成功能。关键技巧来了不要满足于直接下载生成的代码。而是将生成的前端Vue文件.vue和后端Java Controller、Service、Mapper文件作为“素材”提供给AI。实操示例我有一张project_info项目信息表。若依生成器会生成基础的列表、新增、编辑、删除功能。我将生成的ProjectInfoController.java和projectInfo.vue文件内容粘贴到与Ollama对话的客户端如Open WebUI或命令行并给出提示词“以下是一个基于若依框架生成的ProjectInfo控制层代码和前端Vue文件。现在需要增加一个‘复制项目’的功能其业务逻辑是在项目列表的操作栏添加一个‘复制’按钮点击后弹出一个简化表单仅需输入新项目名称提交后后端将复制原项目的所有基本信息除ID和名称外并将状态设置为‘草稿’。请根据若依框架的编码规范为我生成 1. 后端Controller层新增的接口方法Service层新增的方法及实现。 2. 前端在列表操作栏添加按钮并编写对应的弹窗组件和方法。 请确保生成的代码风格与现有代码保持一致。”通过这种方式AI就能在理解现有代码结构的基础上生成符合规范的增强代码我只需要做简单的调试和整合即可。3.2 Ollama部署与本地大模型集成这是AI能力的“发动机”。安装Ollama在开发服务器Linux上执行官方的一键安装脚本curl -fsSL https://ollama.com/install.sh | sh。拉取模型运行ollama pull qwen:7b。这会下载Qwen-7B模型。根据网络情况可能需要较长时间。运行模型服务ollama run qwen:7b。默认会在本地11434端口启动一个API服务。为了在若依后端调用我们需要其保持后台运行并可能需跨域。可以使用ollama serve命令结合systemd服务来管理。在若依后端集成在需要调用AI服务的Spring Boot模块如ruoyi-system中添加一个配置类使用RestTemplate或WebClient调用Ollama的API。// 示例一个简单的Ollama客户端配置 Component public class OllamaClient { private static final String OLLAMA_API_URL http://localhost:11434/api/generate; Autowired private RestTemplate restTemplate; public String generateCode(String prompt) { MapString, Object request new HashMap(); request.put(model, qwen:7b); request.put(prompt, prompt); request.put(stream, false); HttpHeaders headers new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); HttpEntityMapString, Object entity new HttpEntity(request, headers); ResponseEntityMap response restTemplate.postForEntity(OLLAMA_API_URL, entity, Map.class); if (response.getStatusCode().is2xxSuccessful() response.getBody() ! null) { return (String) response.getBody().get(response); } throw new RuntimeException(调用Ollama API失败); } }踩坑记录直接调用生成的代码可能包含不存在的导入或方法。我的经验是让AI“分步生成”。先让它生成Service接口方法定义我确认后再让它生成对应的实现类。对于前端先生成按钮和方法框架再生成弹窗组件。这样便于分段测试和纠错。4. 核心场景实操AI如何具体助力开发理论说再多不如一个实例。下面我以项目中一个真实的“智能合同评审意见提取”模块为例拆解全流程。4.1 场景描述与需求消化业务部门希望上传一份合同文本Word/PDF后系统能自动提取出其中的关键条款如付款方式、违约责任、保密期限等并生成结构化的评审要点供法务人员快速核对。传统做法我需要先研究合同解析的库如Apache POI, pdfbox然后编写复杂的文本解析和规则匹配逻辑规则会非常冗长且难以维护。AI辅助做法需求结构化我将业务部门提供的合同样本和他们的评审要点Excel上传到NotebookLM中。然后向它提问“请根据提供的材料总结出需要从合同中提取的字段清单并为每个字段给出定义和示例。” AI很快输出了一个结构化的JSON数组包含了字段名、描述、示例和在合同中的常见位置。技术方案设计我将这个JSON和需求描述一起抛给本地Qwen模型提示词为“我需要开发一个合同智能评审模块。后端是Spring Boot前端是Vue。合同文件上传后后端需要解析文本并根据以下字段清单进行信息提取。请为我设计技术方案包括表结构设计需与若依框架的sys_前缀主表区分、后端API接口定义、核心处理流程是否需要异步以及推荐使用的文本解析库。”AI返回的方案建议使用tika进行文件文本抽取核心处理使用CompletableFuture异步执行并给出了初步的contract_review_result表结构。这为我节省了大量的前期设计时间。4.2 代码生成与增强基于AI给出的方案和若依的代码生成器我快速生成了合同文件上传、结果列表展示的基础CRUD页面。接下来是核心的文本解析和AI提取逻辑。我编写了一个初步的、基于正则表达式的简单提取服务但效果很差。于是我转向本地大模型。我在Ollama的对话中提供了以下上下文一段示例合同文本。需要提取的字段列表。我写的基于正则的失败代码。然后提问“我的正则表达式方法无法准确提取‘保密期限’这种灵活描述的字段。请帮我编写一个使用Prompt工程的方法调用你自身作为API来从输入的合同文本中结构化地提取出目标字段。请给出Spring Service层的完整代码示例注意处理长文本的分段。”AI生成的代码骨架非常具有启发性。它建议将长合同按章节分割对每一段构造如下的Prompt发送给Ollama自身“你是一个合同分析专家。请从以下合同段落中严格按JSON格式输出信息。如果段落中不包含某项信息则其值为空字符串。字段包括payment_terms, liability_clause, confidentiality_period。合同段落[这里是分段文本]”然后在Service层我实现了调用上述OllamaClient的方法并发起多个异步请求处理不同段落最后合并结果。这个从“规则匹配”到“AI理解”的思路转变是项目的一个关键飞跃它让模块的准确率和泛化能力大大提升。4.3 前端交互优化若依生成的前端列表页面是标准的表格。现在我需要在一行结果中直观地展示AI提取的原始文本和最终人工确认的结果对比。我再次求助AI。我将生成的contractReviewResult.vue组件代码和Element UI的文档链接或描述提供给AI给出需求“在列表页的‘合同内容摘要’列不要直接显示长文本。改为一个‘查看详情’按钮点击后弹出一个对话框对话框内采用左右两栏对比布局左栏显示‘AI提取结果’高亮关键字段右栏显示‘人工确认结果’可编辑的表格。请生成这个弹窗组件的代码。”AI生成了使用el-dialog和el-row、el-col布局的完整Vue组件代码包括数据绑定和方法。我只需要稍作调整和样式美化一个专业的数据对比弹窗就完成了耗时不到半小时。4.4 自动化测试保障功能开发完后需要测试。我利用若依前端组件相对规范的特点尝试了AI自动化测试。我使用了一个结合了Selenium和视觉AI识别工具的测试框架例如使用Playwright的AI Locator功能。我录制了手动测试合同上传、列表查看、详情对比的流程然后将录制的脚本和若依前端页面的截图或HTML片段提供给AI测试工具让它学习并生成可维护的测试脚本。当后续若依框架版本升级或前端组件有微小改动时AI测试工具能够在一定程度上自适应地调整元素定位策略降低了UI自动化测试的维护成本。实操心得AI生成代码不是一蹴而就的“银弹”。它最擅长的是1. 根据清晰描述生成样板代码2. 提供多种实现思路供你选择3. 将复杂逻辑拆解为步骤。但最终代码的集成、调试、边界条件处理仍需开发者把关。我的角色从“码农”变成了“AI提示词工程师”和“代码架构审查员”。5. 效率提升量化与问题排查三个月下来我对效率的提升做了粗略的量化统计需求分析与设计阶段时间节约约40%。AI帮助快速梳理和澄清需求生成技术方案草稿。基础CRUD开发时间节约约60%-70%。若依生成基础代码AI完成增强和定制比纯手写快得多。复杂业务逻辑实现时间节约约30%-50%。AI能提供多种算法思路和代码片段但需要更多调试。文档编写时间节约约70%。基于代码注释让AI生成API文档和用户操作手册初稿。测试用例生成时间节约约50%。AI能根据功能描述生成主流程的测试用例。当然这个过程也非一帆风顺遇到了不少典型问题5.1 常见问题与解决方案问题现象可能原因排查与解决思路Ollama服务调用超时或无响应1. 模型未正确加载或内存不足。2. 提示词Prompt过于复杂模型生成时间过长。1. 检查Ollama日志ollama logs确认模型是否已加载。监控服务器内存使用情况考虑使用更小的量化模型。2. 简化Prompt将复杂任务拆分成多个简单请求。在代码中设置合理的超时时间如120秒。AI生成的代码编译报错1. 生成代码引用了不存在的类或方法。2. 代码语法符合规范但不符合项目特定约定。1.不要直接全盘复制。先让AI生成关键逻辑片段再由开发者嵌入到正确的位置。2. 在Prompt中明确约束“请使用Java 8语法”、“请遵循若依框架的Controller返回AjaxResult的格式”、“Service层方法需添加Transactional注解”。AI提取的合同信息不准1. 提示词定义模糊。2. 合同文本未做清洗包含太多噪音。3. 模型能力有限。1. 迭代优化Prompt使用“角色扮演格式指令示例”的模板。例如“你是一名资深法务请从文本中找出‘违约责任’条款并仅输出该条款的原文找不到则输出‘无’。”2. 在调用AI前对文本进行预处理去除页眉页脚、无关字符尝试按“条”、“款”进行初步分割。3. 对于关键字段可以采用“AI初筛 规则校验”的双重机制。前端AI测试脚本元素定位失败若依前端组件升级或自定义后AI训练的定位器失效。1. 优先使用相对稳定的定位策略如通过>本地大模型回答质量下降长时间运行后可能因显存/内存碎片导致。定期重启Ollama服务。对于生产环境考虑使用更稳定的模型服务化部署方案如通过OpenAI兼容的API接口部署模型。5.2 关于模型选择的再思考项目中期我曾尝试切换其他模型如CodeLlama、DeepSeek-Coder等专门针对代码的模型。我发现Qwen-7B在中文业务描述理解和通用代码生成上比较均衡适合本项目混合场景。CodeLlama-7B在生成纯代码片段尤其是算法和数据结构方面更专业但中文提示词理解稍弱。更小模型如3B响应速度极快但复杂逻辑生成能力有限适合简单的代码补全和格式转换。最终建议开发初期或硬件有限时可以从Qwen-7B开始。如果团队英文较好且专注于代码生成可以试试CodeLlama。务必准备一个“Prompt工具箱”将不同场景下验证有效的提示词保存下来不断迭代这是提升AI协作效率的核心资产。6. 进阶构想从“辅助开发”到“AI Agent”三个月的基础实践让我看到了更大的可能性。未来的方向是将“若依AI”的模式从“工具辅助”升级为“智能体Agent驱动”。需求-代码端到端Agent构建一个智能体它能够读取产品经理编写的用户故事User Story自动与若依的代码生成器、数据库设计工具交互生成符合规范的数据表、后端API和前端页面原型并自动发起一个Git Merge Request。开发者的工作变为审核和微调。Bug诊断与自动修复Agent在测试阶段当自动化测试或监控系统发现Bug时智能体可以自动分析日志、定位可能出错的代码模块并尝试生成修复补丁提交给开发者确认。个性化流程生成Agent对于若依框架内常见的审批流、报表配置等用户可以通过自然语言描述需求如“创建一个项目立项审批流程需要经过项目经理、部门总监、财务三方审批”Agent自动在若依的流程设计器中配置出对应的流程图和表单。实现这些构想需要更复杂的提示词工程、工具调用Function Calling能力以及若依框架更开放的API。这可能是我们团队明年重点探索的方向。回顾这三个月最大的收获不是提前完成了任务而是找到了一条在现有技术栈上拥抱AI的高效路径。它没有颠覆若依反而让若依这个“老将”焕发了新生。核心经验归结为一点将AI定位为“高级副驾”你仍需紧握方向盘掌控架构和业务明确目的地清晰的需求和设计但可以让AI帮你处理大量重复的、模式化的驾驶操作从而让你更专注于路线规划和应对复杂路况。对于正在使用类似快速开发框架的团队不妨从一个小模块开始尝试你会发现提升效率的钥匙可能就藏在“框架的稳定性”与“AI的灵活性”的结合之中。