黄昊、徐蔚：听查课系统・AI编程开发实录

前言

在医院信息化建设工作中，具备开发能力的信息科工程师较为稀缺。软件开发不仅需要理解业务场景、了解细节繁杂的临床需求、应对标准严苛的安全检查，更要响应较高频次的新增需求。传统研发模式下，需求拆解模糊、编码开发工作量大、调试效率不高、技术选型单一、配套文档缺失等问题，长期制约软件开发工作质效，影响产品按期交付。随着AI开发工具的普及应用，软件开发工作实现了智能化升级。

本文结合“听查课评价系统”的完整开发实践，按照标准化软件开发流程，分享在需求分析、编码实现、测试调试、文档编写等各个环节中运用AI工具的思路与实操经验，探讨借助AI赋能研发、提升个人开发能力的可行路径，希望能为医院同行开展AI辅助开发工作提供参考与借鉴。实践发现，AI在开发效率上提升明显，部分重复性编码工作节省70%时间、整体项目周期从预估的4周缩短至2周。

本次开发选用TRAE Agent（IDE模式）作为核心开发智能体，并搭配四类专项Skill作为协同技能。Skill如今已成为大多数Agent开发工具和IDE都支持的一种标准扩展规范，也是提升效率的很好帮手。全栈开发fullstack-developer扮演一个精通现代Web开发技术的全栈专家；代码审查code-reviewer能够扫描语法问题与安全隐患；网页应用测试webapp-testing专注于前端功能与界面调试；技术文档更新update-docs则可根据代码变动自动维护文档，实现代码与文档联动更新。

一 需求分析阶段：AI破解模糊痛点，提升业务拆解能力

需求分析是软件开发的首要环节，也是决定项目落地质量的前提。在实际工作中，信息化项目需求普遍存在表述宽泛、层级复杂、场景专属的特点。业务人员聚焦医疗、教学日常工作，输出的需求文档往往不够精细、标准不高，工程师需反复与业务科室沟通核对，对于不熟悉的业务更是要去理解学习，沟通成本高、周期长，还极易出现需求解读偏差、开发成果与实际业务不匹配的问题，对研发人员的业务理解能力、需求拆解能力提出极高要求。

我们在系统研发初期，借助AI工具，就将“支持本科、研究生、规培、进修、继续医学教育等不同教学层级的教学评估”这个宽泛的需求进行拆解。精准划分教学培训层级，根据层级不同制定不同的评估标准，梳理出清晰、可落地的功能清单。同时，AI还基于拆解后的业务需求，初步输出数据库设计思路、功能模块划分方案，为后续技术设计环节提供基础支撑。

该应用模式改变了传统“反复沟通、盲目拆解”的需求处理模式，不仅大幅缩减需求梳理周期，更能引导研发人员建立标准化的需求拆解思维，快速读懂医疗教学垂直领域业务逻辑，降低研发人员学习门槛，有效提升其业务分析与需求落地能力。

二 技术设计阶段：AI辅助选型建模，提升架构设计能力

技术设计环节包含技术栈选型、数据库模型设计两大核心工作，考验研发人员的架构规划能力、场景适配能力。传统研发模式下，技术选型高度依赖个人经验，面对Vue、React、Angular等主流框架，研发人员易陷入选型纠结，难以结合项目场景、自身技术栈筛选最优方案；同时，数据库模型设计依赖人工经验，容易出现字段缺失、逻辑冗余、功能单一等问题，影响系统后续稳定性与扩展性。借助AI辅助技术设计，能够帮助研发人员跳出固有经验局限，结合业务场景科学选型、标准化建模，快速完成系统架构设计、场景适配与模型优化。

技术栈选型：本次项目表单格式多功能多、UI组件需求密集，通过向AI同步项目核心需求、业务场景及个人技术栈特点，AI结合项目表单密集的特点和工程师的技术储备，推荐ElementPlus+Vue的技术组合，后续的研发也证实了该组合确实高度适配本次项目开发需求，能够大幅降低前端开发难度、提升整体研发效率。

数据库模型设计：AI基于梳理完成的业务需求，自动生成数据结构初稿。本次项目中，AI依据教学设计、教学实施、教学效果三大考评维度，设计了教学评价数据模型，共14项评分字段，同时结合业务场景要求，设计自动计分、等级判定核心算法，实现了评价分数自动汇总，并按照优秀、良好、合格、不合格四个层级划分。相较于以往传统人工设计容易出现字段类型、索引设计等低级错误，AI模型设计更全面、逻辑更规范，弥补了人工设计的思维盲区。

三 编码开发阶段：AI减负提质，提升标准化编码能力

代码编写是软件开发的核心环节，传统研发模式严重依赖工程师个人能力和编码规范性素养。但是实际工作中存在大量机械的重复工作，增删改查接口编写、多表单重复校验、基础功能开发等工作繁琐耗时、易错率高，不仅占用研发人员大量精力，还容易产生冗余代码、不规范代码，不利于代码质量管控与编码能力提升。

通过“AI批量生成基础代码+人工优化核心逻辑”的模式，既能减少重复机械工作，让研发人员聚焦于核心业务逻辑开发，又能借鉴AI标准化、规范化的编码思路，持续提升自身编码规范性与高效开发能力。

以基础接口开发为例，传统人工开发一个完整的课程评价提交接口，需逐一完成参数定义、代码校验、数据库事务处理、异常捕获等全流程工作，单次开发耗时2-3小时。依托AI代码生成器，仅需输入自然语言开发指令，几分钟即可生成完整、规范的Controller代码，包含完整的事务处理、异常捕获、日志记录逻辑，研发人员仅需结合院内业务场景微调字段名称、优化专属业务逻辑即可投入使用，编码效率实现数倍提升。

针对代码冗余问题，如表单校验逻辑多次重复，传统人工开发需逐一对表单编写校验代码，代码冗余量大、后期迭代维护难度高。通过AI智能识别重复代码片段，自动抽取公共逻辑，生成通用校验类函数，实现全表单统一校验管理。后续规则迭代、功能优化仅需修改公共类代码，大幅降低维护成本，同时规范了整体代码结构。

针对前端开发工作，AI可快速生成带动态评分滑块、条件化字段展示、全维度校验规则的前端表单，可实现“选择其他评价类型自动弹出补充输入框”等场景化交互功能，功能完备、适配性强，研发人员仅需根据用户要求简单优化UI风格即可上线，无需二次开发。

四 调试优化阶段：AI精准排障，提升问题排查能力

程序调试是保障系统稳定运行的关键，传统调试高度依赖研发人员经验，对于偶发性、隐性bug，尤其是并发场景、接口联调产生的无显性报错问题，人工排查耗时费力、准确率低。

AI调试工具可深度分析程序运行链路、日志数据、并发逻辑，精准定位隐性bug、逻辑漏洞，相较于传统人工盲目排查，大幅提升调试效率与故障定位准确率。借助AI辅助调试过程，能够帮助研发人员学习系统化的故障排查思路，突破经验局限，快速提升复杂问题分析与解决能力。

以本次项目开发中一个调试案例为例：前端调用评价提交接口时偶发Token过期异常情况，但系统日志无明显报错信息，通过人工逐行核查代码、梳理逻辑，始终无法定位问题。借助AI调试助手，导入含线程ID的错误日志、时间戳及调用链信息后，AI快速分析出问题根源，指出：Token刷新逻辑存在缺陷，并发场景下多线程同时刷新Token会出现相互覆盖的问题，导致接口认证异常。根据提示，工程师快速定位问题，完成了代码优化，解决了隐性故障。

五 安全审计阶段：AI智能风控，提升安全研发能力

安全审计是医疗软件开发不可或缺的环节，医院信息系统涉及大量患者诊疗数据、院内办公敏感数据，对数据安全、代码安全要求高。传统人工安全排查存在覆盖面窄、漏洞遗漏率高、排查不系统等问题，研发人员难以全面把控代码安全。

依托AI代码审查技能，可对全量代码进行智能化安全审计，全面排查各类安全隐患，特别是在“参数未做类型转换、SQL注入风险、敏感信息日志留存、接口请求无频次限制”等通用安全问题的排查上，其效率、覆盖面、持续性远超传统人工方式。同时，AI不仅能精准定位漏洞位置，还能同步输出标准化整改方案，指导研发人员优化代码、规避风险。

常态化使用AI开展安全审计，能够帮助研发人员快速积累安全编码经验，熟悉OWASP安全编码规范，养成“开发即安全”的编码习惯，有效提升自身安全研发、风险防控能力，适配医疗信息化高安全标准的研发要求。

六 文档交付阶段：AI赋能，提升标准化交付能力

标准化技术文档是项目交付、后期运维迭代的核心依据，医疗信息化项目更需做好配套API接口文档、数据库设计文档、用户操作指南等各类资料的收集。传统模式下，文档编写完全依赖人工，耗时繁琐、效率低下，工程师往往注重功能实现，忽视文档编写，容易出现文档与代码逻辑不一致、内容不规范、缺失遗漏等问题，文档交付质量参差不齐。

利用AI技术文档更新工具，可基于项目源码自动提取核心逻辑、接口参数、数据库结构等关键信息，快速生成完整的文档初稿。研发人员无需从零编写，仅需结合专属业务场景补充个性化说明、优化排版格式，即可完成标准化文档交付。

该模式大幅降低文档编写的时间成本，保障代码与文档高度统一，同时引导研发人员养成标准化交付思维，全面提升项目规范化交付能力。

七 AI研发落地痛点与能力提升优化策略

在使用AI辅助编码生成的实践过程中，我们也发现AI工具应用依然存在局限性，为此也制定了优化策略，规避工具依赖问题，努力实现“以工具促能力提升”。

一是AI代码质量存在不稳定问题。AI生成的代码依然存在逻辑漏洞、索引缺失、样式不统一等问题。对此，需要制定项目专属编码规范，让AI提前适配项目架构与编码风格，同时对所有AI生成代码实行100%人工审核+单元测试验证，既保障代码质量，又能让研发人员在审核优化中学习和提升编码经验。

二是AI依赖导致开发能力弱化问题。长期借助AI自动编码，易出现人工编码能力降低、独立思考能力退化问题。我们的经验是明确人机协作边界，核心业务逻辑坚持人工编写，定期开展纯手工编码练习，同时研发人员要吃透每一段AI生成代码的底层逻辑，杜绝盲目复制，持续保持自身技术敏感度。让AI为我所用，而不是我为AI附庸。

三是针对医疗业务适配偏差问题。如前文所述，AI在处理通用需求时表现良好（如拆解“多层级教学评估”的框架），但一旦涉及医院专属业务流程时，如对内部认证逻辑（像内部OA操作规范等内容）理解不足，会导致生成代码适配性差的情况。可以通过搭建本地医疗业务知识库，沉淀院内业务规则、制订专属技术规范，提前向AI导入业务背景资料等方法提升适配性，同时会同系统用户人员开展功能测试，不断提升AI业务适配度，也能提高研发人员对相关业务的认识理解。

四是安全风险残留问题。通过实践验证，本次开发所使用的AI工具自带的安全校验功能存在局限性，无法覆盖所有高危安全隐患。尤其是对与业务紧密结合的逻辑漏洞（例如越权操作、流程跳过、并发冲突等），目前的人工智能还不能很好地检测出问题，需要结合人工进行专门审查。因此，除AI开发平台自身做安全扫描外，还需要依托专业的安全扫描工具、遵循标准化安全规范，对敏感数据模块开展专项审计，持续强化研发人员的安全风控意识，形成“AI扫通用漏洞、人工挖逻辑缺陷”的双层安全机制。

八 总结与展望

从此次“听查课评价系统”的开发可以得出，现阶段AI工具是软件研发人员的“高级辅助工具”，而非替代者。在需求分析、技术设计、编码开发、调试优化、安全审计、文档交付各环节，AI均可有效承接机械、重复、繁琐的基础工作，帮助研发人员减负增效。更重要的是，标准化的人机协作模式，能够持续引导研发人员规范编码、科学设计、精准排障、严控安全，全方位提升业务解读、架构设计、问题攻坚、标准化交付等综合研发能力。

对于医院信息化研发人员而言，AI时代的软件开发，核心竞争力已不再是简单的编码速度，而是业务融合能力、问题创新解决能力、技术优化能力。未来，随着AI智能体、自动化测试、智能运维等技术的不断成熟，信息化软件开发将实现全流程智能化升级。研发人员需持续优化AI协作模式，坚守技术核心、深耕医疗业务，依托AI工具赋能技术创新，以更专业的研发能力、更高效的开发模式，助力智慧医院信息化高质量建设。

点击此处可下载听查课评价系统功能示意图

作者简介

黄昊，CHIMA常委

徐蔚，陆军特色医学中心信息科软件工程师，具备8年全栈开发经验。当前聚焦于AI应用开发领域，具备大模型本地部署、智能体（Agent）创建编排以及企业级智能体平台部署的完整落地能力。