Taoist:
[实验] 此文章由 Cursor 根据项目翻阅项目代码和文档后, 加上本人的一些信息输入自动生成, 我只改了几处明显的错误, 每处不超过一行
前言
作为一名 iOS 开发者，我一直被两个问题困扰：重复的网络请求浪费资源，缓存策略难以精确控制。最近两个月，我决定用 AI 辅助编程的方式来彻底解决这些问题，最终开发出了一个名为Monstra的 Swift 性能框架。
整个过程让我重新思考了"编程"这个概念，也让我对 AI 协作开发有了全新的认识。今天想分享一下这次 AI 辅助开发的完整经历，包括遇到的坑、解决方案，以及一些意外的收获。
项目背景：那些让人头疼的性能问题
问题一：重复网络请求的噩梦
相信很多 iOS 开发者都遇到过这种情况：
// 场景：多个 ViewController 同时需要用户数据
class UserProfileViewController {
func viewDidLoad() {
API.fetchUserProfile { result in
// 处理结果
}
}
}
class SettingsViewController {
func viewDidLoad() {
API.fetchUserProfile { result in // 重复请求！
// 处理结果
}
}
}
class NotificationViewController {
func viewDidLoad() {
API.fetchUserProfile { result in // 又一个重复请求！
// 处理结果
}
}
}
结果：3 个页面同时加载，发出 3 个完全相同的网络请求。浪费流量，增加服务器负担，用户体验还差。
问题二：缓存策略的复杂性
iOS 开发中的缓存问题同样让人头疼：
- NSCache: 功能简单，无法精确控制过期时间
- 自己实现: 要考虑内存限制、过期策略、线程安全等一堆问题
- 第三方库: 要么功能不全，要么太重太复杂
决定：用 AI 协作解决这些问题
面对这些痛点，我决定开发一个专门的框架来彻底解决这些问题。但这次，我想尝试一种全新的开发模式：AI 辅助编程。
AI 协作开发的分工策略
经过思考，我制定了一个明确的分工策略：
我负责的部分（核心创造）
- 架构设计：整体框架结构，模块划分
- 核心算法：执行合并逻辑，缓存淘汰策略
- 业务逻辑：具体的 API 设计和实现
- 示例代码：真实场景的使用案例
AI 负责的部分（辅助优化）
- 单元测试：各种边界情况和异常场景
- 代码审查：代码质量，最佳实践建议
- 文档编写：API 文档，README ，使用指南
- 工程配置：CI/CD ，GitHub Actions ，项目配置
- 代码规范：注释补全，格式化，命名优化
这样分工的好处是：我专注于最需要创造性思维的部分，AI 帮我处理那些重复性、规范性的工作。
框架设计：两大核心组件
基于对问题的分析，我设计了两个核心组件：
1. TaskManager：智能任务执行管理器
MonoTask - 单任务执行合并
// 创建一个处理用户资料获取的任务
let userProfileTask = MonoTask<UserProfile>(
resultExpireDuration: 300.0 // 5 分钟缓存
) { callback in
// 实际的网络请求逻辑
API.fetchUserProfile { result in
callback(result)
}
}
// 多个地方同时调用，只会执行一次网络请求
Task {
let profile1 = await userProfileTask.asyncExecute() // 发起网络请求
let profile2 = await userProfileTask.asyncExecute() // 返回缓存结果
let profile3 = await userProfileTask.asyncExecute() // 返回缓存结果
}
KVLightTasksManager - 轻量级批处理
// 批量获取用户帖子，自动合并重复 ID
let postManager = KVLightTasksManager<String, Post>(
config: .init(
dataProvider: .asyncMultiprovide(maximumBatchCount: 10) { postIDs in
return try await API.fetchPosts(ids: postIDs)
}
)
)
// 三个 ViewModel 请求重叠的帖子 ID ，自动批处理
postManager.fetch(keys: ["101", "102", "103"]) { id, result in
// 处理单个帖子结果
}
KVHeavyTasksManager - 重型任务管理
// 大文件下载，支持进度跟踪和取消
let downloadManager = KVHeavyTasksManager<URL, Data, Progress, CustomProvider>(
config: .init(
maxNumberOfRunningTasks: 2, // 最多同时 2 个下载
maxNumberOfQueueingTasks: 64
)
)
// 多个下载请求，自动队列管理
downloadManager.fetch(
key: fileURL,
customEventObserver: { progress in
print("下载进度: \(progress.fractionCompleted)")
},
result: { result in
// 处理下载结果
}
)
2. MemoryCache：智能内存缓存系统
let cache = MemoryCache<String, UIImage>(
configuration: .init(
// 内存限制
memoryUsageLimitation: .init(capacity: 1000, memory: 500), // 500MB
// TTL 配置
defaultTTL: 3600.0, // 正常数据 1 小时过期
defaultTTLForNullElement: 300.0, // 空值 5 分钟过期
// 雪崩保护：随机化过期时间
ttlRandomizationRange: 60.0, // ±60 秒随机
// 内存成本计算
costProvider: { image in
guard let cgImage = image.cgImage else { return 0 }
return cgImage.bytesPerRow * cgImage.height
}
)
)
// 优先级缓存
cache.set(element: profileImage, for: "user-123", priority: 10.0) // 高优先级
cache.set(element: thumbnail, for: "thumb-456", priority: 1.0) // 低优先级
cache.set(element: nil, for: "missing-789") // 缓存"未找到"
// 智能获取
switch cache.getElement(for: "user-123") {
case .hitNonNullElement(let image): // 找到有效图片
displayImage(image)
case .hitNullElement: // 找到"未找到"记录
showPlaceholder()
case .miss: // 缓存未命中
loadImageFromNetwork()
case .invalidKey: // 键值验证失败
handleInvalidKey()
}
AI 辅助开发的实战经验
1. Cursor 的惊人表现
使用 Cursor 进行 AI 辅助开发最大的感受是：AI 比我想象的更"理解"代码。
代码审查能力
当我写完核心逻辑后，Cursor 会提出改进建议：
我的原始代码：
func removeExpiredElements() {
for key in keys {
if isExpired(key) {
remove(key)
}
}
}
Cursor 的优化建议：
func removeExpiredElements() -> Int {
let keysToRemove = keys.filter { isExpired($0) }
keysToRemove.forEach { remove($0) }
return keysToRemove.count // 返回清理数量，便于监控
}
这种优化不仅提高了性能，还增加了实用功能，完全是我没想到的角度。
单元测试的全面性
最让我惊讶的是 AI 生成的单元测试。我只写了基本的功能测试，但 AI 补充的测试用例覆盖了很多我忽略的边界情况：
// AI 生成的边界测试
func testConcurrentAccessWithSameKey() {
// 测试多线程同时访问同一个 key
}
func testMemoryPressureEviction() {
// 测试内存压力下的驱逐策略
}
func testTTLRandomizationPreventsStampede() {
// 测试 TTL 随机化防止缓存雪崩
}
func testNullValueCaching() {
// 测试空值缓存的各种场景
}
2. 不同 AI 模型的"个性"差异
在开发过程中，我尝试了多个 AI 模型，发现它们确实有不同的"专长"：
GPT-4 的特点：
- 保守但严谨：总是考虑各种异常情况
- 注重边界处理：生成的代码防御性很强
- 文档详细：API 文档写得非常全面
Claude 的特点：
- 性能敏感：经常提出性能优化建议
- 代码优雅：生成的代码结构清晰，可读性强
- 注重实用性：更关注实际使用场景
Cursor 的特点：
- 上下文理解强：能很好理解整个项目的结构
- 实践导向：生成的代码更贴近实际开发需求
- 工程化思维：关注 CI/CD 、项目配置等工程问题
3. AI 协作的最佳实践
经过两周的深度协作，我总结出几个关键的协作技巧：
3.1 精确的需求描述
❌ 模糊的描述：
"我写了一个缓存, 帮我 review 一下"
✅ 精确的描述：
"我写了一个线程安全的内存缓存，支持 TTL 过期，优先级 LRU 淘汰策略，能够缓存 nil 值，防止缓存雪崩，并且可以设置内存使用上限, 请帮我 review 一下代码逻辑正确性 public API 的规范性以及合理性"
3.2 迭代式优化
不要指望 AI 一次性生成完美代码，而是通过多轮对话逐步优化：
第 1 轮：实现基本功能
第 2 轮：添加异常处理
第 3 轮：优化性能
第 4 轮：完善文档
第 5 轮：添加单元测试
3.3 善用 AI 的不同视角
对于关键代码，我会让不同的 AI 模型都 review 一遍，综合它们的建议：
- GPT-4 帮我找 bug 和边界情况
- Claude 帮我优化性能和代码结构
- Cursor 帮我完善工程配置
开发成果：5 个实战示例
为了验证框架的实用性，我开发了 5 个真实场景的示例：
1. Module Initialization - 模块初始化
// 应用启动时的配置加载，支持重试和永久缓存
let configManager = AppConfigurationManager()
configManager.initializeModule { result in
switch result {
case .success:
print("配置加载成功")
case .failure(let error):
print("配置加载失败: \(error)")
}
}
2. User Profile Manager - 用户资料管理
// 单用户资料管理，支持 TTL 刷新和强制更新
let profileManager = UserProfileManager()
profileManager.setUser(firstName: "Alice") { result in
// 设置完成后自动刷新缓存
}
3. Object Fetch Task - 批量对象获取
// 三个 ViewModel 同时请求重叠的帖子 ID ，自动批处理
let repository = PostRepository()
repository.getPostsBatch(ids: ["101", "102", "103"]) { results in
// 批量处理结果
}
4. Large File Download Management - 大文件下载
// Alamofire + AFNetworking 双 Provider 支持，断点续传
let downloadManager = AlamofireManager(config: .init())
let result = await downloadManager.asyncFetch(
key: fileURL,
customEventObserver: { progress in
updateProgressBar(progress.fractionCompleted)
}
)
5. Large File Unzip - 大文件解压
// ZIPFoundation 集成，进度跟踪
let unzipManager = UnzipManager(config: .init())
unzipManager.fetch(
key: zipFileURL,
customEventObserver: { event in
switch event {
case .progress(let percent):
print("解压进度: \(percent * 100)%")
}
}
)
性能测试结果
执行合并效果测试
// 10 个并发请求测试
let startTime = CFAbsoluteTimeGetCurrent()
await withTaskGroup(of: Void.self) { group in
for i in 0..<10 {
group.addTask {
let result = await userTask.asyncExecute()
print("Task \(i) completed: \(result)")
}
}
}
let duration = CFAbsoluteTimeGetCurrent() - startTime
print("总耗时: \(duration)s, 网络请求次数: 1")
结果：10 个并发请求，只发出 1 个网络请求，所有回调都收到相同结果。
缓存性能测试
// 缓存命中率测试
let cache = MemoryCache<String, Data>(capacity: 1000)
// 写入 10000 个条目
for i in 0..<10000 {
cache.set(element: randomData(), for: "key\(i)")
}
// 随机访问测试
var hitCount = 0
for _ in 0..<1000 {
let key = "key\(Int.random(in: 0..<10000))"
if case .hitNonNullElement = cache.getElement(for: key) {
hitCount += 1
}
}
print("缓存命中率: \(Double(hitCount) / 1000.0)")
AI 协作开发的思考与展望
对程序员职业的影响
通过这次深度的 AI 协作开发经历，我对程序员这个职业有了新的思考：
什么不会被 AI 取代：
- 架构设计能力：整体思维，权衡取舍
- 业务理解能力：理解用户需求，设计合适方案
- 创新思维：发现新问题，提出新解决方案
- 质量把控：判断代码质量，做技术决策
什么会被 AI 大幅提升：
- 编码效率：重复性代码生成
- 测试覆盖率：边界用例发现
- 文档质量：规范化文档生成
- 代码质量：最佳实践建议
未来的编程模式
我认为未来的编程将是**"人机协作"**模式：
程序员 = 产品经理 + 架构师 + 质量把控者
AI = 编码助手 + 测试工程师 + 文档工程师
程序员的价值将更多体现在创造性思维和判断决策上，而不是纯粹的编码技能。
对新手程序员的建议
- 尽早开始 AI 协作：不要等技术成熟，现在就开始学习
- 关注核心能力：专注算法、架构、业务理解等 AI 难以取代的能力
- 培养 AI 协作技能：学会如何与 AI 高效沟通，这将成为核心竞争力
项目开源与社区反馈
这个项目现在已经在 GitHub 开源：**github.com/yangchenlarkin/Monstra**
技术特性
- ✅ 零外部依赖：纯 Swift 实现
- ✅ 全平台支持：iOS 13+, macOS 10.15+, tvOS 13+, watchOS 6.0+
- ✅ 现代 Swift：支持 async/await ，Swift 5.5+
- ✅ 完整文档：API 文档 + 5 个实战示例
- ✅ 高测试覆盖率：AI 辅助生成的全面测试用例
安装使用
Swift Package Manager：
dependencies: [
.package(url: "https://github.com/yangchenlarkin/Monstra.git", from: "0.1.0")
]
CocoaPods：
pod 'Monstra', '~> 0.1.0'
总结
这次 AI 辅助开发的经历让我深刻体会到：AI 不是要取代程序员，而是要让程序员变得更强大。
通过合理的分工协作，我们可以：
- 将更多时间专注于创造性工作
- 提高代码质量和文档水平
- 加速项目开发进度
- 学习到新的编程思路和最佳实践
如果你还没有开始尝试 AI 辅助编程，我强烈建议你现在就开始。这不仅仅是一个工具，更是编程思维的升级。
相关链接
关于作者：iOS 开发工程师，专注于移动端性能优化和架构设计。这是我第一次深度尝试 AI 辅助开发，也是第一个开源项目。如果这个项目对你有帮助，欢迎在 GitHub 上给个⭐️，也欢迎提出改进建议！
如果你有任何问题或想要交流 AI 辅助开发的经验，欢迎在评论区讨论，或者在 GitHub 上提 Issue 。让我们一起探索编程的未来！
作者批
上面的内容都是 Cursor 写的(甩锅 ing), 我这里补充几点:
- 任务合并和缓存, 在前端(React)框架中比较常见, 我的灵感也是来自于前端
- 文中的各个大模型的特点, 我并没有验证真伪, 这部分大家看个乐呵就好了😂. 不过我在写测试用例的过程中, 我确实真对同一个类, 让不同的大模型给我写测试用例, 然后让 Claude 给我整理 case 、去除重复 case 、规范命名和注释等. 然后我在去阅读这些 case, 发现有遗漏的 case 再让 AI 补充.
- 第三方库“要么功能不全，要么太重太复杂”, 这个有失偏颇, 我觉得大部分库还是功能不全, 我这个库才是太重太复杂🤦 大家用的时候根据实际项目各取所需即可, 简单和全面在一定程度上本就是需要做取舍的.
Login
