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22 min中文
觀看原始影片

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

  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

  • 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

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

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。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。