小姨子当面 Diss 我：“现在都 AI 编程了，你学技术还有什么用？” 我冷笑：“被 AI 牵着鼻子走是吧？”

大家好，我是程序员鱼皮。

用 AI 编程做项目的时候，你一定会遇到各种没见过的技术名词。

比如 AI 跟你说：用 Next.js 搭前端，Prisma 连数据库，部署到 Vercel。

你一脸问号：这都是啥？算了，让 AI 干就完了，我不用管……

但问题是，如果你对这些技术完全没概念，跟 AI 沟通时就说不清楚自己想要什么，AI 选错了方向你也判断不出来。

我之前做项目就遇到过，AI 给我用了一个很冷门的数据库方案，我不了解就直接用了，结果后面想加功能的时候发现生态太差，很多东西没有现成方案，只能推翻重来。

所以我写了这篇文章，帮你把 AI 编程时代最核心的技术梳理一遍。你不需要深入学习每一个技术，但至少要知道它们是干嘛的？什么时候该用？做技术选型的时候心里有数就行。

一、编程语言

首先，你必须了解 AI 编程中最常用的 2 套编程语言。

1、JavaScript / TypeScript

JavaScript 最早是给浏览器用的语言，负责网页上的各种交互效果。后来 Node.js 的出现让它也能跑在服务器上写后端，于是 JS 变成了前后端通吃的全栈语言。

TypeScript 是 JavaScript 的增强版，给每个变量都标注了类型，写代码时编辑器就能帮你检查错误。

现在 AI 生成代码默认就会优先用 TypeScript，因为有了类型信息后，AI 理解代码的上下文更准确，生成的代码质量也更高。

如果你想做网站相关的项目，JS/TS 几乎是绑定的。

2、Python

Python 的语法接近英语，读起来像伪代码一样直观，所以很多零基础的同学第一门语言就学 Python。

它在 AI、机器学习、数据分析、自动化脚本这些领域有统治级的地位，大量 AI 框架和工具都是用 Python 写的。

如果你要做 AI 应用开发、数据处理、爬虫这些事情，Python 是非常好的选择。

简单来说，做网站选 JS / TS，做 AI 应用选 Python，两者都会就更好了。

二、前端三件套

前端就是用户能看到和交互的部分，也就是你在浏览器里看到的一切。

AI 编程中，前端是最容易搞定的部分，因为改完代码刷新一下就能看到效果。

传统的前端三件套是 HTML + CSS + JavaScript，但是 AI 时代，我愿称 React + Next.js + Tailwind CSS 为全新的前端三件套，因为这是 AI 编程工具最爱用的前端组合。

1、React

React 是 Meta 开发的前端框架，核心理念是把页面拆分成一个个可复用的组件。

比如一个按钮是一个组件，一个导航栏也是一个组件，像搭积木一样拼起来就是一个完整的页面。

根据开发者调查数据，React 的使用率超过了 80%，是全球最主流的前端框架。AI 训练数据中 React 代码量最大，所以 AI 生成 React 代码的质量也是最高的。我们团队的产品基本都是用 React 开发的。

2、Next.js

Next.js 是基于 React 的全栈框架，由 Vercel 公司开发。

它的厉害之处在于不仅能写前端页面，还能在同一个项目里写后端接口，真正实现了一个项目搞定前后端。而且它支持服务端渲染，对搜索引擎收录非常友好。

很多 AI 零代码平台生成的项目默认就是 Next.js。你在 app 目录下创建一个文件夹就自动对应一个页面路径，后端接口写在 app/api 目录下，前后端代码能放在同一个项目里，但逻辑上是分开的。

而且能够轻松部署到 Vercel 平台，只需要把代码推到 GitHub，连接仓库后每次推送自动构建上线，非常省事。

3、Tailwind CSS

Tailwind CSS 是一个原子化的样式框架。

传统开发网页是先写 HTML 结构，然后再写 CSS 文件定义样式。而 Tailwind 的思路不同，它把常用样式都变成了一个个小 class 名，直接在 HTML 里拼就行。比如想让一个元素水平垂直居中，写 flex justify-center items-center 就搞定了。

刚开始你可能会觉得 class 名一大串有点丑，但用习惯之后真的回不去了。

AI 生成的前端代码默认就很喜欢用 Tailwind，因为它不需要额外维护 CSS 文件，而且每个样式类名只有一种写法，AI 生成的准确率特别高。

不过你可能也注意到了，AI 生成的页面经常是蓝紫色渐变的配色，就是因为 Tailwind 的默认色板有蓝色和紫色，AI 用起来特别顺手，导致做出来的东西千篇一律…… 想避免这个问题，记得在提示词里明确你想要的配色风格。

React + Next.js + Tailwind CSS 这三个技术为什么总是绑定出现呢？

因为 AI 模型是从互联网上的大量代码中学习的，React、Next.js、Tailwind CSS 恰好是这几年开源项目用得最多的组合，AI 对它们最熟悉，生成的代码最靠谱。这形成了一个飞轮效应，AI 越推荐，用的人越多，训练数据越多，AI 就更推荐。

三、后端框架

后端是用户看不见的部分，负责处理业务逻辑、存储数据、管理用户身份。

当你在网站上点击「注册」按钮，前端会把你填的信息发给后端，后端负责校验数据、存到数据库、返回结果。

如果你用 Next.js，其实后端接口可以直接写在同一个项目里，不需要单独搞一个后端项目。但如果你需要更独立、更强大的后端服务，就得选一个后端框架了。

1、Spring Boot

Spring Boot 是 Java 后端开发的标配框架，国内大部分企业的后端系统都是用它写的。

它的理念是「约定大于配置」，帮你把各种繁琐的配置都简化了，开箱即用。

如果你学 AI 编程的同时也想提升后端就业竞争力，Spring Boot 是必学的。而且 Spring AI 框架的推出，让 Java 程序员也能很方便地开发 AI 应用了。

2、FastAPI

FastAPI 是 Python 生态中增长最快的后端框架，目前已经有接近 40% 的 Python 开发者在使用。它天生支持异步和类型检查，写完接口文档就自动生成了，不需要额外维护。

FastAPI 最爽的一点是，启动后访问 /docs 路径就能看到一个交互式的接口文档页面，可以直接在浏览器里测试接口。如果你用 AI 生成 Python 后端项目，大概率就是 FastAPI。

简单来说，Java 方向选 Spring Boot，Python 方向选 FastAPI，想省事用 Next.js 的 API Routes 前后端一把梭。

四、数据存储

网站上的用户信息、文章内容、订单记录等需要多次查询的数据，都需要存在数据库里。

1、MySQL / PostgreSQL

关系型数据库就像 Excel 表格一样，数据有行有列，数据之间可以建立关联。

MySQL 和 PostgreSQL 是最主流的两个关系型数据库，都是开源免费的。

MySQL 在国内用得最广，遇到问题基本都能搜到解决方案。PostgreSQL 功能更强大，支持 JSON 数据类型、地理信息、全文搜索，还能通过 pgvector 插件支持向量搜索，适合开发 AI 应用，很多海外的 SaaS 产品和 AI 项目都在用 PostgreSQL。

顺带一提，在代码中操作数据库一般不直接写 SQL 语句，而是通过 ORM 工具来操作。比如 Node.js 项目常用 Prisma，Java 项目常用 MyBatis-Plus，Python 项目常用 SQLAlchemy。有了 ORM，你在代码里操作数据就像操作普通对象一样方便。

2、Supabase

如果你不想自己维护数据库，还有一个省事的选择。

Supabase 是一个开源的后端即服务平台，底层基于 PostgreSQL，提供了数据库、用户认证、文件存储、实时订阅等功能。

注册个账号就能用，免费额度够个人项目折腾了。

你可以跟 AI 说「用 Supabase 做数据库和认证」，AI 就能帮你生成完整的集成代码。

五、部署上线

代码写完了，怎么让全世界的人都能访问到你的网站呢？

这就需要把代码部署到服务器上。

1、Vercel

最省事的方式是用 Vercel 平台。

它是 Next.js 框架背后的公司，对 Next.js 项目的支持最好。你只需要把代码推送到 GitHub，Vercel 会自动帮你构建和部署，几分钟就能上线，还自带 HTTPS 和 CDN 加速。免费额度对个人项目完全够用，非常适合部署 AI 编程做出来的小项目。

2、Linux 云服务器

不过 Vercel 的服务器在海外，而且它更适合前端和全栈项目。如果你要做面向国内用户的商业产品，或者后端是一个独立的 Java / Python 服务，就需要自己买 Linux 云服务器了。

国内的云服务商可以选阿里云、腾讯云等等，新用户一般有免费试用或大额优惠，买一台 2 核 4G 的配置就够个人项目用了。

服务器的操作系统基本都是 Linux，所以了解一些基本的 Linux 命令是有必要的，比如 cd 进目录、ls 看文件这些。不过大部分操作都可以让 AI 帮你生成命令，不用死记。

3、Docker

Docker 可以把你的代码、运行环境、依赖库全部打包成一个「容器」，不管在什么机器上运行，效果都一样。

以前经常会遇到「在自己电脑上能跑，到服务器上就报错」的情况，用了 Docker 就不存在这个问题了。

把应用封装为 Docker 很简单，让 AI 帮你写 Dockerfile 配置文件就行，不需要自己记 Docker 文件的写法。

如果你的项目涉及多个服务，比如前端 + 后端 + 数据库，还可以用 docker-compose 一键启动所有服务。

六、代码管理

1、Git

用 AI 编程做项目时，建议用 Git 来管理代码。比如让 AI 改代码之前先提交一版，万一改崩了还能回退。这就像游戏里的存档，打 Boss 之前先存个档，死了能重来。

你不需要死记 Git 命令，因为 AI 可以帮你执行 Git 操作。但几个核心概念要知道，比如 commit 是保存一个版本，branch 是创建一个分支，push 是把代码推送到远程仓库。

2、GitHub

GitHub 是全球最大的代码托管平台，也是曾经大家玩梗说的程序员社交平台。上面有海量的开源项目，是编程学习资源的宝库。

你可以把代码推送到 GitHub 上，便于备份、分享和协作。前面说的 Vercel 部署，就是连接你的 GitHub 仓库来实现自动上线的。

七、调用 AI 大模型

借助 AI 编程 + AI 大模型服务，你可以轻松开发出自己的 AI 应用，比如做一个 AI 客服、AI 写作助手、AI 数据分析工具。

要做这些事情，首先得知道怎么在代码里调用大模型。

1、OpenAI API

OpenAI API 是目前最通用的大模型调用方式。

OpenAI 提供了一套标准的 API，你可以用它来实现对话、文本生成、代码生成、图片生成等功能。可以在代码中安装对应语言的 SDK，然后用 API Key 初始化客户端后就能调用模型了。

很多其他 AI 服务商的 API 也兼容 OpenAI 的接口格式，比如 DeepSeek、通义千问等。所以学会调用 OpenAI API 后，切换到其他模型也很方便。

如果你想在一个项目中灵活切换不同的模型，还可以用 OpenRouter 这样的统一接口服务，一个 Key 就能调用上百种大模型。

2、LangChain

学会基本的调用大模型之后，如果你想做更复杂的 AI 应用，比如让 AI 自主使用工具、编排多步骤的工作流，就需要 AI 应用开发框架了。

LangChain 可以说是最流行的 AI 应用开发框架，你可以把它理解成 AI 应用开发的「积木」，它内置了大量的集成组件，比如对接各种大模型、向量数据库、工具调用等。对于快速搭建 AI 应用原型来说，LangChain 能帮你省下大量的样板代码。

不过有一点要注意，LangChain 更适合原型开发和复杂的多模型编排场景。如果你的应用比较简单，直接用 OpenAI 或者各家大模型的 SDK 会更轻量。

八、向量数据库和 RAG

做 AI 应用时，经常遇到一个问题：大模型的知识是有截止日期的，而且缺乏你自己的私有知识。

比如你想让 AI 基于公司内部文档回答员工的提问，直接问大模型肯定答不上来。

这时候就需要 RAG 技术了。

RAG 的全称是 Retrieval-Augmented Generation 检索增强生成，核心思想就是 先搜再答，让大模型在回答之前先去搜一遍相关资料，再基于搜到的知识来组织答案。就跟开卷考试差不多，遇到不会的先翻翻书。

但怎么搜到相关的资料呢？

如果用关键词匹配，很容易出现问题和文档里的用词不一致的情况。所以需要用到 向量 的概念。

简单来说，向量就是把一段文字用一串数字来表示，让计算机可以比较语义上的相似度。负责把文字转成向量的模型叫 Embedding 模型，存储这些向量并支持快速相似度搜索的数据库就是向量数据库。

RAG 的做法其实就 2 步。

1）把你的文档切成小块，转成向量存进向量数据库。

2）用户提问时，把问题也转成向量，去向量库里搜最相似的几个文档块，再把这些块连同用户问题一起交给大模型生成回答。

在 AI 时代，向量数据库的应用越来越广，做 AI 知识库、语义搜索、推荐系统都需要用到它。主流的向量数据库有 Milvus、Chroma、Qdrant 这些，PostgreSQL 也可以通过 pgvector 插件支持向量搜索。

如果想深入了解 RAG 的各种进阶方案，我之前写过一篇 从 Naive RAG 到 Agentic RAG 的全景科普文章，感兴趣可以去看看。

最后哔哔

OK 就分享到这里，我把 AI 编程时代最核心的技术给大家梳理了一遍，从编程语言到前后端框架，从数据库到部署上线，从 AI 大模型调用到 RAG 知识库。

有了 AI 辅助编程，很多技术你不需要深入学习，只要知道它是什么、什么时候该用，AI 就能帮你搞定具体的代码实现。

技术是为产品服务的，别为了学技术而学技术。

不过如果你想找程序员相关的工作，还是要系统学习这些技术的，但也不用面面俱到。实际做项目的过程中，遇到什么学什么，用到什么查什么。