之前整理了 171 道前端与全栈核心面试题(从 Vue3 响应式、Koa2 中间件内核,到微前端隔离和工程化链路)。为了让自己能真正开口练,我用 Next.js + 本地 MySQL 做了个专属的面试模拟练习工具(Interview Coach)。
核心玩法简单粗暴:我答题,AI 扮演毒舌面试官挑刺打分;答得不好打回重答,答得好当场追问,直到真正理解掌握。
这篇文章聊两个最硬核的话题:
- 怎么跟 AI 配合开发:很多人用 AI 写代码越写越乱,我是怎么给它定规矩、让它老老实实写出生产级代码的;
- 重点拆解 SSE 流式输出:既要让 AI 吐出严格的 JSON 结构,又要实现打字机般的流式渐进展示,这套底层逻辑是怎么手搓出来的。
1. 怎么指挥 AI 写出高水准代码?
现在很多人觉得“用 AI 写代码不就是开盲盒吗?改着改着就炸了”。
其实关键在于:AI 是打工的架构执行者,你必须是定死技术规范的架构师。如果只给一句“帮我写个面试打分页面”,它写出来的代码大概率是单文件塞满几千行、全是 any、状态随手抓瞎。
在这次开发中,我对 AI 的约束很明确:
- 立死规矩(AGENTS.md):TypeScript 必须开
strict: true,关掉allowJs,整个项目零any;所有数据边界(表单、API 请求、大模型输出)必须经由 Zod 双向强校验。 - 职责分层卡死:页面组件只负责搭骨架,业务逻辑拆到
features/,接口缓存归 RTK Query,交互状态归 Redux Slice。AI 只要敢把MediaStream这种不可序列化的对象往 Redux 里塞,或者把 API Key 存进前端 store,当场打回重写。 - 让测试成为紧箍咒:写完功能不是“看着能跑就行”,必须配套写自动化测试。这次我们跑了 24 项全套集成测试——包括真实启动 Next.js 独立端口跑 HTTP 请求、验证分段流式输出、模拟客户端断开测试后端是否及时掐断。
有了这套严丝合缝的规矩,AI 写起代码来就极其顺手:它负责填充具体的高质量算法与工具函数,我负责盯死边界与工程质量。
2. 重点攻坚:手搓 SSE 流式增量解析
整个项目里最具挑战性的技术点,就是大模型的流式评估(Streaming Feedback)。
2.1 鱼与熊掌的矛盾:结构化 JSON vs 流式打字机
用过大模型 API 的人都知道这个两难困境:
- 要严谨评分:我们必须要求大模型输出 JSON 格式。因为评分系统需要结构化提取:考点通过情况、最大短板、示范答案、追问题目、分数。如果只让模型自由发挥吐 Markdown,很难稳定解析出精确数据。
- 要极致体验:如果等模型把 500 字的 JSON 全部生成完再展示,用户要在屏幕前死等 5 到 10 秒;最好的交互必须是 SSE(Server-Sent Events),像打字机一样一个字一个字往外蹦。
但问题来了:在流传输的过程中,整个 JSON 字符串从头到尾都是“残缺不全”的!
普通的 JSON.parse() 只要碰到一个没闭合的引号或花括号,立刻当场抛语法错误(SyntaxError)。
难道只能等整段流结束再展示?当然不。
2.2 状态机式前缀解析:从未闭合的流里“抠”文本
为了解决这个问题,底层手写了一个 extractFeedbackFields 容错提取算法:
1 | // streaming.ts 核心解析器示意 |
这套解析器的精妙之处在于:
- 无视残缺:它不强求整个对象合法,只要看到
"explanation": "先收集依...,就能把正在输出的内容逐字抽取出来,派发到前端对应的折叠卡片里。 - 转义容错:在网络切片边缘,中文字符的
\u4e2d可能会被切成\u4e和2d两次推过来。传统解析直接报错,而这里会感知到 16 进制未就绪,保留在缓冲区等下一个 chunk 补齐再拼装。
2.3 字素感知(Grapheme):让流式光标不再抽搐
在打字机渲染时,文本末尾通常有一个跟随闪烁的呼吸光标。
如果直接用 text.slice(0, len) 这种传统字符串截取方式,在遇到中文组合、Emoji 表情(例如 👩💻)或者 Unicode 音调字符时,光标定位会直接把字符“腰斩”,造成页面闪烁和控制台乱码。
我们引入了现代原生标准 Intl.Segmenter,按真正的**扩展字素簇(Grapheme Cluster)**划分字符边界:
1 | export function splitGraphemes(text: string): string[] { |
不管模型输出什么奇奇怪怪的复合 Emoji 还是中文标点,光标都精准地贴在视觉字符的最末端,丝滑流畅。
2.4 双向 Abort:绝不白白浪费 Token
在流式输出中,如果用户看到一半发现自己答跑题了,点击了“停止生成”或者直接点了下一题,普通的做法只是把前端页面给停了,但后端的模型接口还在吭哧吭哧生成。
这对于按 Token 付费的调用来说就是真金白银的浪费。
在架构上,我们打通了前后端的双向 Abort 信号链条:
1 | 浏览器端 (用户点击停止/切题) |
连接瞬间掐断,Token 消耗立刻停止。同时前端状态机保证:被中止的回答不入库、不计分,既省了钱,又保证了做题数据的严谨。
3. 业务闭环与状态分层
有了底层的流式通道,上层的做题逻辑才能真正立得住:
- 拒绝无脑及格:只有主问题得分 ≥ 8 分、考点全通过,才会触发针对薄弱项的追问;追问答对了才算真正掌握,自动挂载艾宾浩斯记忆遗忘曲线(1, 3, 7, 14, 30 天)进入复习池。
- 数据清晰隔离:
- 题库进度和掌握状态归 RTK Query 缓存,单向权威;
- 题目切换和全局操作锁归 Redux Slice,在打分和录音时把提交按钮同步锁死,杜绝并发连击;
- 答题草稿和卡片折叠习惯归 sessionStorage,刷新网页草稿依然在;
- API Key 直接落本地文件(0600 权限),绝不流入浏览器前端。
4. 总结
现在的 AI 已经有极强的代码编写能力,但如果你只让它写个“Demo”,它就真的只给你一个漏风的 Demo。
让 AI 产出高质量项目的关键,就是用硬核的工程约束(Strict TypeScript + 规范架构 + 自动化测试)去框定边界,用精细的技术方案(手搓流式状态机 + 双向连接控制)去攻克体验瓶颈。
把这套组合拳打下来,不仅代码清爽扎实,自己刷起题来也是真的爽。