我用AI重写了整个项目：速度提升4倍，但有个陷阱

开发一个气象站系统时，我突然想到一个问题：如果用AI从头再做一遍，结果会怎样？

这不是简单的重复劳动。我想知道的是，AI开发真的像宣传的那样快吗？代码质量会不会打折扣？遇到的技术难题会变多还是变少？作为开发者，我的体验会更好还是更糟？

于是我把同一个项目做了两遍——一遍纯手写，一遍交给AI。以下是我的真实记录。

工具选择

起初我不想花钱，试了Gemini和OpenRouter的免费额度，还有本地跑的Ollama。结果免费额度很快就用完了，本地模型在我的电脑上跑不动。后来同事推荐了OpenCode，默认搭载Big Pickle模型。不管最终结果如何，这套工具链的稳定性确实不错。

测试方法

重写项目有个天然优势：你不需要摸索，目标明确。为了抵消这个优势，我给自己定了两条规则：假装手写版不存在，以及只做"vibe coder"——只提需求，一行代码都不写，也不关心实现细节。

时间统计按每天提交代码2小时折算。

数字背后的真相

表面数据很亮眼：AI版本快了4倍。

但手写版的时间里有大量隐性成本。当时我要现学Python，研究Pimoroni库的用法，代码结构也是边写边改，重构了好几轮才摸到Python的最佳实践。

版本控制的使用方式也不同。AI版本的提交次数明显更少，原因很现实：AI生成的代码块更大，调试周期更长，不像手写时那样频繁小步提交。

Web应用部分更说明问题。AI版16小时就"完工"了，但剩下的12小时全花在迭代上——试不同的统计数据展示方式，调整界面布局。而这些需求，手写版早就想清楚了，AI版只是直接照搬了最终方案。

作为vibe coder，我几乎没有审阅AI生成的代码。这种"蜘蛛感应"让我怀疑：4倍速的数字可能没有看起来那么美。

代码质量实测

我用SonarQube跑了两套代码的指标：可维护性、安全性、可靠性、重复代码率。

传感器读取模块有个典型差异。手写版报了45个可维护性问题，全是命名规范——我习惯用驼峰命名，但Python社区推崇snake_case。这些被我标为误报。Weather Hat显示类的问题也被我移除了，那部分基本是Pimoroni示例代码的包装。