KeyFrame內部研究專用

怎麼用 AI 工具 Vibe Coding 開發與上架 APP?我的踩坑經驗與心得分享

電腦王阿達·6月29日週一·22 min中文

三句話摘要

AI開發工具進化歷程與實戰經驗:從無代碼平台到AI引擎的應用開發全流程 AI引擎已將應用開發的瓶頸從編碼轉移到工程流程自動化,但同時也抹平了技術優勢,使變現困難化。 工程流程才是真正瓶頸,不是編碼能力。 Manus無法產出可上架格式、Android Studio遇到Java依賴版本衝突、Gradle與SDK版本不相容、簽章密鑰問題等,這些不是單一bug而是整個專案的連鎖問題。傳統IDE只列出錯誤讓開發者自己判斷,而Claude Code能自動讀取錯誤、修改設定、重新編譯、自行驗證,這才是與傳統IDE的關鍵差異。

重點整理

重點
  • 1

    工程流程才是真正瓶頸,不是編碼能力。 Manus無法產出可上架格式、Android Studio遇到Java依賴版本衝突、Gradle與SDK版本不相容、簽章密鑰問題等,這些不是單一bug而是整個專案的連鎖問題。傳統IDE只列出錯誤讓開發者自己判斷,而Claude Code能自動讀取錯誤、修改設定、重新編譯、自行驗證,這才是與傳統IDE的關鍵差異。

  • 2

    工具選擇要符合應用類型。 做網站和Web UI用Manus等無代碼平台最簡單,環境預裝、網址直送、可綁域名,初學者友善;自用程式改用Claude Code搭智能模型效率最高;千萬別用本地端模型,5090顯卡24GB記憶體的筆電用Llama也只能跑70K context,投資報酬率完全不划算。

  • 3

    模型智能度決定開發進度快慢。 早期Android Studio內建模型「很笨」,常卡在同一問題無限迴圈,只好改用Gemini 3 Pro,光為一個功能突破就花兩千元API費用;現在必須用聰明的大模型如GPT-4o、Claude或DeepSeek v4/Flash,Mini Max、Kimi可應對簡單修改但大型專案完全比不上專業大模型。

  • 4

    AI民主化背後是商業空心化。 因為AI能快速複製任何想法,大廠看到好服務就整合到自己平台,小開發者做的免費應用沒有商業護城河,靠App或服務變現困難;開發門檻低代表別人也能輕易複製,這個時代做任何東西都沒有真正的技術優勢。

實用技巧與重點

乾貨
  • 開發工具選擇:
  • 無代碼平台:Manus(網站、App)、Gwork(新推出)
  • IDE工具:Android Studio、Ant Gravity、Google Cloud Code
  • AI引擎:Claude Code、OpenAI Code、Google Gemini引擎
  • 推薦模型組合:
  • 有預算:GPT-4o、Claude (OpenAI 月100美金方案)
  • 預算有限:DeepSeek v4 或 v4 Flash、Gemini 3 Pro
  • 不推薦:Mini Max、Kimi (簡單修改可以,大型專案不行)、本地端 (Llama、天文3.6等無法應對)
  • 應用案例成本:
  • 貼圖切割工具:月消耗美金 ~20元(Manus時期)
  • GEMINI翻譯App:Android Studio階段花費數千元token,AAB打包費時數天
  • 名片識別App:用Claude Code + computer use,兩次交互內完成上架
  • App上架關鍵環節:
  • 環境設定:Java依賴版本、Gradle版本、Android SDK版本
  • 簽證:keystore、signing key配置
  • 發布物件:AAB檔(上傳)vs APK檔(測試)
  • 上架規則:Play Store隱私政策、開發者帳號維持、審核標準
  • iOS成本:開發者帳號年100美金,免費App維持上架本身虧本
  • Claude Code具體能力:
  • 用computer use自動操作Google Play後台、填表、上傳AAB檔
  • 自動生成圖示:搭配Image 2模型
  • 自動追蹤和修復編譯錯誤、依賴衝突
  • 修復網友回報的Bug:兩次交互內完成
  • 效率對比:
  • Manus → Android Studio:花費數天甚至數周無法完成上架
  • Claude Code:同樣App上架流程縮短到兩次交互,半小時到一小時內完成修復AAB檔

結論

結論

AI引擎已將應用開發的瓶頸從編碼轉移到工程流程自動化,但同時也抹平了技術優勢,使變現困難化。

完整解析

詳細

講者作為內容創作者,近年開始用Codeium/AI開發自用應用,分享了三個階段的演進故事。

第一階段用Manus,這是當時最萬能的AI應用工具。Manus能自動分解任務、操作流程、交付成果,特別擅長Web UI開發,內建資料庫和自動部署,做完直接給網址就能上線,對初學者友善。講者甚至用Manus幫老弟做房仲網站,都由對話逐步迭代完成。但Manus後來推出App開發功能時,官方的上架流程存在問題,無法產出真正可上架的格式,花了幾萬點token卻無法解決。另外開發筆記提醒App也失敗,因為Android端的通知功能無法正常運作,這讓他認識到AI工具的極限在哪裡。

第二階段轉向Android Studio和Ant Gravity。Google當時對這些工具額度寬鬆,Android Studio內建模擬器能看到開發效果。但問題來了:模擬器測試結果和實機常常不同,内建模型「非常笨」,經常卡在同一問題反覆道歉,只好花錢用更聰明的Gemini 3 Pro才能突破進度。為了把之前Manus的爛掉原始碼用Android Studio重新編譯成可上架的AAB檔,光API費用就花了兩千元。即使如此,最後還是因為證書簽名、開發者資訊等問題無法成功上架,導致整個應用被放棄。講者花了一周修改Java依賴,最終還是回到原點。這段經歷讓他體會到傳統IDE的限制:只會把錯誤列出來,開發者得自己判斷如何處理。

第三階段就是現在,直接用Claude Code當通用引擎。在停滯四個月後,講者發現開源或Cloud Core的AI引擎能自動讀錯誤、修改設定、重新編譯、自行驗證,完全改變了開發體驗。他用Claude Code開發名片識別App時,只需一行指令加上參考網址,Claude就寫出可行計畫。接著請Claude Code設計介面、打包APK測試,兩三次交互就完成。後來把原始碼交給Claude Code,用computer use自動操作Google Play後台上架,一次就成功。唯一Claude無法自動完成的是隱私政策URL(涉及付費),講者手動填完後按確認就上架了。當講者看到之前怎樣都修不好的GEMINI翻譯App的舊原始碼,也交給Claude Code處理,兩次交互內完成編譯和簽證問題,效率比前兩個階段快了100倍。後續網友回報Bug,講者複製問題描述給Claude Code,也是兩次交互就修好。

講者強調,真正卡住開發者的不是「這行程式怎麼寫」,而是整個工程的流程、套件版本衝突、SDK相容性、證書簽名、上架規則、隱私政策等環環相扣的問題。傳統IDE無法處理這些系統性難題,而Claude Code這類AI引擎能自動迭代修正,直到通過編譯和驗證。

關於工具選擇,講者建議:網站和Web UI還是用Manus等無代碼平台最方便,環境全包、部署簡單;自用程式就用Claude Code配合聰明模型。模型選擇極為關鍵,OpenAI的GPT-4o、Anthropic的Claude、DeepSeek的v4/Flash都足夠,但本地端模型完全不行,不要幻想5090顯卡能做什麼,那點性能對大型專案無用。至於Google和Mini Max,講者用下來只能應對簡單修改,大型專案無法勝任。

最後講者點出AI時代的悖論:開發門檻確實降低了,但技術壁壘也消失了。大廠看到好想法直接複製整合,小開發者做的免費應用沒有商業價值,靠App變現困難。他做的所有應用都是免費的,沒有廣告沒有收入,純粹自用或分享。iOS開發更不划算,光維持開發者帳號年費100美金,對免費應用就是虧本。講者最後感嘆,這波AI寫程式究竟是浪潮、興趣,還是真正能變現的事業,值得大家深思。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。