小姨子當面 Diss 我：“現在都 AI 編程了，你學技術還有什麼用？” 我冷笑：“被 AI 牽着鼻子走是吧？”
整理版優先睇
AI 編程時代唔使深入學每個技術，但要識得基本概念同選型，先唔會被 AI 牽住走。
程序員魚皮寫呢篇文章，係因為佢用 AI 編程時遇到唔熟悉嘅技術名詞，導致選錯數據庫方案要推倒重來。佢想幫讀者梳理 AI 編程最核心嘅技術，等大家唔需要深入學習每個細節，但至少知道每個技術係做咩、幾時用，做技術選型時心中有數。整體結論係：AI 輔助編程下，識得技術概念同選型原則就夠，具體代碼可以交畀 AI；但如果你係揾程序員工，依然要系統學習，不過可以按需學。
文章由編程語言講到 RAG 知識庫，涵蓋 JavaScript/TypeScript、Python、前端新三件套（React + Next.js + Tailwind CSS）、後端框架（Spring Boot、FastAPI）、數據庫（MySQL、PostgreSQL、Supabase）、部署（Vercel、Linux 雲伺服器、Docker）、代碼管理（Git、GitHub）、AI 大模型調用（OpenAI API、LangChain）同向量數據庫。每一個技術都解釋咗定位同適用場景，幫助讀者快速建立 AI 編程嘅技術地圖。
最終提醒：技術係為產品服務，唔好為學而學。實際做項目時遇到咩學咩，用到咩查咩，先係最有效嘅學習方式。
- AI 編程時代唔需要深入學習每個技術，但要理解技術用途同選型，避免被 AI 牽住走。
- 前端最常用組合係 React + Next.js + Tailwind CSS，AI 對呢個組合最熟，生成質素最高，形成飛輪效應。
- 後端可以按場景揀 Spring Boot（Java）、FastAPI（Python）或者直接 Next.js API Routes 一把梭。
- 部署最慳事係用 Vercel，自動從 GitHub 構建上線；複雜項目用 Linux 雲伺服器加 Docker 容器化。
- 做 AI 應用要識得調用大模型 API（OpenAI 兼容），進階就學 RAG 技術，用向量數據庫實現私域知識問答。
Vibe Coding 零基礎入門教程
魚皮編寫嘅免費開源 AI 編程教程，從零開始學 AI 編程。
AI 編程時代嘅技術地圖：先識其貌，再談深入
用 AI 編程做項目時，你一定會遇到各種無見過嘅技術名詞。如果對呢啲技術完全無概念，同 AI 溝通時就講唔清自己想要咩，AI 選錯方向你都判斷唔出。魚皮就試過 AI 推薦咗一個冷門數據庫方案，結果後期加功能時生態太差要推倒重來。
所以佢梳理咗 AI 編程時代最核心嘅技術
你唔需要深入學習每一個技術，但至少要知道佢哋係做咩、幾時用
文章由編程語言講到 RAG，幫助你快速建立技術地圖。
核心語言同前端新三件套
編程語言方面，最常用嘅兩套係 JavaScript/TypeScript 同 Python。做網站揀 JS/TS，做 AI 應用揀 Python，兩樣都識就更好。TypeScript 因為有類型信息，AI 生成代碼質量更高，而家 AI 默認會優先使用。
做網站選 JS / TS，做 AI 應用選 Python
前端方面，AI 時代嘅新三件套係 React + Next.js + Tailwind CSS。React 將頁面拆成可複用組件，使用率超過 80%；Next.js 係全棧框架，一個項目搞掂前後端；Tailwind CSS 係原子化樣式框架，直接喺 HTML 拼 class 名就得，AI 生成準確率特別高。呢三個技術因為喺開源項目用得最多，AI 對佢哋最熟悉，形成咗飛輪效應。
- 1 React：Meta 開發，將頁面變成組件，搭積木咁組合。
- 2 Next.js：Vercel 開發，支援服務端渲染，app 目錄自動對應路由。
- 3 Tailwind CSS：原子化 class，唔使維護額外 CSS 文件，但注意默認配色經常有藍紫色漸變。
後端框架同數據存儲：按場景選擇
後端負責業務邏輯、數據存儲同用戶身份。如果你用 Next.js，可以直接用 API Routes 寫後端，唔使另外開項目。但需要獨立後端服務時，就要揀框架。
Java 方向選 Spring Boot，Python 方向選 FastAPI，想省事用 Next.js 前後端一把梭
Spring Boot 係 Java 標配，理念係「約定大於配置」，開箱即用，仲有 Spring AI 框架。FastAPI 係 Python 生態增長最快嘅框架，天生支援異步同類型檢查，自動生成接口文檔。
FastAPI 最爽係啓動後訪問 /docs 就有一個交互式接口文檔
數據存儲方面，關係型數據庫主流係 MySQL（國內最廣）同 PostgreSQL（功能更強，支援 JSON、地理信息、向量搜索）。用 ORM 工具操作數據庫，例如 Prisma（Node.js）、MyBatis-Plus（Java）、SQLAlchemy（Python）。如果想慳事，可以用 Supabase，一個開源後端即服務平台，底層 PostgreSQL，提供數據庫、認證、文件存儲。
Supabase 免費額度夠個人項目折騰
部署上線同代碼管理：由 Vercel 到 Docker
最慳事嘅部署方式係 Vercel
將代碼推到 GitHub，連接 Vercel 之後每次推送自動構建上線，幾分鐘搞掂，免費額度夠個人項目用。但 Vercel 伺服器喺海外，更適合前端同全棧項目。面向國內用戶嘅商業產品或者獨立後端服務，就要自己買 Linux 雲伺服器（阿里雲、騰訊雲等），瞭解基本 Linux 命令就夠，大部分操作可以叫 AI 生成。
Docker 將代碼、環境、依賴打包成容器，唔再出現「自己電腦行到，伺服器報錯」嘅問題
Docker 可以將應用封裝成容器，配合 docker-compose 一鍵啓動多個服務。代碼管理方面，Git 就好似遊戲存檔，改代碼前先 commit，改崩咗可以回退。GitHub 係全球最大代碼託管平台，亦可以連接 Vercel 實現自動部署。
Git 嘅核心概念：commit 保存版本，branch 創建分支，push 推送遠程
調用 AI 大模型同 RAG：開啓 AI 應用開發
要開發 AI 應用，首先要知道點樣喺代碼入面調用大模型。OpenAI API 係最通用嘅方式，好多其他服務商都兼容佢嘅接口格式，例如 DeepSeek、通義千問。學會調用之後，想玩得更複雜可以用 LangChain，佢係 AI 應用開發嘅「積木」，內置大量集成組件，適合原型開發同多模型編排。不過簡單應用直接用 SDK 更輕量。
OpenAI API 係目前最通用嘅大模型調用方式
LangChain 係 AI 應用開發框架，好似積木咁組合組件
做 AI 應用成日遇到大模型缺乏私有知識嘅問題，呢個時候就要用 RAG 技術。RAG 嘅核心係「先搜再答」，等於開卷考試。做法分兩步：先將文檔切塊轉成向量存入向量數據庫；用戶提問時，將問題都轉成向量，去庫入面揾最相似嘅文檔塊，連同問題一齊交畀大模型生成回答。
- 向量數據庫主流有 Milvus、Chroma、Qdrant，PostgreSQL 可以透過 pgvector 插件支援向量搜索。
- 做 AI 知識庫、語義搜索、推薦系統都會用到向量數據庫。
大家好，我係程序員魚皮。
用 AI 編程做項目嘅時候，你一定會遇到各種未見過嘅技術名詞。
例如 AI 同你講：用 Next.js 搭前端，Prisma 連數據庫，部署到 Vercel。
你一頭霧水：呢啲係咩嚟？算啦，交俾 AI 搞掂就得，我唔使理……
但問題係，如果你對呢啲技術完全冇概念，同 AI 溝通時就講唔清楚自己想要乜，AI 揀錯方向你都判斷唔到。
我之前做項目就遇過，AI 俾我用咗個好冷門嘅數據庫方案，我唔瞭解就直接用咗，結果後面想加功能嘅時候發現生態太差，好多嘢冇現成方案，唯有推倒重來。
所以我寫咗呢篇文章，幫你將 AI 編程時代最核心嘅技術梳理一次。你唔需要深入學習每一個技術，但至少要知道佢哋係做乜？幾時要用？做技術選型嘅時候心中有數就得。
一、編程語言
首先，你一定要了解 AI 編程中最常用嘅 2 套編程語言。
1、JavaScript / TypeScript
JavaScript 最早係俾瀏覽器用嘅語言，負責網頁上嘅各種交互效果。後來 Node.js 出現令到佢都可以喺伺服器上面寫後端，於是 JS 變成咗前後端通食嘅全棧語言。
TypeScript 係 JavaScript 嘅強化版，每個變數都標咗類型，寫代碼時編輯器就可以幫你檢查錯誤。
而家 AI 生成代碼預設就會優先揀 TypeScript，因為有咗類型資訊之後，AI 理解代碼嘅上文下理更準確，生成嘅代碼質素亦更高。
如果你想做網站相關嘅項目，JS/TS 幾乎係綁定。
2、Python
Python 嘅語法接近英文，讀起上嚟好似偽代碼咁直觀，所以好多零基礎嘅同學第一門語言就學 Python。
佢喺 AI、機器學習、數據分析、自動化腳本呢啲領域有統治級地位，大量 AI 框架同工具都係用 Python 寫成。
如果你要做 AI 應用開發、數據處理、爬蟲呢啲嘢，Python 係好好嘅選擇。
簡單嚟講，做網站揀 JS / TS，做 AI 應用揀 Python，兩樣都識就更好。
二、前端三件套
前端就係用戶見到同做到互動嘅部分，即係你喺瀏覽器入面見到嘅一切。
AI 編程中，前端係最容易搞掂嘅部分，因為改完代碼重新整理一下就可以見到效果。
傳統嘅前端三件套係 HTML + CSS + JavaScript，但係 AI 時代，我會稱 React + Next.js + Tailwind CSS 為全新嘅前端三件套，因為呢個係 AI 編程工具最鍾意用嘅前端組合。
1、React
React 係 Meta 開發嘅前端框架，核心概念係將頁面拆成一個個可以重複用嘅組件。
例如一個掣係一個組件，一個導航欄都係一個組件，好似砌積木咁拼埋就係一個完整嘅頁面。
根據開發者調查數據，React 嘅使用率超過 80%，係全世界最主流嘅前端框架。AI 訓練數據中 React 代碼量最大，所以 AI 生成 React 代碼嘅質素亦係最高。我哋團隊嘅產品基本上都係用 React 開發。
2、Next.js
Next.js 係基於 React 嘅全棧框架，由 Vercel 公司開發。
佢犀利嘅地方係唔止可以寫前端頁面，仲可以喺同一個項目入面寫後端接口，真正實現一個項目搞掂前後端。而且佢支援伺服器端渲染，對搜索引擎收錄好友好。
好多 AI 零代碼平台生成嘅項目預設就係 Next.js。你喺 app 目錄下創建一個文件夾就會自動對應一個頁面路徑，後端接口寫喺 app/api 目錄下，前後端代碼可以放喺同一個項目，但邏輯上係分開。
而且可以輕鬆部署到 Vercel 平台，只需要將代碼推到 GitHub，連接倉庫之後每次推送自動構建上線，好省事。
3、Tailwind CSS
Tailwind CSS 係一個原子化嘅樣式框架。
傳統開發網頁係先寫 HTML 結構，然後再寫 CSS 檔案定義樣式。而 Tailwind 嘅思路唔同，佢將常用樣式都變成一個個細 class 名，直接喺 HTML 入面拼就得。例如想令一個元素水平垂直置中，寫 flex justify-center items-center 就搞掂。
開頭你可能會覺得 class 名一長串有啲樣衰，但用慣咗真係返唔到轉頭。
AI 生成嘅前端代碼預設好鍾意用 Tailwind，因為佢唔需要額外維護 CSS 檔案，而且每個樣式類名只有一種寫法，AI 生成嘅準確率特別高。
不過你可能都留意到，AI 生成嘅頁面經常有藍紫色漸變嘅配色，就係因為 Tailwind 嘅預設色板有藍色同紫色，AI 用起上嚟好順手，搞到做出嚟嘅嘢千篇一律…… 想避免呢個問題，記得喺提示詞入面講明你想要嘅配色風格。
React + Next.js + Tailwind CSS 呢三個技術點解成日綁定出現呢？
因為 AI 模型係從互聯網上大量代碼中學習，React、Next.js、Tailwind CSS 啱啱係呢幾年開源項目用得最多嘅組合，AI 對佢哋最熟悉，生成嘅代碼最可靠。咁形成一個飛輪效應，AI 越推薦，用嘅人越多，訓練數據越多，AI 就更推薦。
三、後端框架
後端係用戶睇唔到嘅部分，負責處理業務邏輯、儲存數據、管理用戶身份。
當你喺網站上㩒「註冊」掣，前端會將你填嘅資料發俾後端，後端負責校驗數據、存入數據庫、返個結果。
如果你用 Next.js，其實後端接口可以直接寫喺同一個項目，唔使另外搞一個後端項目。但如果你需要更獨立、更強大嘅後端服務，就要揀一個後端框架。
1、Spring Boot
Spring Boot 係 Java 後端開發嘅標配框架，國內大部分企業嘅後端系統都係用佢寫。
佢嘅理念係「約定大於配置」，幫你將各種繁瑣嘅配置都簡化咗，開箱即用。
如果你學 AI 編程嘅同時都想提升後端就業競爭力，Spring Boot 係必學。而且 Spring AI 框架嘅推出，令 Java 程序員都可以好方便咁開發 AI 應用。
2、FastAPI
FastAPI 係 Python 生態中增長最快嘅後端框架，目前已經有接近 40% 嘅 Python 開發者喺用。佢天生支援異步同類型檢查，寫完接口文檔就自動生成，唔使額外維護。
FastAPI 最爽嘅一點係，啟動之後訪問 /docs 路徑就可以見到一個互動式嘅接口文檔頁面，可以直接喺瀏覽器入面測試接口。如果你用 AI 生成 Python 後端項目，好大機會就係 FastAPI。
簡單講，Java 方向揀 Spring Boot，Python 方向揀 FastAPI，想慳水慳力就用 Next.js 嘅 API Routes 前後端一把梭。
四、數據儲存
網站上嘅用戶資訊、文章內容、訂單記錄等需要多次查詢嘅數據，都要存在數據庫入面。
1、MySQL / PostgreSQL
關係型數據庫就好似 Excel 表格咁，數據有行有列，數據之間可以建立關聯。
MySQL 同 PostgreSQL 係最主流嘅兩個關係型數據庫，都係開源免費。
MySQL 喺國內用得最廣，遇到問題基本上都搜到解決方案。PostgreSQL 功能更強大，支援 JSON 數據類型、地理資訊、全文搜索，仲可以透過 pgvector 插件支援向量搜索，適合開發 AI 應用，好多海外嘅 SaaS 產品同 AI 項目都用緊 PostgreSQL。
順帶一提，喺代碼入面操作數據庫一般唔會直接寫 SQL 語句，而係透過 ORM 工具嚟操作。例如 Node.js 項目常用 Prisma，Java 項目常用 MyBatis-Plus，Python 項目常用 SQLAlchemy。有咗 ORM，你喺代碼入面操作數據就好似操作普通對象咁方便。
2、Supabase
如果你唔想自己維護數據庫，仲有一個慳事嘅選擇。
Supabase 係一個開源嘅後端即服務平台，底層基於 PostgreSQL，提供咗數據庫、用戶認證、檔案儲存、實時訂閲等功能。
註冊個帳號就用得，免費額度夠個人項目玩。
你可以同 AI 講「用 Supabase 做數據庫同認證」，AI 就可以幫你生成完整嘅集成代碼。
五、部署上線
代碼寫完，點樣令全世界嘅人都可以訪問到你嘅網站呢？
呢個就需要將代碼部署到伺服器上面。
1、Vercel
最慳事嘅方式係用 Vercel 平台。
佢係 Next.js 框架背後嘅公司，對 Next.js 項目嘅支援最好。你只需要將代碼推到 GitHub，Vercel 會自動幫你構建同部署，幾分鐘就上到線，仲自帶 HTTPS 同 CDN 加速。免費額度對個人項目完全夠用，好適合部署 AI 編程整出嚟嘅細項目。
2、Linux 雲伺服器
不過 Vercel 嘅伺服器喺海外，而且佢更適合前端同全棧項目。如果你要做面向國內用戶嘅商業產品，或者後端係一個獨立嘅 Java / Python 服務，就要自己買 Linux 雲伺服器。
國內嘅雲服務商可以揀阿里雲、騰訊雲等等，新用戶一般有免費試用或大額優惠，買一部 2 核 4G 嘅配置就夠個人項目用。
伺服器嘅操作系統基本上都係 Linux，所以瞭解一啲基本嘅 Linux 命令係有必要，例如 cd 入目錄、ls 睇檔案呢啲。不過大部分操作都可以叫 AI 幫你生成命令，唔使死記。
3、Docker
Docker 可以將你嘅代碼、運行環境、依賴庫全部打包成一個「容器」，無論喺邊部機度運行，效果都一樣。
以前成日遇到「喺自己電腦行得，去到伺服器就報錯」嘅情況，用咗 Docker 就唔會有呢個問題。
將應用封裝成 Docker 好簡單，叫 AI 幫你寫 Dockerfile 配置文件就得，唔使自己記 Docker 檔案嘅寫法。
如果你嘅項目涉及多個服務，例如前端 + 後端 + 數據庫，仲可以用 docker-compose 一鍵啟動所有服務。
六、代碼管理
1、Git
用 AI 編程做項目時，建議用 Git 嚟管理代碼。例如叫 AI 改代碼之前先提交一個版本，萬一改爛咗仲可以還原。呢個就好似遊戲入面嘅存檔，打大佬之前先存個檔，死咗可以重新嚟過。
你唔需要死記 Git 命令，因為 AI 可以幫你執行 Git 操作。但幾個核心概念要知道，例如 commit 係保存一個版本，branch 係開一個分支，push 係將代碼推送去遠程倉庫。
2、GitHub
GitHub 係全球最大嘅代碼託管平台，亦係以前大家玩爛咗嘅網絡「程序員社交平台」。上面有海量嘅開源項目，係編程學習資源嘅寶藏。
你可以將代碼推到 GitHub 上，方便備份、分享同協作。前面講嘅 Vercel 部署，就係連接到你嘅 GitHub 倉庫嚟實現自動上線。
七、調用 AI 大模型
藉助 AI 編程 + AI 大模型服務，你可以輕鬆開發出自己嘅 AI 應用，例如整一個 AI 客服、AI 寫作助手、AI 數據分析工具。
要做呢啲嘢，首先要知點樣喺代碼入面調用大模型。
1、OpenAI API
OpenAI API 係目前最通用嘅大模型調用方式。
OpenAI 提供咗一套標準嘅 API，你可以用佢嚟實現對話、文本生成、代碼生成、圖片生成等功能。可以喺代碼入面安裝對應語言嘅 SDK，然後用 API Key 初始化客戶端之後就可以調用模型。
好多其他 AI 服務商嘅 API 都兼容 OpenAI 嘅接口格式，例如 DeepSeek、通義千問等。所以學識調用 OpenAI API 之後，轉用其他模型都好方便。
如果你想喺一個項目入面靈活切換唔同嘅模型，仲可以用 OpenRouter 呢類統一接口服務，一個 Key 就可以調用上百種大模型。
2、LangChain
學識基本嘅調用大模型之後，如果你想做更複雜嘅 AI 應用，例如叫 AI 自主使用工具、編排多步驟嘅工作流程，就需要 AI 應用開發框架。
LangChain 可以話係最流行嘅 AI 應用開發框架，你可以將佢理解成 AI 應用開發嘅「積木」，佢內置咗大量嘅集成組件，例如對接各種大模型、向量數據庫、工具調用等。對於快速搭建 AI 應用原型嚟講，LangChain 可以幫你慳返大量嘅樣板代碼。
不過有一點要注意，LangChain 更適合原型開發同複雜嘅多模型編排場景。如果你嘅應用比較簡單，直接用 OpenAI 或者各家大模型嘅 SDK 會更輕量。
八、向量數據庫同 RAG
做 AI 應用時，成日遇到一個問題：大模型嘅知識有截止日期，而且缺乏你自己嘅私有知識。
例如你想叫 AI 根據公司內部文檔回答員工嘅提問，直接問大模型肯定答唔到。
呢個時候就需要 RAG 技術。
RAG 全稱係 Retrieval-Augmented Generation 檢索增強生成，核心思想就係 先搜後答，叫大模型回答之前先搜一次相關資料，再根據搜到嘅知識嚟組織答案。就好似開卷考試咁，遇到唔識嘅就先揭書。
但點樣先搜到相關嘅資料呢？
如果用關鍵字匹配，好容易出現問題同文檔入面用詞唔一致嘅情況。所以要用到 向量 嘅概念。
簡單講，向量就係將一段文字用一串數字嚟表示，令到電腦可以比較語義上嘅相似度。負責將文字轉成向量嘅模型叫 Embedding 模型，儲存呢啲向量並支援快速相似度搜索嘅數據庫就係向量數據庫。
RAG 嘅做法其實得 2 步。
1）將你嘅文檔切成細塊，轉成向量存入向量數據庫。
2）用戶提問時，將問題都轉成向量，去向量庫入面揾最相似嘅幾個文檔塊，再將呢啲塊連同用戶問題一齊交俾大模型生成回答。
喺 AI 時代，向量數據庫嘅應用越來越廣，做 AI 知識庫、語義搜索、推薦系統都需要用到。主流嘅向量數據庫有 Milvus、Chroma、Qdrant 呢啲，PostgreSQL 都可以透過 pgvector 插件支援向量搜索。
如果想深入瞭解 RAG 嘅各種進階方案，我之前寫過一篇 由 Naive RAG 到 Agentic RAG 嘅全景科普文章，有興趣可以睇下。
最後講兩句
OK 就分享到呢度，我將 AI 編程時代最核心嘅技術同大家梳理咗一次，由編程語言到前後端框架，由數據庫到部署上線，由 AI 大模型調用到 RAG 知識庫。
有咗 AI 輔助編程，好多技術你唔需要深入學習，只要知道佢係乜、幾時要用，AI 就可以幫你搞掂具體嘅代碼實現。
技術係為產品服務，唔好為咗學技術而學技術。
不過如果你想揾程序員相關嘅工，都係要系統學習呢啲技術，但唔使面面俱到。實際做項目嘅過程中，遇到乜就學乜，用到乜就查乜。
如果你想系統學習 AI 編程，可以睇下我嘅免費開源教程 《Vibe Coding 零基礎入門教程》，上千張圖、幾十萬字，由 0 開始帶你學識 AI 編程。
開源指路：https://github.com/liyupi/ai-guide
我係魚皮，持續分享 AI 編程乾貨。覺得有用的話記得讚好、收藏同關注，亦歡迎喺評論區講下你哋而家用得最多嘅技術有邊啲？
往期推薦
大家好，我是程序員魚皮。
用 AI 編程做項目的時候，你一定會遇到各種沒見過的技術名詞。
比如 AI 跟你說：用 Next.js 搭前端，Prisma 連數據庫，部署到 Vercel。
你一臉問號：這都是啥？算了，讓 AI 幹就完了，我不用管……
但問題是，如果你對這些技術完全沒概念，跟 AI 溝通時就說不清楚自己想要什麼，AI 選錯了方向你也判斷不出來。
我之前做項目就遇到過，AI 給我用了一個很冷門的數據庫方案，我不瞭解就直接用了，結果後面想加功能的時候發現生態太差，很多東西沒有現成方案，只能推翻重來。
所以我寫了這篇文章，幫你把 AI 編程時代最核心的技術梳理一遍。你不需要深入學習每一個技術，但至少要知道它們是幹嘛的？什麼時候該用？做技術選型的時候心裏有數就行。
一、編程語言
首先，你必須瞭解 AI 編程中最常用的 2 套編程語言。
1、JavaScript / TypeScript
JavaScript 最早是給瀏覽器用的語言，負責網頁上的各種交互效果。後來 Node.js 的出現讓它也能跑在服務器上寫後端，於是 JS 變成了前後端通吃的全棧語言。
TypeScript 是 JavaScript 的增強版，給每個變量都標註了類型，寫代碼時編輯器就能幫你檢查錯誤。
現在 AI 生成代碼默認就會優先用 TypeScript，因為有了類型信息後，AI 理解代碼的上下文更準確，生成的代碼質量也更高。
如果你想做網站相關的項目，JS/TS 幾乎是綁定的。
2、Python
Python 的語法接近英語，讀起來像偽代碼一樣直觀，所以很多零基礎的同學第一門語言就學 Python。
它在 AI、機器學習、數據分析、自動化腳本這些領域有統治級的地位，大量 AI 框架和工具都是用 Python 寫的。
如果你要做 AI 應用開發、數據處理、爬蟲這些事情，Python 是非常好的選擇。
簡單來說，做網站選 JS / TS，做 AI 應用選 Python，兩者都會就更好了。
二、前端三件套
前端就是用戶能看到和交互的部分，也就是你在瀏覽器裏看到的一切。
AI 編程中，前端是最容易搞定的部分，因為改完代碼刷新一下就能看到效果。
傳統的前端三件套是 HTML + CSS + JavaScript，但是 AI 時代，我願稱 React + Next.js + Tailwind CSS 為全新的前端三件套，因為這是 AI 編程工具最愛用的前端組合。
1、React
React 是 Meta 開發的前端框架，核心理念是把頁面拆分成一個個可複用的組件。
比如一個按鈕是一個組件，一個導航欄也是一個組件，像搭積木一樣拼起來就是一個完整的頁面。
根據開發者調查數據，React 的使用率超過了 80%，是全球最主流的前端框架。AI 訓練數據中 React 代碼量最大，所以 AI 生成 React 代碼的質量也是最高的。我們團隊的產品基本都是用 React 開發的。
2、Next.js
Next.js 是基於 React 的全棧框架，由 Vercel 公司開發。
它的厲害之處在於不僅能寫前端頁面，還能在同一個項目裏寫後端接口，真正實現了一個項目搞定前後端。而且它支持服務端渲染，對搜索引擎收錄非常友好。
很多 AI 零代碼平台生成的項目默認就是 Next.js。你在 app 目錄下創建一個文件夾就自動對應一個頁面路徑，後端接口寫在 app/api 目錄下，前後端代碼能放在同一個項目裏，但邏輯上是分開的。
而且能夠輕鬆部署到 Vercel 平台，只需要把代碼推到 GitHub，連接倉庫後每次推送自動構建上線，非常省事。
3、Tailwind CSS
Tailwind CSS 是一個原子化的樣式框架。
傳統開發網頁是先寫 HTML 結構，然後再寫 CSS 文件定義樣式。而 Tailwind 的思路不同，它把常用樣式都變成了一個個小 class 名，直接在 HTML 裏拼就行。比如想讓一個元素水平垂直居中，寫 flex justify-center items-center 就搞定了。
剛開始你可能會覺得 class 名一大串有點醜，但用習慣之後真的回不去了。
AI 生成的前端代碼默認就很喜歡用 Tailwind，因為它不需要額外維護 CSS 文件，而且每個樣式類名只有一種寫法，AI 生成的準確率特別高。
不過你可能也注意到了，AI 生成的頁面經常是藍紫色漸變的配色，就是因為 Tailwind 的默認色板有藍色和紫色，AI 用起來特別順手，導致做出來的東西千篇一律…… 想避免這個問題，記得在提示詞裏明確你想要的配色風格。
React + Next.js + Tailwind CSS 這三個技術為什麼總是綁定出現呢？
因為 AI 模型是從互聯網上的大量代碼中學習的，React、Next.js、Tailwind CSS 恰好是這幾年開源項目用得最多的組合，AI 對它們最熟悉，生成的代碼最靠譜。這形成了一個飛輪效應，AI 越推薦，用的人越多，訓練數據越多，AI 就更推薦。
三、後端框架
後端是用戶看不見的部分，負責處理業務邏輯、存儲數據、管理用戶身份。
當你在網站上點擊「註冊」按鈕，前端會把你填的信息發給後端，後端負責校驗數據、存到數據庫、返回結果。
如果你用 Next.js，其實後端接口可以直接寫在同一個項目裏，不需要單獨搞一個後端項目。但如果你需要更獨立、更強大的後端服務，就得選一個後端框架了。
1、Spring Boot
Spring Boot 是 Java 後端開發的標配框架，國內大部分企業的後端系統都是用它寫的。
它的理念是「約定大於配置」，幫你把各種繁瑣的配置都簡化了，開箱即用。
如果你學 AI 編程的同時也想提升後端就業競爭力，Spring Boot 是必學的。而且 Spring AI 框架的推出，讓 Java 程序員也能很方便地開發 AI 應用了。
2、FastAPI
FastAPI 是 Python 生態中增長最快的後端框架，目前已經有接近 40% 的 Python 開發者在使用。它天生支持異步和類型檢查，寫完接口文檔就自動生成了，不需要額外維護。
FastAPI 最爽的一點是，啓動後訪問 /docs 路徑就能看到一個交互式的接口文檔頁面，可以直接在瀏覽器裏測試接口。如果你用 AI 生成 Python 後端項目，大概率就是 FastAPI。
簡單來說，Java 方向選 Spring Boot，Python 方向選 FastAPI，想省事用 Next.js 的 API Routes 前後端一把梭。
四、數據存儲
網站上的用戶信息、文章內容、訂單記錄等需要多次查詢的數據，都需要存在數據庫裏。
1、MySQL / PostgreSQL
關係型數據庫就像 Excel 表格一樣，數據有行有列，數據之間可以建立關聯。
MySQL 和 PostgreSQL 是最主流的兩個關係型數據庫，都是開源免費的。
MySQL 在國內用得最廣，遇到問題基本都能搜到解決方案。PostgreSQL 功能更強大，支持 JSON 數據類型、地理信息、全文搜索，還能通過 pgvector 插件支持向量搜索，適合開發 AI 應用，很多海外的 SaaS 產品和 AI 項目都在用 PostgreSQL。
順帶一提，在代碼中操作數據庫一般不直接寫 SQL 語句，而是通過 ORM 工具來操作。比如 Node.js 項目常用 Prisma，Java 項目常用 MyBatis-Plus，Python 項目常用 SQLAlchemy。有了 ORM，你在代碼裏操作數據就像操作普通對象一樣方便。
2、Supabase
如果你不想自己維護數據庫，還有一個省事的選擇。
Supabase 是一個開源的後端即服務平台，底層基於 PostgreSQL，提供了數據庫、用戶認證、文件存儲、實時訂閲等功能。
註冊個賬號就能用，免費額度夠個人項目折騰了。
你可以跟 AI 說「用 Supabase 做數據庫和認證」，AI 就能幫你生成完整的集成代碼。
五、部署上線
代碼寫完了，怎麼讓全世界的人都能訪問到你的網站呢？
這就需要把代碼部署到服務器上。
1、Vercel
最省事的方式是用 Vercel 平台。
它是 Next.js 框架背後的公司，對 Next.js 項目的支持最好。你只需要把代碼推送到 GitHub，Vercel 會自動幫你構建和部署，幾分鐘就能上線，還自帶 HTTPS 和 CDN 加速。免費額度對個人項目完全夠用，非常適合部署 AI 編程做出來的小項目。
2、Linux 雲服務器
不過 Vercel 的服務器在海外，而且它更適合前端和全棧項目。如果你要做面向國內用戶的商業產品，或者後端是一個獨立的 Java / Python 服務，就需要自己買 Linux 雲服務器了。
國內的雲服務商可以選阿里雲、騰訊雲等等，新用戶一般有免費試用或大額優惠，買一台 2 核 4G 的配置就夠個人項目用了。
服務器的操作系統基本都是 Linux，所以瞭解一些基本的 Linux 命令是有必要的，比如 cd 進目錄、ls 看文件這些。不過大部分操作都可以讓 AI 幫你生成命令，不用死記。
3、Docker
Docker 可以把你的代碼、運行環境、依賴庫全部打包成一個「容器」，不管在什麼機器上運行，效果都一樣。
以前經常會遇到「在自己電腦上能跑，到服務器上就報錯」的情況，用了 Docker 就不存在這個問題了。
把應用封裝為 Docker 很簡單，讓 AI 幫你寫 Dockerfile 配置文件就行，不需要自己記 Docker 文件的寫法。
如果你的項目涉及多個服務，比如前端 + 後端 + 數據庫，還可以用 docker-compose 一鍵啓動所有服務。
六、代碼管理
1、Git
用 AI 編程做項目時，建議用 Git 來管理代碼。比如讓 AI 改代碼之前先提交一版，萬一改崩了還能回退。這就像遊戲裏的存檔，打 Boss 之前先存個檔，死了能重來。
你不需要死記 Git 命令，因為 AI 可以幫你執行 Git 操作。但幾個核心概念要知道，比如 commit 是保存一個版本，branch 是創建一個分支，push 是把代碼推送到遠程倉庫。
2、GitHub
GitHub 是全球最大的代碼託管平台，也是曾經大家玩梗說的程序員社交平台。上面有海量的開源項目，是編程學習資源的寶庫。
你可以把代碼推送到 GitHub 上，便於備份、分享和協作。前面說的 Vercel 部署，就是連接你的 GitHub 倉庫來實現自動上線的。
七、調用 AI 大模型
藉助 AI 編程 + AI 大模型服務，你可以輕鬆開發出自己的 AI 應用，比如做一個 AI 客服、AI 寫作助手、AI 數據分析工具。
要做這些事情，首先得知道怎麼在代碼裏調用大模型。
1、OpenAI API
OpenAI API 是目前最通用的大模型調用方式。
OpenAI 提供了一套標準的 API，你可以用它來實現對話、文本生成、代碼生成、圖片生成等功能。可以在代碼中安裝對應語言的 SDK，然後用 API Key 初始化客戶端後就能調用模型了。
很多其他 AI 服務商的 API 也兼容 OpenAI 的接口格式，比如 DeepSeek、通義千問等。所以學會調用 OpenAI API 後，切換到其他模型也很方便。
如果你想在一個項目中靈活切換不同的模型，還可以用 OpenRouter 這樣的統一接口服務，一個 Key 就能調用上百種大模型。
2、LangChain
學會基本的調用大模型之後，如果你想做更復雜的 AI 應用，比如讓 AI 自主使用工具、編排多步驟的工作流，就需要 AI 應用開發框架了。
LangChain 可以說是最流行的 AI 應用開發框架，你可以把它理解成 AI 應用開發的「積木」，它內置了大量的集成組件，比如對接各種大模型、向量數據庫、工具調用等。對於快速搭建 AI 應用原型來說，LangChain 能幫你省下大量的樣板代碼。
不過有一點要注意，LangChain 更適合原型開發和複雜的多模型編排場景。如果你的應用比較簡單，直接用 OpenAI 或者各家大模型的 SDK 會更輕量。
八、向量數據庫和 RAG
做 AI 應用時，經常遇到一個問題：大模型的知識是有截止日期的，而且缺乏你自己的私有知識。
比如你想讓 AI 基於公司內部文檔回答員工的提問，直接問大模型肯定答不上來。
這時候就需要 RAG 技術了。
RAG 的全稱是 Retrieval-Augmented Generation 檢索增強生成，核心思想就是 先搜再答，讓大模型在回答之前先去搜一遍相關資料，再基於搜到的知識來組織答案。就跟開卷考試差不多，遇到不會的先翻翻書。
但怎麼搜到相關的資料呢？
如果用關鍵詞匹配，很容易出現問題和文檔裏的用詞不一致的情況。所以需要用到 向量 的概念。
簡單來說，向量就是把一段文字用一串數字來表示，讓計算機可以比較語義上的相似度。負責把文字轉成向量的模型叫 Embedding 模型，存儲這些向量並支持快速相似度搜索的數據庫就是向量數據庫。
RAG 的做法其實就 2 步。
1）把你的文檔切成小塊，轉成向量存進向量數據庫。
2）用戶提問時，把問題也轉成向量，去向量庫裏搜最相似的幾個文檔塊，再把這些塊連同用戶問題一起交給大模型生成回答。
在 AI 時代，向量數據庫的應用越來越廣，做 AI 知識庫、語義搜索、推薦系統都需要用到它。主流的向量數據庫有 Milvus、Chroma、Qdrant 這些，PostgreSQL 也可以通過 pgvector 插件支持向量搜索。
如果想深入瞭解 RAG 的各種進階方案，我之前寫過一篇 從 Naive RAG 到 Agentic RAG 的全景科普文章，感興趣可以去看看。
最後嗶嗶
OK 就分享到這裏，我把 AI 編程時代最核心的技術給大家梳理了一遍，從編程語言到前後端框架，從數據庫到部署上線，從 AI 大模型調用到 RAG 知識庫。
有了 AI 輔助編程，很多技術你不需要深入學習，只要知道它是什麼、什麼時候該用，AI 就能幫你搞定具體的代碼實現。
技術是為產品服務的，別為了學技術而學技術。
不過如果你想找程序員相關的工作，還是要系統學習這些技術的，但也不用面面俱到。實際做項目的過程中，遇到什麼學什麼，用到什麼查什麼。
如果你想系統學習 AI 編程，可以看看我的免費開源教程 《Vibe Coding 零基礎入門教程》，上千張圖、幾十萬字，從 0 開始帶你學會 AI 編程。
開源指路：https://github.com/liyupi/ai-guide
我是魚皮，持續分享 AI 編程乾貨。覺得有用的話記得點贊收藏和關注，也歡迎在評論區說說你們現在用的最多的技術有哪些？
往期推薦